Le machine learning ne peut pas traiter les données de séries temporelles à long terme.

Pour être plus précis, les systèmes de ML actuels ne peuvent pas inférer une structure fractale à partir de données de séries temporelles.

La conduite autonome, AlphaStar (l’IA de StarCraft II) ou les RNN ne traitent donc pas des données de séries temporelles ? => C’est exact.

• Conduite autonome

La conduite autonome utilise un hybride de ML et de programmation procédurale.

Le ML prend en charge des éléments de bas niveau comme la détection des piétons, tandis que la programmation procédurale (non statistique) gère des éléments comme la navigation. L’auteur l’explique à partir du rapport sur la Self-Crashing car d’Uber.

• AlphaStar

À un niveau un peu plus complexe qu’Uber, il utilise deux réseaux neuronaux. L’un prédit le taux de victoire, l’autre détermine quel mouvement effectuer. À eux deux, ils transforment un problème de séries temporelles en deux problèmes distincts sans état.

Sans handicap d’APM, AlphaStar gagnerait évidemment, mais même avec ce handicap, AlphaStar l’emporte sur le plan tactique, tandis que les joueurs de haut niveau gardent l’avantage dans la compréhension stratégique, ce qui permet à l’humain de gagner. À moins de disposer d’une puissance de calcul infinie, on finit par se heurter à un mur dans les calculs stratégiques complexes. Le cerveau humain n’est pas limité de cette manière.

La première loi de l’intelligence artificielle selon l’auteur

« Un algorithme qui n’est pas composé de fractales finit par se heurter à un mur computationnel, et l’inverse est également vrai. »

Dans la conclusion, il évoque les Feed Forward Neural Network (FFNN) et les Connectome-Specific Harmonic Waves (CSHW) pour construire des réseaux neuronaux selon une approche fractale.