IA : une approche plus efficace pour déterminer si une intervention humaine s’impose
Une équipe de recherche de l’Université McGill a mis au point une méthode réduisant la consommation d’énergie nécessaire à la conception de systèmes d’intelligence artificielle (IA) capables de mieux évaluer leur propre degré d’incertitude et de le communiquer. Selon l’équipe, cette avancée permettra aux utilisatrices et utilisateurs de déterminer si une intervention humaine est nécessaire, si des données supplémentaires doivent être recueillies et si un modèle est utilisé au-delà des conditions pour lesquelles il a été entraîné.
« Les systèmes d’IA jouent désormais un rôle de premier plan dans notre quotidien, du diagnostic médical à la modération de contenu, en passant par la conduite autonome et les agents d’IA qui agissent en notre nom », affirme Mame Diarra Touré, doctorante au Département de mathématiques et de statistique et auteure principale de l’étude. « Plus les systèmes d’IA se voient confier de responsabilités, plus ils doivent être dignes de confiance. Ils doivent être capables de reconnaître leurs incertitudes, plutôt que de répondre avec assurance lorsqu’ils risquent de se tromper. »
Les travaux ont été dirigés par David A. Stephens, professeur au Département de mathématiques et de statistique.
Des estimations plus fiables
Les réseaux neuronaux classiques apprennent à repérer des tendances dans les données et à faire des prédictions, mais ne fournissent généralement qu’une seule réponse, sans indiquer clairement leur degré de confiance à l’égard de celle-ci. Les réseaux neuronaux bayésiens pallient cette limite en représentant leurs paramètres internes sous forme de probabilités plutôt que de valeurs fixes. Ils peuvent ainsi estimer leur degré d’incertitude, en particulier lorsqu’ils analysent des données inédites. Toutefois, cette capacité exige souvent d’importantes ressources de calcul et de mémoire, ce qui rend son application difficile dans les grands systèmes d’IA actuels.
Les chercheuses et chercheurs ont réussi à rendre les réseaux neuronaux bayésiens beaucoup moins énergivores, sans compromettre la qualité de leurs prédictions. Dans l’un des essais qu’ils ont réalisés, leur approche a nécessité le recours à environ 33 fois moins de paramètres qu’une méthode couramment utilisée pour l’estimation du degré d’incertitude des systèmes d’IA.
« Ces résultats semblent indiquer qu’il est possible de rendre l’IA fiable et consciente de mesurer son incertitude, même dans les systèmes complexes et de grande envergure utilisés aujourd’hui », indique Mame Diarra Touré.
Les chercheuses et chercheurs s’emploient maintenant à automatiser le processus servant à déterminer quelles composantes d’un réseau neuronal sont les plus importantes pour une tâche donnée. Selon eux, cette avancée permettrait d’améliorer l’efficacité de leur approche pour une plus grande variété de données et de systèmes d’IA.
L’étude
L’article « Singular Bayesian Neural Networks », par Mame Diarra Touré et David A. Stephens, a été présenté lors de la 43e Conférence internationale sur l’apprentissage automatique (ICML 2026).
N. B. : Les pratiques de publication en apprentissage automatique diffèrent de celles de nombreux autres domaines scientifiques. Dans ce domaine, les conférences à comité de lecture les plus prestigieuses tiennent souvent lieu de publication scientifique de référence, plutôt que de prélude à un article de revue.
Les articles soumis à l’ICML sont examinés selon un processus d’évaluation par les pairs en double aveugle. Les articles retenus sont ensuite publiés dans Proceedings of Machine Learning Research.
