Une nouvelle étude menée par des chercheurs du MIT et de l'université de Washington révèle un modèle d'IA capable de prédire avec précision les actions futures d'une personne ou d'une machine.L'IA est connue sous le nom de modèle de budget à inférence latente (L-IBM). Les auteurs de l'étude affirment que le L-IBM est meilleur que d'autres frameworks proposés précédemment et capables de modéliser la prise de décision humaine.
Les chercheurs du MIT ont étudié le problème de la modélisation d'une population d'agents poursuivant des objectifs inconnus et soumis à des contraintes de calcul inconnues. Dans les modèles standard de rationalité limitée, la prise de décision sous-optimale est simulée en ajoutant un bruit homoscédastique aux décisions optimales plutôt qu'en simulant explicitement l'inférence sous contrainte. Dans leur travail, les auteurs introduisent un modèle de budget à inférence latente (L-IBM) qui modélise explicitement les contraintes de calcul des agents, par le biais d'une variable latente (déduite conjointement avec un modèle des objectifs des agents) qui contrôle le temps d'exécution d'un algorithme d'inférence itératif.
Les L-IBM permettent d'apprendre des modèles d'agents en utilisant des données provenant de diverses populations d'acteurs sous-optimaux. Dans trois tâches de modélisation - inférer des objectifs de navigation à partir d'itinéraires, inférer des intentions de communication à partir d'énoncés humains et prédire les prochains mouvements dans des jeux d'échecs humains - les auteurs ont montré que les L-IBM égalent ou surpassent les modèles de Boltzmann pour la prise de décision en situation d'incertitude. Les budgets d'inférence déduits sont eux-mêmes significatifs, efficaces à calculer et corrélés avec des mesures de la compétence du joueur, de la compétence du partenaire et de la difficulté de la tâche.
Les auteurs ont décrit dans leur étude des modèles de budget à inférence latente, une famille d'approches pour la modélisation d'agents agissant pour atteindre des objectifs inconnus soumis à des contraintes inconnues sur leurs capacités d'inférence. Au lieu de supposer une optimalité globale de la prise de décision ou une sous-optimalité uniforme, leur approche déduit explicitement le temps d'exécution que les agents consacrent à l'inférence approximative. Ce paradigme est applicable à tous les algorithmes d'inférence à tout moment. Dans trois domaines - la navigation dans les labyrinthes, la compréhension pragmatique du langage et le jeu d'échecs - les chercheurs ont démontré que ce paradigme peut surpasser les modèles classiques de rationalité limitée tout en imputant des mesures significatives de la compétence humaine et de la difficulté de la tâche.
Source : "Modeling boundedly rational agents with latent inference budgets" (étude du MIT)
Et vous ?
Quel est votre avis sur le sujet ? Trouvez-vous les résultats de cette étude du MIT crédibles ou pertinents ? Selon vous, quelles pourraient-être les implications futures de cette approche développée par les chercheurs du MIT ?Voir aussi :
L'IA peut prédire les convictions politiques à partir de visages sans expression, posant des problèmes de protection de la vie privée, car la reconnaissance faciale peut fonctionner sans le consentement Un nouveau modèle d'IA peut prédire la durée de vie humaine, selon des chercheurs, ils veulent s'assurer qu'il est utilisé à bon escient