41
tion et apprentissage n’est pas très clair. Des recherches sur de nouvelles approches alliant apprentissage et raisonnement probabiliste avec une convergence rapide sont nécessaires.
Conscience de soi
Mais la question initiale de Turing ne devrait-elle pas conduire à l’interrogation suivante : une machine peut-elle avoir une faculté de conscience d’elle-même ? Car malgré toutes les recherches en
robotique et IA, les résultats, aussi significatifs soient-ils, restent le plus souvent applicables dans des
contextes restreints et bien définis. Ainsi, la perception ne permet pas à un robot de comprendre son
environnement, c’est à dire d’élaborer une connaissance suffisamment générale et opératoire sur celuici, la prise de décision reste limitée à des problèmes relativement simples et bien modélisés. Les principes fondamentaux restent largement incompris, qui permettraient aux robots d’interpréter leur environnement, de comprendre leurs propres actions et leurs effets, de prendre des initiatives, d’exhiber
des comportements exploratoires de curiosité, et d’acquérir de nouvelles connaissances et de nouvelles
capacités. Les clés pour permettre la réalisation de ces fonctions cognitives peuvent être le métaraisonnement et la capacité d’auto-évaluation, deux mécanismes réflexifs.
Pluridisciplinarité
La recherche en robotique pose des questions proches des sciences cognitives, des neurosciences et de
plusieurs domaines des SHS, comme la sociologie et la philosophie. Des programmes interdisciplinaires seront probablement la bon moyen pour aborder les différentes facettes des questions fondamentales.
Vision et reconnaissance des formes
La recherche en vision artificielle connaît des développements sans précédent depuis une quinzaine
d’années sur des aspects en lien avec l’intelligence artificielle, à savoir la reconnaissance des formes,
la détection d’objets, la classification et l’interprétation d’images. A cela s’ajoute désormais
l’apprentissage de représentations, de métriques pour la comparaison et la recherche d’images.
La vision est un domaine phare pour les méthodes d'apprentissage. A titre d'illustration, les trois
exemples remarquables cités dans le livre blanc sur l'IA publié en 2016 par l'INRIA sont dans ce domaine. Cette réussite repose à la fois sur des avancées en termes de modélisation des représentations
de l’information visuelle, sur des méthodes d’apprentissage statistiques exploitant des données massives annotées, et enfin sur des calculateurs très puissants adaptés aux types de calcul nécessaires
(GPU).
Tout comme le TAL et l’Audio, la Vision est fortement impactée par l’apprentissage profond (deep
learning). Les approches de modélisation reposant sur des architectures neuronales profondes, en particulier les réseaux de neurones convolutionnels sont aujourd’hui les approches dominantes. Bien que
s'appuyant sur des principes introduits il y a une trentaine d’années, en lien avec des résultats de travaux en neurobiologie sur la vision animale, il y a eu des avancées récentes sur la compréhension des
structures de ces réseaux et de leur apprentissage.
Si ces méthodes, en particulier par apprentissage profond, ont beaucoup de succès dans les compétitions de reconnaissance visuelle, plusieurs thèmes de recherche actuels constituent des défis importants :
• Segmentation sémantique et détection à large échelle
• Vision et Langage (du mot clé à la narration)
• Modélisation des architectures de vision (invariance, structure, compression)
• Composition (contextualisation des détections, apprentissage séquentiel)
• Apprentissage (très) faiblement supervisé, avec des données bruitées, avec des données synthétiques
tion et apprentissage n’est pas très clair. Des recherches sur de nouvelles approches alliant apprentissage et raisonnement probabiliste avec une convergence rapide sont nécessaires.
Conscience de soi
Mais la question initiale de Turing ne devrait-elle pas conduire à l’interrogation suivante : une machine peut-elle avoir une faculté de conscience d’elle-même ? Car malgré toutes les recherches en
robotique et IA, les résultats, aussi significatifs soient-ils, restent le plus souvent applicables dans des
contextes restreints et bien définis. Ainsi, la perception ne permet pas à un robot de comprendre son
environnement, c’est à dire d’élaborer une connaissance suffisamment générale et opératoire sur celuici, la prise de décision reste limitée à des problèmes relativement simples et bien modélisés. Les principes fondamentaux restent largement incompris, qui permettraient aux robots d’interpréter leur environnement, de comprendre leurs propres actions et leurs effets, de prendre des initiatives, d’exhiber
des comportements exploratoires de curiosité, et d’acquérir de nouvelles connaissances et de nouvelles
capacités. Les clés pour permettre la réalisation de ces fonctions cognitives peuvent être le métaraisonnement et la capacité d’auto-évaluation, deux mécanismes réflexifs.
Pluridisciplinarité
La recherche en robotique pose des questions proches des sciences cognitives, des neurosciences et de
plusieurs domaines des SHS, comme la sociologie et la philosophie. Des programmes interdisciplinaires seront probablement la bon moyen pour aborder les différentes facettes des questions fondamentales.
Vision et reconnaissance des formes
La recherche en vision artificielle connaît des développements sans précédent depuis une quinzaine
d’années sur des aspects en lien avec l’intelligence artificielle, à savoir la reconnaissance des formes,
la détection d’objets, la classification et l’interprétation d’images. A cela s’ajoute désormais
l’apprentissage de représentations, de métriques pour la comparaison et la recherche d’images.
La vision est un domaine phare pour les méthodes d'apprentissage. A titre d'illustration, les trois
exemples remarquables cités dans le livre blanc sur l'IA publié en 2016 par l'INRIA sont dans ce domaine. Cette réussite repose à la fois sur des avancées en termes de modélisation des représentations
de l’information visuelle, sur des méthodes d’apprentissage statistiques exploitant des données massives annotées, et enfin sur des calculateurs très puissants adaptés aux types de calcul nécessaires
(GPU).
Tout comme le TAL et l’Audio, la Vision est fortement impactée par l’apprentissage profond (deep
learning). Les approches de modélisation reposant sur des architectures neuronales profondes, en particulier les réseaux de neurones convolutionnels sont aujourd’hui les approches dominantes. Bien que
s'appuyant sur des principes introduits il y a une trentaine d’années, en lien avec des résultats de travaux en neurobiologie sur la vision animale, il y a eu des avancées récentes sur la compréhension des
structures de ces réseaux et de leur apprentissage.
Si ces méthodes, en particulier par apprentissage profond, ont beaucoup de succès dans les compétitions de reconnaissance visuelle, plusieurs thèmes de recherche actuels constituent des défis importants :
• Segmentation sémantique et détection à large échelle
• Vision et Langage (du mot clé à la narration)
• Modélisation des architectures de vision (invariance, structure, compression)
• Composition (contextualisation des détections, apprentissage séquentiel)
• Apprentissage (très) faiblement supervisé, avec des données bruitées, avec des données synthétiques