Les systèmes d'intelligence artificielle modernes reposent sur la multiplication des données d'entrée par des poids appris, exécutant des milliards d'opérations pour générer des réponses ou des recommandations. Lizy K. John, professeure de génie électrique et informatique à l'Université du Texas à Austin, estime que cette approche exige plus d'efforts que nécessaire pour résoudre les tâches.
Au cours des cinq dernières années, le professeur John a travaillé au développement d'une classe de modèles connus sous le nom de réseaux de neurones sans poids. Ce travail vise à revoir le principe fondamental de fonctionnement des réseaux de neurones afin d'éliminer la redondance supposée des processus de calcul.
L'initiative du chercheur remet en question la norme actuelle de l'industrie, où l'ampleur des opérations de multiplication est considérée comme inévitable. L'approche alternative proposée est théoriquement capable de simplifier l'architecture des modèles, bien que les détails de mise en œuvre et l'efficacité comparative restent encore à l'étude.
commentaire éditorial
Pourquoi c’est important
Dans un avenir proche, il faut s'attendre à la publication de détails techniques ou à la démonstration de prototypes confirmant la faisabilité de la méthode. La principale incertitude réside dans la capacité de tels réseaux à résoudre des tâches complexes avec une précision comparable aux architectures traditionnelles. La mise en œuvre de l'idée nécessitera du temps pour vérifier les hypothèses dans des conditions réelles.