Biomimétisme et informatique

.

Est-ce que cela permettra d'avoir la meilleure réponse dans un autre labyrinthe ?

Je n'y connais rien à l'info. Mais j'aime bien le sujet que tu lances.

Un truc me chiffonne avec l'image de sélection naturelle et de croisement et mutation génétique. Même si j'aime bien le petit labyrinthe, là n'est pas le problème.

Le hasard crée de la nouveauté. Cette nouveauté s'inscrit dans un environnement. Une certaine adéquation entre celle-ci et celui-là peut conduire au maintient de celle-ci. Sinon, on peut s'attendre à l'élimination de celle-ci.

NB : l'environnement lui-même change en fonction de ce qui s'y inscrit.

L'histoire se poursuit.

Cette petite histoire sans fin me semble valide pour différents phénomènes : évolution des lignées phylogénétiques, ontogenèse, réseau neuronaux,...

Qu'il y ait croisement et/ou mutation ou pas, c'est un peu égal. Cela ne relève que de mécanismes propres à des lignées phylogénétiques (la nôtre, par exemple). Le croisement (que j'imagine pensé ci-dessus avec méiose et crossing-over) contribue à la création de nouveauté au hasard. Mais cela n'est qu'une forme d'expression ou mécanisme de "variation au hasard".

Le parallèle avec les réseaux de neurones s'arrête à cette variation au hasard, non?

Les réseaux de neurones, c'est un peu de la variation au hasard (avec sélection et co-modifications de l'environnement et de "ce qui l'habite"), et aussi un peu d'autre chose (au bout d'un moment). Il s'agit d'essais et erreurs, avec maintien des essais au résultat considéré comme fructueux et élimination des autres. Mais jusqu'à quand les essais ne sont-ils "que hasardeux" ? Cette question m'interpelle.

La question risque de faire tomber dans des débats autour du déterminisme, comme il y en a eu récemment sur le forum. Et probablement bien avant, parce que ça doit être un vrai un serpent de mer, ce débat.

Je termine en soulignant que l'environnement (le labyrinthe) n'est ici pas affecté par ce qui s'y passe. C'est à la fois très bien pour voir un aspect d'un processus d'apprentissage et un peu dommage parce que ça ne rend pas compte de l'entier du processus.

En fait, avant de vraiment terminer, je veux préciser que la théorie de Darwin a été un peu déformée par l'accent mis sur l'idée de sélection, au détriment de l'idée, première et fondamentale, de génération au hasard de nouveauté.

Tout ça fait réfléchir. Merci.

siamois93 a écrit:Est-ce que cela permettra d'avoir la meilleure réponse dans un autre labyrinthe ?

Yes, l'algorithme génétique est globalement utilisé dès lors où il faut sélectionner la solution la plus efficiente parmi des milliers de solutions.

Topsy Turvy a écrit:

Le parallèle avec les réseaux de neurones s'arrête à cette variation au hasard, non?

En fait, avant de vraiment terminer, je veux préciser que la théorie de Darwin a été un peu déformée par l'accent mis sur l'idée de sélection, au détriment de l'idée, première et fondamentale, de génération au hasard de nouveauté.

Désolé si je n'ai pas été très clair, le code en exemple mettait en démonstration un algorithme génétique et non un réseau de neurones.
Mais oui, la "génération de nouveauté" est aussi importante que la sélection, ce sont les deux mécaniques clés de la sélection naturelle. Après étant donné le nom, qu'on y retrouve "sélection", j'imagine que ça met plus la lumière sur cette partie que l'autre.

Je ne tilte que maintenant que ça ne risquait pas d'être un réseau de neurones, puisque ça n'en a pas du tout la structure et les principes. J'ai juste, en écrivant ça ?

Oui, il y a un problème lié au nom qui a été popularisé. Je vais réfléchir à un meilleur nom. (Ben quoi, qui n'essaie rien n'a rien, paraît-il.)

Tu tapes aussi dans les réseaux de neurones, du coup ?

En fait les points importants sont «deux solutions les plus efficientes» : Pourquoi deux, et comment tu décides des plus efficientes ? Une solution efficiente dans certains cas sera peut-être très mauvaise dans d'autres. Utilises-tu donc des approches liées aux statistiques ?
Une question soulevée ailleurs c'est : n'est-il pas préférable d'avoir une théorie qui permet d'extrapoler ?

Je définie ce qui est plus efficient par rapport à mon problème de départ, l'approche à ce niveau n'est pas figée, ici pour simplifier j'ai pris l'abscisse la plus proche de la ligne d'arrivée. C'est juste pour démontrer que le principe d'algo génétique fonctionne, ce qui visuellement se vérifie facilement dans ma démo.

Et sinon rien à voir avec de l'extrapolation, on pourrait comparer cette solution à une sorte de brut-forcing, si tu vois de quoi je parle.

Topsy Turvy a écrit:Je ne tilte que maintenant que ça ne risquait pas d'être un réseau de neurones, puisque ça n'en a pas du tout la structure et les principes. J'ai juste, en écrivant ça ?

Oui, il y a un problème lié au nom qui a été popularisé. Je vais réfléchir à un meilleur nom. (Ben quoi, qui n'essaie rien n'a rien, paraît-il.)

Tu tapes aussi dans les réseaux de neurones, du coup ?

J'avais pas vu ta réponse !

Effectivement tu as juste

Yep je peux vous montrer à l'occasion un bout de code de perceptron qui est la forme la plus basique de réseau de neurones, après j'utilise des techniques plus complexes pour de vraies problématiques (traitement du langage naturel, classification...).

Bonjour,
Ce sujet m’intéresse, mais il me manque le début : je ne vois pas ce que tu as partagé en intro.
J'ai assisté à une conf, il y a peu (avant le confinement) donnée par l'IRIT et du coup n'y a t-il pas une différence entre "biomimétisme" et "bio inspiré" ? Et le deuxième ne convient-il pas mieux ?

J'espère qu'en lançant ce sujet tu avais vocation à te livrer aussi à des exercices de pédagogie pour les nuls... Et j'aimerai commencer par la base : à savoir en IA, qu'y a t-il dans un neurone ? Comment le définit on ? Et ensuite comment se résume la chaine : une information, traitement par le neurone, résultat d'analyse ?