Former les machines au multitâche
L'apprentissage automatique est l'étude des programmes informatiques qui permettent à des ordinateurs (ou à des machines) d'apprendre à faire certaines choses et d'améliorer leurs performances. Cette approche d'intelligence artificielle est largement utilisée pour classer les enregistrements de données en catégories ou étiquettes. Toutefois, dans de nombreuses tâches, certaines décisions de classification sont interdépendantes et doivent être prises simultanément. Ces tâches complexes sont appelées prévisions structurées. La méthode actuelle de gestion de ces tâches présente des problèmes, notamment par la propagation des erreurs. L'objectif du projet Jointstructuredpred financé par l'UE était de s'affranchir de ces limitations. Le projet a proposé une méthode de gestion des tâches complexes impliquant la formation simultanée des tâches secondaires à l'aide de techniques d'apprentissage multitâche. Pour comparer cette nouvelle approche avec la méthode actuelle, un logiciel a été mis au point pour les deux méthodes de prévision structurée. Une évaluation des deux méthodes à l'aide de problèmes classiques de bioinformatique a révélé que la nouvelle méthode était plus performante, car elle améliorait considérablement l'exactitude des prévisions. Une comparaison à l'aide d'applications classiques de traitement du langage naturel a abouti aux mêmes différences, bien que moins prononcées. Le traitement du langage naturel est une approche informatisée du traitement du langage humain au niveau de son sens, tandis que la bioinformatique combine l'informatique et la biologie moléculaire. Les résultats du projet montrent que l'approche proposée peut servir à améliorer les performances de nombreuses prévisions dans un vaste éventail de disciplines, notamment en biologie, médecine, linguistique et traitement des signaux.