Il y a quelque chose de merveilleux à ce sujet :utiliser un système informatique basé sur le fonctionnement du cerveau pour percer les secrets du cerveau
L'IA d'aujourd'hui n'est plus la même qu'il y a 70 ans. À l'époque, ces systèmes informatiques étaient simplement utiles parce qu'ils pouvaient conserver plus d'informations que le cerveau humain moyen. Un inconvénient majeur :toute connaissance que le système avait dû être saisie explicitement par une personne au préalable. Vous ne pouvez pas vraiment appeler un tel système "intelligent". Ce que les scientifiques voulaient vraiment, c'était une IA capable d'apprendre des choses par elle-même et de collecter de nouvelles connaissances.
L'un de ces systèmes d'auto-apprentissage - apprentissage en profondeur – a connu une réelle avancée à partir de 2012. L'avantage de l'apprentissage en profondeur est que l'architecture de l'algorithme est basée sur celle du cerveau humain. Cet emprunt au cerveau est assez intelligent, car le cerveau n'est que la quintessence d'un système d'auto-apprentissage. Parfois, vous ne voulez pas être trop original.
Comme le cerveau, l'apprentissage en profondeur peut être considéré comme un vaste réseau avec des couches de neurones interconnectés. Imaginez-nous servant ce réseau toute une série de photos de chats et de chiens. Alors, comment l'apprentissage en profondeur peut-il distinguer un animal d'un autre ? Une méthode possible serait de lire dans les pixels des photos dans la première couche du réseau. Chaque point de la photo représente alors une valeur comprise entre '0' (noir) et '1' (blanc). Dans chaque couche suivante, les informations des couches précédentes sont fusionnées. Par exemple, des structures plus grandes composées de plusieurs pixels, telles que des coins et des bords, peuvent être reconnues dans la deuxième couche. Alors ça continue encore et encore. De nombreux coins et bords peuvent former un carré dans la troisième couche, et les carrés peuvent ensuite à leur tour être combinés en structures encore plus grandes et plus complexes.
Ces structures sont également connues dans le jargon technique sous le nom de fonctionnalités † Une étape essentielle consiste à trouver des caractéristiques qui n'apparaissent que chez un seul type d'animal, afin que le réseau puisse établir une classification basée sur ces caractéristiques. Si la classification est erronée, il doit relancer la recherche de la ou des caractéristiques correctes. Comme un tout-petit qui apprend à faire du vélo, il y a beaucoup d'essais et erreurs au début jusqu'à ce qu'une réponse correcte soit enfin trouvée.
Dans un monde vieillissant, la maladie d'Alzheimer met à rude épreuve le système de santé. La prévention dans ce domaine est très importante, car la détection précoce de la maladie peut aider à initier un traitement plus rapidement et à ralentir la progression de la maladie. Aux premiers stades du développement de la maladie d'Alzheimer, le cerveau subit des changements subtils, comme l'accumulation de certaines protéines. Ceux-ci ne provoquent pas (encore) de symptômes perceptibles à ce stade, mais peuvent être détectés lors d'un scanner cérébral. Le gros problème maintenant, c'est qu'on ne sait pas exactement quelles sont les différences entre un scanner cérébral d'un cerveau sain et celui d'un cerveau atteint, ce qui rend très difficile un diagnostic précoce. Heureusement, l'apprentissage en profondeur offre une issue ici. En assemblant des fonctionnalités massivement complexes, le réseau peut repérer des modèles complexes et des différences subtiles dans les scans cérébraux qui sont si détaillés qu'ils pourraient même passer l'œil averti d'un médecin. Une fois que le réseau connaît ces modèles, il peut également classer les patients dont le diagnostic est inconnu.
Ce que ces caractéristiques pourraient être exactement est souvent un grand mystère. Et cela montre immédiatement un problème majeur avec le deep learning :un manque de transparence. S'il n'est pas clair quelles caractéristiques sont utilisées pour faire la distinction entre les cerveaux sains et affectés, les médecins peuvent en apprendre peu. D'autre part, de nombreuses données qualitatives sont également nécessaires. Un exemple simple :si chaque photo avec un chat contient une bouteille d'eau, le réseau peut simplement apprendre par lui-même que chaque animal à proximité d'une bouteille d'eau est un chat. Dans ce cas, la bouteille d'eau est l'élément décisif, ce qui est complètement faux. Il faut donc faire attention au type de données avec lesquelles un tel système est fourni.
Il y a quelque chose de merveilleux à ce sujet :utiliser un système informatique basé sur le fonctionnement du cerveau pour percer les secrets du cerveau. Mais bien sûr, la bataille contre la maladie d'Alzheimer n'est pas encore terminée. L'apprentissage en profondeur en est encore à ses balbutiements et il reste encore beaucoup à faire avant de pouvoir être utilisé de manière routinière à l'hôpital. Néanmoins, les études rapportent souvent des précisions extrêmement élevées, jusqu'à 98 %. Ces chiffres élevés soulignent l'énorme potentiel qu'offre l'IA pour transformer les soins de santé de demain.
