J’ai découvert le blog post du même titre à brainz, via un tweet de Vitorino Ramos (@ViRAms, avec qui je viens de connecter sur Twitter et dont je découvre le blog.
Bien entendu je dédie mon blogpost à Jean Staune et son conseiller, mangeur de généticiens à son breakfast, Pierre Perrier (délégué général de l’académie des technologies quand même, ce n’est pas rien !). Dans The Book il est dit que les algorithmes génétiques n’ont jamais rien produit. C’est bien sûr une opinion basée sur une crasse ignorance du domaine et il est bon de le rappeler à l’occasion.
Des 15 exemples donnés je ne suis familier que de deux (7 & 12), il y en a que je trouve un peu tirés par les cheveux pour l’instant (4 & 15) et il y en a un qui m’a beaucoup amusé : 6. Joke and Pun Generation.
Dès que les journées passent à 28 h je me penche sur l’Artificial Creativity, promis.
Les AG (GA en anglais) sont utilisés couramment en ingénierie et dans tous les domaines de l’IA (AI en anglais).
1) Il y’a des cas où la supériorité est frappante. Je me souviens avoir vu des choses impressionnantes sur la marche de robots-araignées et où une cinquantaine d’ingénieurs travaillant dessus pendant quinze ans avec quelque autre méthode n’auraient pu obtenir que des résultats bien inférieurs.
2) Les AG font partie de ce qu’on appelle des méthodes “boîte noire” car, même avec un énorme effort de “reverse engineering” aposteriori, on n’est pas sûr d’arriver à retrouver une équivalence logique et/ou une analyse-synthèse/interprétation physique pertinente/satisfaisante au fonctionnement des AG “vainqueurs” (genre : dans telle situation, cela revient à faire ceci puisque cela, donc c’est plus adapté qu’en faisant …). Certains chercheurs répugnent à ces solutions de “fainéant”. Un problème est aussi le fait qu’il est parfois difficile de maîtriser la robustesse de certaines solutions. Pour des problèmes “simples”, il vaut mieux utiliser des techniques de modélisation plus classiques, qui sont mieux maîtrisées et qui permettent souvent une meilleure prédiction du comportement. Le problème étant à partir de quelle limite de complexité, on bascule …
3) Souvent, il n’y a pas unicité des solutions “sous-optimales” (c’est d’autant plus intéressant).
4) Pour des applications bien précises, il y’a un gros travail pour bien formaliser les règles de reproduction et de sélection, l’”environnement” et les contraintes, les taux de mutation, etc. de manière à obtenir un résultat satisfaisant rapidement. Une partie de l’information est donc contenue dans tout ça. Mais, pour des problématiques plus générales de l’IA, l’essentiel est probablement attendu dans l’observation de l’imprévu car on ne sait pas formaliser proprement ce qu’on cherche !
5) Dans de nombreux domaines, les écoles de pensée s’affrontent souvent malhonnêtement, c’est à dire en essayant de se démolir l’une l’autre (en frappant fort où ça fait mal) sans chercher à vérifier s’il y a quelque chose à tirer ailleurs et en cherchant au contraire à asseoir à tout prix la domination de son école, en “croyant” que cette école sera au final de l’évolution des affrontements la bonne et la seule bonne ! La recherche, ce n’est pas toujours très très beau … Dans mon domaine, les chercheurs utilisent plutôt de l’”EDP/Variationnel”, des “Champs de Markov, Processus Stochastiques et cie”, “Ondelettes, Multi-échelle et cie”, “Morpho Maths”, “Réseaux de Neurones”, “AG”, et bien d’autres encore suivant leur maîtrise/préférence pour tel ou tel outil ou telle ou telle modélisation. Souvent les résultats sont voisins (et sauf cas particuliers, souvent non satisfaisants) mais cela n’empêche pas de se moquer des autres. Récemment, on m’a dit que tel collègue faisait n’impote quoi puisque tel ponte avait dit que les AG ne servaient à rien, tiens ça rappelle quelque chose …
6) Dans les années 60, les réseaux de neurones ont bloqué sur le problème de la séparation linéaire. Ils sont “morts” pendant un moment, et surprise, dans les années 80 si je me souviens bien (flemme d’aller vérifier dans mes cours), les réseaux multi-couches, avec l’algo “aller-retour”, ont débloqué un paquet de problèmes. Alors, enterrer définitivement une branche de recherche, c’est un peu prétentieux !
7) Il y’a aussi des trucs sympas au niveau “art”.
Je ne sais pas si tu as lu The Book de Staune (ou ne me rappelle pas, ce qui reviens au même), il y va pas de main morte et je me suis pas mal marré avec l’affichage de son conseiller
J’ai utilisé des GA pour l’analyse des données des µ-arrays et j’aime beaucoup leur travail. Suis en train d’essayer de les adapter à l’analyse d’un problème quasi-évolutionnaire, c’est du DIYbioinformatics, marche très mal pour l’instant. Mais il s’améliore. Seul ! Le pied.
Je ne savais pas que le RN étaient morts à un moment donné. Je les ai toujours connu vivants.
Oui mais avant ils ne pouvaient résoudre que des problèmes linéairement séparables, alors qu’après ils n’avaient plus de limitations, si ce n’est qu’il reste encore beaucoup d’inconnues sur leur optimisation.
Oh, une crise d’adolescence en quelque sorte
D’autant plus, qu’outre l’aspect multi-couches, le blocage a été levé par la mise au point assez géniale d’un algorithme d’apprentissage universel (mais non nécessairement optimal). C’est donc bien lié à l’éducation …