MIT : des machines apprennent la langue comme le font les enfants

Les chercheurs du Massachussets Institute of Technology ont conçu un analyseur syntaxique pour enseigner la langue aux machines. Cet analyseur imite la manière dont les enfants apprennent la langue, notamment en observant l’environnement et en établissant des liens.

Concrètement, la machine étudie la langue à travers des vidéos sous-titrées et en associant des mots à des objets ou à des actions.

Le co-auteur et chercheur au CSAIL, Andrei Barbu, a expliqué ce processus d’apprentissage : « Nous ne donnons pas au système le sens de la phrase. Nous disons : « Il y a une phrase et une vidéo. » Par conséquent, le rôle de l’analyseur est de comprendre le lien entre la phrase et la vidéo et d’en tirer la signification. »

Grâce à cette méthode, le scientifique affirme que l’analyseur est capable de trouver avec précision la signification d’une phrase, même sans support visuel. Les chercheurs ont décrit cet analyseur dans un document présenté à une récente conférence sur les méthodes empiriques du traitement du langage naturel.

Aider les robots à s’adapter à tous les clients

Selon Barbu, un chercheur au McGoven Institute’s Center for Brains, Minds and Machines (CBMM) du MIT, « Les gens se parlent en phrases partielles, en pensées dérangeantes et en langage confus. »

En conséquence, une machine dotée d’un analyseur syntaxique du MIT pourra toujours évoluer et s’adapter à son environnement.

L’expert explique que les clients veulent un robot qui puisse comprendre leur façon de parler, même si leur langage n’est pas forcément clair ou grammaticalement correct. Cet analyseur syntaxique permet justement à une machine de toujours comprendre la signification d’une parole.

Quel rapport avec l’apprentissage de la langue par les enfants ?

Le co-auteur de cette recherche, Boris Katz, principal chercheur et chef du groupe CSAIL InfoLab explique qu’ « Un enfant a accès à des informations redondantes et complémentaires de différentes modalités, notamment des parents et des frères et sœurs parlant du monde ainsi que des informations tactiles et des informations visuelles qui l’aident à comprendre le monde. »

Le scientifique ajoute : « C’est un casse-tête incroyable de traiter toutes ces entrées sensorielles simultanées. Ce travail fait partie d’un plus gros morceau pour comprendre comment ce genre d’apprentissage se produit dans le monde. »

Les chercheurs ne veulent pas arrêter l’apprentissage des machines sur les observations passives. Ils comptent bientôt s’intéresser à la modélisation des interactions.