La génération des données à grande échelle constitue une source immense d’informations utilisée à plusieurs effets. De nombreux concepts nouveaux tels que l’apprentissage automatique tire leur source de ces données en bâtissant leur intelligence sur celles-ci.Étant convaincus des avantages réels et probables de l’apprentissage automatique, les scientifiques du MIT ont voulu étendre le champ d’application de cette discipline en s’appuyant sur les acquis déjà éprouvés dans le domaine.
Concrètement, les chercheurs se sont inspirés des techniques d’apprentissage automatique déjà fonctionnels afin de les utiliser dans d’autres champs d’application. C’est ainsi que Picture a été développé. Ce programme permet de concevoir par déduction des modèles 3D de visages humains à partir de représentations 2D de ces mêmes images.
Le code du programme décrit les principales caractéristiques du visage telles que les yeux qui doivent être symétriquement alignés avec deux objets centrés en dessous d’eux pour faire référence au nez et à la bouche. Ensuite, l’ordinateur est renseigné avec plusieurs images faciales 2D et leurs correspondants en 3D. Après cette étape, l’ordinateur peut maintenant concevoir des modèles 3D de visages en s’appuyant sur le code Picture et les premières correspondances des images 2D et 3D perçues.
Le but recherché avec ce type de programme est de faciliter la conception des applications. En effet, la particularité avec cette expérience est que le code écrit est très réduit. À l’opposé, atteindre les mêmes performances avec des programmes traditionnels nécessiterait des milliers de lignes de code. En plus, dans le cas des langages traditionnels, les résultats seraient déterminés d’avance suivant les algorithmes conçus.
Or, il s’avère que dans ce cas de figure, le logiciel détermine seul les images 3D à générer. C’est en fait une déduction faite suivant la somme des images enregistrées par l’apprentissage automatique. Cela sous-entend que les modèles 3D générés peuvent évoluer dans la mesure où les paramètres (les données) servant de base d’apprentissage évoluent également.
Ce genre de déduction est en fait ce que les langages de programmation probabiliste sont conçus pour réaliser. Selon les résultats issus des expériences réalisés, le taux d’erreur de ce programme seraient 30 % à 50 % moins que les programmes antérieurs. De même, ce programme s'avère tellement performant que Jianxiong Xiao, un professeur assistant en informatique à l’Université de Princeton ne craint pas d’affirmer que « Picture fournit un Framework général qui vise à résoudre presque toutes les taches dans le domaine de la vision associée à l’ordinateur ».
Dans les mois à venir, plus précisément en juin prochain, les chercheurs de l’Université du MIT comptent faire une démonstration des programmes probabilistes afin de montrer que sur certaines taches standards de la vision associée à l’ordinateur, des programmes de moins cinquante lignes de code peuvent rivaliser avec des systèmes composés de milliers de lignes de code.
Source : MIT News
Et vous ?
Que pensez-vous de ces programmes ? 
