L’apprentissage par essaim, ou « swarm learning » en anglais, est un concept innovant dans le domaine de l’intelligence artificielle et de l’apprentissage automatique. Un article dans Nature du 26 mai 2021 (https://www.nature.com/articles/s41586-021-03583-3), a relancé l’intérêt de la communauté scientifique.
De quoi s’agit-il ?
Le swarm Learning combine l’informatique en périphérie avec les réseaux pair-à-pair basés sur la blockchain pour permettre un apprentissage automatique décentralisé.
Elle vise à améliorer la classification des maladies tout en préservant la confidentialité des données cliniques. Les auteurs ont démontré l’efficacité de cette approche en utilisant 16 400 analyses sanguines pour l’ARN messager et 95 000 radiographies thoraciques pour identifier des conditions telles que la leucémie, la COVID-19 et la tuberculose.
Les résultats montrent que l’apprentissage par essaim surpasse les méthodes traditionnelles, tout en respectant les régulations de la confidentialité médicale.
L’origine de l’apprentissage par essaim s’inspire l’éthologie avec les pratiques d’intelligence collective observée dans la nature, notamment chez les insectes sociaux comme les abeilles ou les fourmis.
Jean-Louis Deneubourg le prend comme modèle dans le domaine de l’auto-organisation (Information processing in social insects, 1999), ce qui est particulièrement intéressant pour les nouveaux paradigmes de la formation.
Le concept d’essaimage repose sur plusieurs principes clé :
Contrairement aux systèmes d’IA centralisés, l’apprentissage par essaim n’a pas de nœud central de contrôle. Il s’agit d’un modèle d’horizontalisation de l’apprentissage.
Chaque entité (robot ou agent) dans l’essaim possède une certaine autonomie dans ses décisions et actions.
Les entités partagent leurs informations et apprentissages avec les autres membres de l’essaim.
Le système dans son ensemble peut s’adapter rapidement aux changements de l’environnement. Cette capacité de régulation de l’apprentissage de l’essaim est ce qui fait pour Yuval Noah Harari (Nexus, 2024) le cœur du développement de l’espère humaine.
Il est relativement plus simple de passer d’un petit groupe à un grand nombre d’entités tout en gardant la prise en compte du particulier.
Ce système décentraliser le rend plus résistant aux pannes individuelles.
Chaque entité peut se spécialiser dans une tâche spécifique, permettant une division efficace du travail.
L’apprenant devient un essaimeur et un essaimé.
Malgré son potentiel, l’apprentissage par essaim fait face à un défi majeur à résoudre : organiser une coordination efficace entre les entités. Et c’est la pairagogie qui s’invite dans l’apprentissage machine.
Pour l’IA, l’apprentissage par essaim présente trois avantages.
Outre son efficacité, l’apprentissage décentralisé permet de s’adapter mieux à des environnements mouvants, marier la veille et la massification. C’est une alternative au deep learning classique avec des performances parfois comparables (https://dataanalyticspost.com/apprentissage-automatique-evolutionnaire/). L’apprentissage par essaim est une approche prometteuse pour l’IA.
Et IoT permet de devenir un collecteur d’information autonome. Chaque robot avec une tâche spécifique comme par exemple détecter les pannes, sort de son domaine forcément limité pour travailler en essaim et former l’ensemble des autres robots. La force du groupe.
Enfin, si l’on croit que le social construit la tech et le machine learning, comme l’essai-erreur a peut servir de base à l’apprentissage de l’IA à ses débuts. Le social porte en germe la pairagogie, il ne serait pas étonnant que le machine learning s’adapte à la sociologie du moment.
La pairagogie humaine génère de la pairagogie machine.
Le modèle d’apprentissage par essaim est intéressant parce qu’il est simple à mettre en œuvre. Il suffit d’une dizaine de robots pour que l’on puisse industrialiser les apprentissages, autrement dit le passage à l’échelle, la scalabilité est facile à mettre en œuvre.
Comme l’a montré Benajamin Coriat dans l’Atelier et le robot (1990), ce n’est pourtant pas toujours la facilité qui est choisi, mais le paradigme dominant, là encore, il s’agit du social qui choisit les trajectoires technologiques qui feront le demain.
Fait Paris, le 20 février 2025
@StephaneDIEB pour vos commentaires sur X
