IdentifiantMot de passe
Loading...
Mot de passe oublié ?Je m'inscris ! (gratuit)

Vous êtes nouveau sur Developpez.com ? Créez votre compte ou connectez-vous afin de pouvoir participer !

Vous devez avoir un compte Developpez.com et être connecté pour pouvoir participer aux discussions.

Vous n'avez pas encore de compte Developpez.com ? Créez-en un en quelques instants, c'est entièrement gratuit !

Si vous disposez déjà d'un compte et qu'il est bien activé, connectez-vous à l'aide du formulaire ci-dessous.

Identifiez-vous
Identifiant
Mot de passe
Mot de passe oublié ?
Créer un compte

L'inscription est gratuite et ne vous prendra que quelques instants !

Je m'inscris !

DeepMind, le laboratoire d'IA d'Alphabet, teste les limites des grands systèmes linguistiques de l'IA,
Avec un modèle à 280 milliards de paramètres

Le , par Bruno

63PARTAGES

6  0 
Dans un document de recherche publié le 8 décembre, Laura Weidinger, Geoffrey Irving et Jack Rae trois chercheurs en service chez DeepMind, le laboratoire d'IA d'Alphabet, ont revelé que le laboratoire d'IA d'Alphabet teste les limites des grands systèmes linguistiques de l'IA avec un modèle à 280 milliards de paramètres. La conclusion de l'entreprise est que la mise à l'échelle de ces systèmes devrait apporter de nombreuses améliorations. « L'une des principales conclusions de l'article est que les progrès et les capacités des grands modèles de langage continuent d'augmenter. Ce n'est pas un domaine qui a atteint un plateau », a déclaré Jack Rae.

DeepMind est une entreprise spécialisée dans l'intelligence artificielle appartenant à Google. L'entreprise est remarquée notamment pour son programme de jeu de Go AlphaGo, et son logiciel AlphaFold, qui permet de prédire la structure des protéines à partir de leurs séquences en acides aminés. L’entreprise qui intègre régulièrement ses travaux dans les produits Google, a sondé les capacités de ces « grands modèles de langage » (ou LLM) en construisant un modèle de langage de 280 milliards de paramètres appelé Gopher. Les paramètres sont une mesure rapide de la taille et de la complexité d'un modèle de langage, ce qui signifie que Gopher est plus grand que le GPT-3 d'OpenAI (175 milliards de paramètres) mais pas aussi grand que certains systèmes plus expérimentaux, comme le modèle Megatron de Microsoft et Nvidia (530 milliards de paramètres).

S'exprimant au sujet de gopher, Jack Rae déclare : « je pense qu'à l'heure actuelle, le modèle peut échouer de différentes manières. Pour cette catégorie de problèmes, les performances s'amélioreront avec davantage de données et d'échelle. » Mais, a-t-il ajouté, il existe « d'autres catégories de problèmes, comme le modèle qui perpétue des préjugés et stéréotypes ou le modèle qui est incité à dire des faussetés. Dans ces cas, les modèles de langage auront besoin de routines d'entraînement supplémentaires, comme les retours d'utilisateurs humains ».

Pour parvenir à ces conclusions, les chercheurs de DeepMind ont évalué une série de modèles linguistiques de différentes tailles sur 152 tâches linguistiques ou points de référence. Ils ont constaté que les modèles de plus grande taille donnaient généralement de meilleurs résultats, Gopher lui-même offrant des performances de pointe sur environ 80 % des tests sélectionnés par les scientifiques.

Gopher : un modèle de langage de 280 milliards de paramètres

Dans le but d'explorer les modèles de langage et d'en développer de nouveaux, DeepMind a entraîné une série de modèles de langage de différentes tailles, allant de 44 millions de paramètres à 280 milliards de paramètres.

Les recherches ont porté sur les forces et les faiblesses de ces modèles de tailles différentes, mettant en évidence les domaines dans lesquels l'augmentation de l'échelle d'un modèle continue d'améliorer les performances, par exemple, dans des domaines tels que la compréhension de la lecture, la vérification des faits et l'identification du langage. Les domaines où l'échelle du modèle n'améliore pas significativement les résultats ont également été mis en évidence, par exemple, dans le raisonnement logique et les tâches de bon sens.


Au cours des recherches, il a été constaté que les capacités de Gopher dépassent celles des modèles de langage existants pour un certain nombre de tâches clés. Il s'agit notamment du test de référence MMLU (Massive Multitask Language Understanding), où Gopher se rapproche considérablement des performances des experts humains par rapport aux travaux antérieurs. Outre l'évaluation quantitative de Gopher, l’équipe des chercheurs a également exploré le modèle par interaction directe. L'une de nos principales conclusions est que, lorsque Gopher est orienté vers une interaction de dialogue (comme dans un chat), le modèle peut parfois fournir une cohérence surprenante.

Risques éthiques et sociaux des grands modèles de langage

L'IA connaît un changement de paradigme avec l'apparition de modèles (par exemple, BERT, DALL-E, GPT-3) qui sont entraînés sur de larges données à l'échelle et sont adaptables à un large éventail de tâches en aval. Il est essentiel d'avoir une vue d'ensemble des différents domaines de risque : une focalisation trop étroite sur un seul risque pris isolément peut aggraver d'autres problèmes.

DeepMind a étudié le large éventail des inconvénients potentiels liés au déploiement des MLL. Il s'agit notamment de l'utilisation par les systèmes d'un langage toxique, de leur capacité à partager des informations erronées et de leur potentiel d'utilisation à des fins malveillantes, comme le partage de spam ou de propagande. Toutes ces questions deviendront de plus en plus importantes à mesure que les modèles linguistiques d'IA seront déployés à plus grande échelle en tant que chatbots et agents de vente, par exemple.

Bien que les modèles de base soient basés sur l'apprentissage profond et l'apprentissage par transfert standard, leur échelle entraîne de nouvelles capacités émergentes et leur efficacité dans un grand nombre de tâches incite à l'homogénéisation. L'homogénéisation offre un puissant levier mais exige de la prudence, car les défauts du modèle de base sont hérités par tous les modèles adaptés en aval.

Toutefois, il est bon de rappeler que les performances sur les bancs d'essai ne sont pas la panacée pour évaluer les systèmes d'apprentissage automatique. Dans un article récent, un certain nombre de chercheurs en IA (dont deux de Google) ont exploré les limites des benchmarks, en notant que ces ensembles de données auront toujours une portée limitée et ne pourront pas correspondre à la complexité du monde réel.

Source : DeepMind

Et vous ?

Quel est votre avis sur le sujet ?

Voir aussi :

Le nouveau Gouvernement allemand demande une interdiction européenne de la surveillance de masse biométrique, 83 % des Européens seraient opposés au partage des données de leur visage

La moitié des employeurs qui mettent en œuvre l'intelligence artificielle (IA) estiment que cette technologie est bénéfique pour l'entreprise
40 % des répondants ont admis leur manque d'expérience


Les scientifiques affirment que les IA super-intelligentes seront impossibles à contrôler et à contenir et leurs calculs indiquent qu'il est impossible de définir si ces IA nuiront aux humains

L'UNESCO adopte le tout premier accord mondial sur l'éthique de l'intelligence artificielle, les droits civils et la protection des données sont bien plus importants que les profits des entreprises

Une erreur dans cette actualité ? Signalez-nous-la !