Reprise du message précédent :

D'ailleurs c'est supersonique par rapport à la vitesse du son sur Mars ou sur la Terre ?

Dans mes souvenirs c'était par rapport à la Megadrive

1er mars 2020 vs 1er mars 2021
 
Résultat, les panneaux d'Insight ne produisent plus que 27% de la puissance qu'ils produisaient en mars 2020
 

 

ah ouais ils ont pas une brosse ou de l'air sec ?
 
sinon https://www.youtube.com/watch?v=ZwzHYSWBU_U c'est moi ou ça couine sur Mars/spatial ?

Curieux qu'il n'y ait pas de dispositif mécanique pour nettoyer ça .

ils misent pas sur les coups de vent régulier pour nettoyer tout ca? un coup de rain-x sur les panneaux et hop

Ils espéraient que des "dust devil" passent près de la sonde pour nettoyer les panneaux comme ce fut le cas pour les rover MER. Insight en a repéré près d'une centaine mais aucune n'est passé suffisamment près d'Insight et puisque la saison des grands vents s'est terminée récemment sur Mars, il y a peu de chance que les panneaux soient nettoyés durant les prochains mois.

L'énergie restante doit être partagée entre les instruments scientifiques, le bras robotique, la radio et divers éléments chauffants.

Suffit d'attendre la pluie

Franchement un compresseur à CO2 et zou
Fin bref on comprend le choix des RTGs pour les derniers rovers.

 
Premièrement, le temps de développement d'une mission spatiale c'est plusieurs années. Donc on ne choisit pas un processeur 1 an avant le lancement, mais dans les 4-6 ans avant. Tout doit tourner avant de partir, les patches c'est vraiment le dernier recours ou pour des intérêts de missions.
 
Vu que c'est du spatial il y a besoin d'avoir une tolérance aux radiations, donc en général processeur spécifique. Et là ça se compte sur les doigts de la main. D'une part le marché est très réduit, on lance pas des milliers de satellites par an, donc le marché doit représenter peut-être de l'ordre d'un millier de puces par an. Sur ce millier de puces il faut appliquer les coûts de R&D nécessaire au durcissement du composant : packaging, mais potentiellement des fonctionnalité type ECC intégré directement. La puce coûte très cher. ($200k donné sur wikipédia)
Du fait du coût de "base" on ne s'amuse pas à développer un SoC spécifique mais on réutilise de l'existant assez ancien ("mature" dit-on) pour plusieurs raisons :
- Connaissance approfondie de l'architecture et du design : ça évite de se retrouver avec des puces ayant un bug hardware non patchable. Ca permet aussi d'avoir des dév avec de l'expérience pour optimiser les programmes jusqu'au bout du bout
- Coûts des licences/IP extrêmement faible (à répartir sur quelques milliers de puces)
D'autre part, il y a probablement des garanties de la part des fabricants sur le fonctionnement du composant via des batteries de tests.  
Enfin les fabricants garantissent un certain nombre d'années de production (10, 20 ans pour le spatial) permettant à la recherche de ne pas travailler sur un composant obsolète une fois sorti. Actuellement avec les ARM c'est pas trop ça, y a des garanties de productions de certains fabricants mais souvent ça va être 5 ans et de toute façon ce ne sont pas des processeurs durcis.
 
L'architecture PowerPC était très répandue dans l'embarqué et les systèmes critiques (aéro), vu que l'un des premiers processeurs durci pour le spatial était un PowerPC (RAD6000), pas mal de code a été développé pour cette architecture, c'est compliqué de porter du code mature sur une nouvelle architecture.
 
Enfin ca ne sert à rien d'avoir le dernier processeur si on peut pas lui adjoindre des composants durcis aussi performants.
 
Pour Perseverance, ne pas oublier que le rover est basé sur la plateforme de Curiosity... envoyé dans l'espace en 2011.  
 
Le successeur du RAD750, sorti en 2001, le RAD5000 n'est lui sorti qu'il y a 1 an ou 2.
 
Mais globalement le peu de puissance des processeurs ne fait que mettre en perspective le manque d'optimisation des programmes utilisés sur les machines communes. Chaque MIPS du processeur est exploité au maximum, le rover ne se tourne pas les pouces. Mais l'autre point c'est aussi que comme les processeurs sont pas forcément très puissants, on ne fait pas de gros traitement de données au niveau du rover. Le but va être de réaliser les mesures, les acquisitions et de sauvegarder ces données, les compresser sans pertes et les transmettre vers la Terre le moment venu où les données seront analysées.
Même avec la génération RAD5000, on sera toujours sur ce schéma de faire l'essentiel du processing sur Terre sauf à ce qu'il y ait un gain majeur en terme de transmission de données. Mais les scientifiques préféreront toujours avoir les données brutes de fonderies plutôt que des données qui auront subit des traitements, ça permet de revenir travailler sur les données plusieurs années après avec de nouveaux algorithmes. L'augmentation de puissance permettra surtout de mettre plus d'instruments qui seront plus performants.

Un jour il faudra bien coller une ia dans un Rover pour qu'elle prenne en charge une partie du boulot sans attendre des ordres venus de la Terre, et ça ça demandera bien plus que ce qu'on a en stock actuellement pour la faire tourner (sans parler de la quantité de mémoire de travail pour la servir).
Un A/R de 30mn avec mars ça va encore, mais pour plus loin l'humain ne pourra pas tout décider.

Y'avait pas une histoire de réduire le hardening des CPU et de miser sur une archi très redondante ?

Non à court et moyen terme.
Une IA n'étant pas déterministe, par définition, ça risque pas d'être foutu sur une sonde spatiale de sitôt. Et comme je l'ai dit, les scientifiques préfèrent avec les données brutes que des données traitées, qui plus est par une IA...
C'est une question de balance entre la bande passante de transmission vers la Terre (qui s'améliore avec des composants plus précis), de consommation électrique possible et de possibilité technique ainsi que le coût.

Le moindre gramme envoyé dans l'espace coûte une fortune, y aucun intérêt à envoyer une ferme de CPU ou même GPU sur Mars si tu peux compresser suffisamment tes données pour que ça passe dans la bande passante dispo et ensuite faire tes calculs sur Terre.  

L'embarqué est complètement dévoyé depuis l'arrivée de la Raspberry Pi. Non on ne fout pas un CPU de xxGHz et puis advienne ce qu'il pourra. Les missions spatiales, notamment de recherche, tout est prévu. Les astronautes dans l'ISS ont leur 6 mois de mission prévu à l'avance quand ils sont encore sur Terre. Pour les rover c'est la même chose, sur la durée de vie initiale, le planning des mesures est déjà fait. Et même au-delà de la durée de vie initiale, vu les récentes missions, je pense qu'il y a un planning déjà en partie prévu.
Le rover est utilisé à 100%, pas 80 ou 90%, non 100%, il y a tellement de fric dépensé qu'avoir ne serait-ce qu'une minute où il ne fait rien d'utile c'est foutre des milliers de dollars en l'air, tu rentabilise ton investissement.

Donc imagine une IA qui peut prendre entre 1 minute ou 10 minutes de calculs et parfois 1h, mais on sait pas trop. C'est impossible de planifier quoique ce soit.
Comme la puissance est limitée, tu n'utilise pas les instruments tous en même temps, donc tu prévois un créneau d'utilisation en fonction des expériences et des besoins en terme d'instruments.

Les ia déterministes ça existe et ça permet justement de dispenser l'humain du fastidieux pour le recentrer sur la valeur ajoutée.

D'ailleurs y'a quoi de redondé au niveau hardware ? Y'a deux CPU ? RAM ? ROM etc... ?

 
Dispenser l'humain du fastidieux ? C'est à dire ?
A partir du moment où tu reçois les données brutes sur Terre, tu en fais ce que tu veux, tu peux appliquer toutes les IA du monde dessus sans te préoccuper du temps que ça prendra.

 
Ca n'a pas l'air d'être totalement comme l'aéronautique vu que c'est pas critique en terme de sécurité "vie humaine", donc pour le calculateur principal tu as une espèce de COM-MON aéro appelé Side-A et Side-B ici : https://www.extremetech.com/extreme [...] ing-glitch
Sauf que le Side-B est un backup un peu moins puissant que le Side-A.
 
Pour Perseverance tu as un article ici sur la conduite du rover avec un diagramme (vers la fin de l'article) : https://www.eejournal.com/article/b [...] -my-rover/
 
Mais globalement le rover n'est qu'une plateforme qui accueille des charges utiles, donc chaque équipe est responsable de ce qu'il y a dans la charge utile, une équipe peut très bien décider d'avoir une redondance minimale (une seule carte HW, juste de l'ECC et du contrôle d'intégrité) parce qu'en terme de coûts et de place ils ne peuvent pas faire autrement.
 
C'est difficile de trouver des docs détaillées sur la partie hardware et architecture.

Ah ok t'as pas du tout compris mon point.
Quand tu enverras un machin à plusieurs heures lumières de la Terre et pour y rester longtemps, il faudra bien un minimum d'autonomie locale le temps que les grandes lignes directrices venant de la Terre lui arrivent. Le micromanagement dans ces conditions est illusoire car totalement contre productif au regard des budgets engagés (ce que tu as fort bien rappelé).
Et ça n'a aucune incidence avec la tonne de données brutes que tu veux recevoir pour les mouliner comme un goret sur Terre, même si ça ne plaira pas aux astrophysiciens écologistes.

Ne parlons même pas du cas très lointain où on sera en capacité d'envoyer une sonde dans un autre système solaire, où l'on ne pourra rien faire d'autre que recevoir des données.

 
De 1998 plutôt. On parle d'une génération concurrente au pentium II. C'est la seconde génération de processeurs powerPC.
 

 
Tout dépends de ce que le "machin" est censé faire et sa mission, donc. Tu penses a quoi, pour nécessiter une autonomie particulière par IA? (et donc d'apprendre, modifier ses process, faire des erreurs et tâtonnements, tester des solutions... tout ça étant aussi très gourmand en temps et en ressources locales nécessairement limitées)

 
Je pense qu'il parlait d'une IA déjà entrainée, pas d'un truc qui découvre et apprend à faire une fois sur place
 
Non bah, ce serait pas mal par exemple pour des choix de trajectoire et le choix de la route optimum pour atteindre la cible désignée, un peu la même chose que ce qui s'est fait en mode "intelligent" pour l'atterrissage

 
Une IA "déjà entrainée", cad dont on connais déjà les décisions qu'elle va prendre, il n'y a pas vraiment d'intérêt je pense: il suffit de faire un algo si A alors faire B, ça consommeras moins et ça seras bien plus fiable

Rien que le pilotage d'un point A à un point B en apprenant du terrain rencontré sur place, par exemple, terrain qui ne manquera pas d'évoluer au cours d'une mission longue (l'humain navigue, le Rover pilote).

Ou encore prendre des décisions pour piloter des sous éléments (dans l'esprit de l'hélicoptère envoyé avec persévérance), les envoyer remplir telle ou telle mission.

Choisir de lui même les expériences à mener en fonction du terrain rencontré, en affinant sa prise de décision sur la base de résultats passés.

C'est si avant-gardiste que ça ?

Je ne vois pas beaucoup d'intérêt à une IA déjà entraînée ou alors entraînée par capitalisation d'une mission précédente dans des conditions similaires (en bref par une autre IA).

On le fais, ça, par algorithmes. L'humain ne micro-manage pas tout. Je crois me rappeler que pour Curiosity par exemple, si les premiers pas étaient effectivement micro-managés et donc que le rover avançait à pas de souris, les "bonds" suivants ont été de plus en plus long au fur et à mesure que les ingénieurs automatisaient une grande partie de la prise de décision du pilotage par le rover lui-même.

https://www-robotics.jpl.nasa.gov/p [...] ending.pdf

Ils ont mis au point donc du tracking de cible et recentrage automatique, un système de détection des aléas du terrain avec une modélisation 3D en plus d'une map interne automatiquement mise à jour:

Le pilotage est donc automatisé de cette manière par ce rover qui dispose d'une certaine autonomie. On lui donne un objectif, et il arrive quand même à se débrouiller pour cartographier, identifier les dangers autours de lui, et les éviter tout en gardant son objectif.

Oui mais on le fait sachant qu'on est relativement près. On n'a jamais encore envoyé de Rover sur pluton par exemple, et là le degré d'autonomie devra être tout autre, non?

En revanche le "drone" possède un snapdragon 660 (qui n'est pas radiodurci)

 
Ben, prenons un cas qui est arrivé à Curiosity:
 

 
Donc le Rover utilse sa map interne pour déterminer par ou il peu passer pour atteindre son objectif quand il est en navigation autonome, et l'update avec des images qu'il prends au fur et a mesure pour se construire une image 3D de la situation. Un jour il s'est retrouvé sur le bord d'une crête comme ça, a déterminé que ça passait pas vu qu'il allait se casser la gueule s'il continue, et n'a pas réussi a trouver le moyen de rebrousser chemin de façon sécurisée, du coup il s'est arrêté et a renvoyé une erreur.  
 
Là, de deux choses l'une, ou on attends que les humains analysent la situation et préparent les instructions pour le dégager de ce mauvais pas, ou bien il y a une IA embarquée qui va tenter des trucs.

Mais non, une IA déjà entrainée, ça ne veut pas dire qu'on sait déjà les décisions qu'elle va prendre, et ça a de l'intérêt, c'est même quasiment tout le principe de l'IA en fait. Une IA, c'est quasi TOUJOURS déjà entrainé.

Il y a une phase d'entrainement (potentiellement très très lente, loin d'être temps réel), où elle acquière ses connaissances, où les connexions se font : typiquement, avec un réseau de neurones, c'est là qu'on fait les calculs qui permettent de setter les bons poids aux connexions entre neurones. On va entrainer l'algo par exemple à trouver le meilleur chemin grâce à des tas d'exemples de situations simulées (on peut éventuellement aussi faire l'entrainement en réel, sur le terrain). C'est la même chose pour par exemple entrainer le robot de Boston Dynamics à marcher et trouver son équilibre, d'abord en virtuel, via une simulation du machin, et ensuite en terrain réel.

Et ensuite, une fois qu'elle "sait" résoudre cette tache, que les poids sont fixés, et bien ça marche : c'est désormais une IA qui sait trouver le meilleur chemin dans un tel environnement.

C'est un peu comme les voitures autonomes de Musk ou autres voitures autonomes par exemple : l'IA embarquée a appris la conduite autonome à partir de millions d'heure d'enregistrements, mais "AVANT" d'être produite en série et vendue. Chaque voiture qui sort de l'usine est équipée de l'IA standard déjà entrainée, chaque voiture n'a pas à apprendre elle-même comment faire : l'apprentissage, il a eu lieu avant, maintenant, c'est de la restitution.

Il y a des IA qui font de l'apprentissage continu, mais c'est un type très particulier, ce n'est pas le cas général. En général, on a une phase d'apprentissage préalable, et ensuite, quand on utilise le truc, bah il n'apprend plus (les IA qui battent les grands joueurs aux échecs ou au go, par exemple, quand on les fait jouer contre des joueurs réels, elles sont uniquement en mode "restitution", elles ne sont pas entrain d'apprendre, elles ont appris auparavant, sur des milliers de parties réelles et des milliards de parties qu'elles ont joué contre elles-mêmes).

Mais une IA, c'est quasi toujours déjà entrainé, c'est le principe ; les Tesla ou autres voitures autonomes par exemple, elles n'apprennent pas à être autonomes en partant de 0 quand elles sortent de l'usine, on les dote de l'IA standard déjà entrainée (sur des millions d'heure de captation).

Là pour un robot dont la tache serait de trouver le chemin optimum et éviter les dangers, le truc classique, c'est de l'entrainer à partir de simulations dans un premier temps (on peut tester des millions de configurations potentielles, avec les bonnes réponses connues, donc on peut faire converger l'apprentissage), et à partir de terrain réels sur Terre dans un second temps. Mais une fois sur Mars, fini l'apprentissage : le machin utilise cette IA déjà entrainée (ce qui requière beaucoup moins de puissance de calcul que la phase d'apprentissage).

Pilotage ok
Choisir les expériences pas forcément.
Le principe de financement des missions occidentales c'est que plusieurs pays participent financièrement et en fonction du montant il y a une contrepartie en terme de temps d'utilisation pour les expériences (et la conception de charges utiles). Donc une IA qui fait un peu ce qu'elle veut c'est pas tip top pour la répartition.

Maintenant si on imagine plusieurs rover qui song lachés dans la nature avec pour but de mission d'accumuler des données, oui des rovers pilotés par IA et assez autonomes ca fait sens.

Là on a un rover tous les 10 ans sur mars, des milliards sont investis, t'évite d'avoir un fonctionnement un poil aléatoire car la moindre erreur coûte très cher.

L'IA avec apprentissage c'est un domaine très récent, ce n'est pas suffisamment mature pour laisser un rover actuel est pris en charge entièrement par l'IA.

Herbert, il y a peut-être (souvent) confusion de langage quand on parle d'IA, mais si je pars de cette remarque:

Pour moi, on est plus dans le champ de l'IA, mais de l'algo "bête et méchant". Un algo potentiellement très complexe et capable de gérer énormément de situations qu'il a simulées 1 million de fois, mais qui, comme dans le cas arrivé à Curiosity, cad s'il se retrouve dans une situation "pas prévue" par son apprentissage préalable et donc pas gérée par l'algo préconstruit, va simplement renvoyer une erreur et se mettre en arrêt en attendant les instructions des ingénieurs humains.

L'intérêt et le risque d'une IA autonome, c'est - selon moi - dans cette situation, de "tenter quelque chose" sans attendre le retour des ingénieurs humains lorsque le rover est arrivé dans cette situation dangereuse pas prévue et pas gérée par les algos préconstruits.

Je sais pas si je suis clair?

En fait, il faut peut-être distinguer 2 utilisations de l'IA: On peut d'une part l'utiliser pour construire des algorithmes de pilotage autonomes, mais ça, ça se fait éventuellement sur Terre, puis on charge l'algo obtenu sur le Rover après optimisation. Mais ça ne permet pas au Rover de faire autre chose que renvoyer une erreur et s'arrêter lorsqu'une situation hors-limites est rencontrée. l'IA ne sert ici que en amont et a aider à "construire" l'algorithme de pilotage.

Et d'autre part utiliser une "vraie" IA embarquée, pour tenter la résolution de ces situations hors-limites in-situ de façon autonome.

Le truc à voir, c'est la fréquence de ces situations "d'erreur" : si t'en as 2 par an sur Pluton (qui est plus ou moins à 4 heures lumière), ça ne vaut pas le coup de risquer de foutre le rover à la benne alors que tu as encore 10 ans d'exploration à venir. Si c'est sur une exoplanète à 12 AL, c'est différent c'est sûr. Si tu es sur un concept de dirigeable/drone qui doit prendre une décision rapide pour sa survie, c'est encore différent.

EDIT : Et tu peux à la limite mettre en place ton IA qui "prend le risque", mais ne pas l'implémenter tout de suite : le rover te renvoie l'erreur, te suggère la manoeuvre qu'il aurait tentée, et si tu vois après x occurrences qu'il avait pris des décisions pertinentes (et que tu as accompli les objectifs principaux de ta mission), tu le laisses faire.

Pour reprendre l'analogie avec les véhicules Tesla: c'est un raccourci potentiellement  trompeur de dire "il y a une IA embarquée dans les véhicules Tesla vendues au public en sortant de l'usine": il y a un algo de pilotage, qui a été construit par (une ou plusieurs) IA qui ont appris à rouler en simulation et sur route, oui. Et les données et expérience de route sont collectées et renvoyées à Tesla pour être ultérieurement analysées et incorporées par ces IAs. Mais il n'y a - à ma connaissance! - pas à ce jour à proprement parler une IA dans la voiture de Monsieur Dupont sous le capot. Juste un "bête" algo de pilotage qui, dès qu'il arrive dans une situation "hors limites", rends la main à Monsieur Dupont pour qu'il gère la situation.

 
Non, c'est bien ça de l'IA, c'est bien exactement ça qu'on fait aujourd'hui quand on fait des réseaux de neurones, du deep learning (pour prendre un mot à la mode) ou toute autre technique de machine learning. Et ce n'est pas un "algo bête et méchant", ce sont des algos types "réseaux de neurones" donc qui ne sont pas programmés "explicitement". La base d'exemples sert lors de l'apprentissage pour que le système "généralise" tout seul, qu'il infère des généralités à partir des exemples qu'il a reçu (à la façon dont fonctionne l'apprentissage humain). C'est comme ça que fonctionne les algos de reconnaissance d'image par exemple : il savent reconnaitre des chats parce qu'ils en ont vu d'autres (des différents) lors de la phase préalable d'apprentissage (comme pour les humains en fait). Pareil pour les voitures autonomes.
 

 
C'est pas de ça dont je parle, mais d'IA, c'est à dire un algo très simple dans le principe (le principe du réseau de neurones, c'est très simple). Vu comment tu en parles, j'ai l'impression qu'il y a mécompréhension : le principe, quand on donne des millions d'exemples, ce n'est pas du tout de savoir gérer les situations qui sont dans les exemples, c'est d'utiliser ces exemples pour "généraliser" et que l'algo "trouve tout seul" un principe qui marche pour gérer ces millions d'exemples. Si l'algo trouve tout seul (c'est ça l'ajustement des poids des connexions dans un réseau de neurones par exemple) une configuration unique qui permet de résoudre ces exemples, alors il aura trouvé un principe efficace.  
 
On va par exemple, sur ce million d'exemples, en utiliser 900.000 pour son apprentissage, et ensuite, on va tester si ce qu'il a "appris" est efficace, en lui présentant les 100.000 "nouveaux cas", qu'il n'a pas vu dans son apprentissage, et on va regarder comment il s'en sort. S'il gère bien ces 100.000 nouveaux cas, c'est qu'il aura correctement appris et généralisé.
 

 
Ce n'est pas un algo "préconstruit" (d'ailleurs c'est boite noire : le machin a appris, on constate qu'il est efficace, mais on ne comprend pas forcément bien comment il prend ses décisions : c'est compliqué à décortiquer et comprendre, un réseau de neurones), et les millions d'exemples ne servent pas à être des "situations prévues de référence", ils servent uniquement dans la phase d'entrainement à ce que l'algo trouve tout seul un principe "universel" qui fonctionne pour le problème de trouver un chemin, dans tous les cas possibles, un principe qui doit être un principe "général" (et pas d'avoir retenu la solution de chacun des millions de problèmes séparément).
 

Si. C'est ça l'IA aujourd'hui. Je crois qu'il y a un problème sur ta définition de IA. On dirait que pour toi, pour qu'un algo soit considéré comme étant "du domaine de l'IA", ça ne peut être qu'un truc qui apprend en permanence et en continu. Donc tu refuses ce statut aux IA qui ont battu les champions de GO ou d'échecs en apprenant de parties antérieures ? Du refuses le statut d'IA aux sytèmes de pilotage des robots de boston dynamics ? AlphaFold qui calcule le repliement des protéines, ce n'est pas de l'IA ? Les deep fakes non plus ? Les générations de visages qui n'existent pas ?

Tous ces exemples que je viens de citer sont pourtant des algos du domaine de l'IA, des algos de machine learning, qui fonctionnent selon la méthode expliquée plus haut : une première phase d'apprentissage où les paramètres sont settés (les poids des connexions pour un réseau de neurones par exemple), à partir d'exemples, réels ou simulés, ou à partir de compétitions entre IAs, et une seconde phase, de restitution, qui est celle où l'IA est effectivement utilisée.

Et je pense vraiment qu'il y a confusion quand tu résumes ça à "un bête algo", je ne suis pas sûr de voir ce que ça signifie pour toi, mais quand tu dis plus haut que "si c'est une IA préentrainée, alors on connait à l'avance ses réactions aux problèmes", bah non, pour moi, si tu dis ça, c'est que tu passes à côté de la phase de "généralisation" et que tu penses que les exemples vu à l'entrainement servent juste à être "stockés" pour appliquer une solution similaire quand on rencontre un cas très proche.

 
Oui, je pense que c'est un raccourci que de mettre les 2 dans le même terme générique "d'IA".
 
Je pense qu'on a besoin, dans le cadre de cette discussion, de faire la distinction entre la partie "IA apprentissage" et celle "IA restitution", oui. Car ça n'implique pas du tout les mêmes conséquences pour le cas du Rover qui rencontre cette situation "hors limites".

 
Oui, je pense que c'est comme ça que ça va se passer ^^.
 
Pour Curiosity d'ailleurs, les premiers "pas" en autonome ont été bien sur de tout petit pas de souris sans dangers ni difficultés, histoire de voir si tout se passe bien, avant de le laisser faire de plus grandes enjambées.

Oui mais j'ai pas l'impression que ce soit clair (les capacités respectives et différences entre ces deux "modes" ), enfin surtout quand tu ramènes les techniques actuelles de machine learning à "des bêtes algos" comparativement à un truc que tu ne décris pas, et quand tu dis que ça "n'implique pas les mêmes conséquences" (alors que si l'apprentissage est bien fait, ça ne change pas grand chose). Et je me dis surtout ça, parce qu'à un moment, tu dis que si le machin est préentrainé, alors on peut prévoir sa réponse, ce qui me fait penser que tu passes à côté de ce que fait un tel algo. Non, ce n'est pas parce que tu l'as préentrainé que tu connais ses réponses à l'avance. J'ai l'impression que tu vois une IA préentrainée comme un truc qui a appris les réponses à 1 millions de problèmes, alors que ce n'est pas ça DU TOUT : ça, c'est ce qui peut arriver quand l'entrainement est "foiré", quand on a fait du "surapprentissage", le cas où, plutôt que d'avoir appris un principe général pour résoudre le million de problèmes donnés en exemple, l'IA a simplement "appris les réponses des millions d'exemples". Dans ce dernier cas, l'IA ne sera efficace que pour des problèmes très proches de ceux qu'elles à vus en exemple, et c'est considéré comme un échec de l'apprentissage. Ca se voit tout de suite en la confrontant à des cas très différents de ceux qu'elles a vus lors de son apprentissage : si elle a bien généralisé, elle trouvera la solution, si elle a juste "appris les réponses des exemples", elle se plantera.

Et surtout, faire à nouveau de l'apprentissage sur place (en gros de l'apprentissage par renforcement), ça n'apporte pas grand chose de plus : ça va apporter quoi ? Un exemple de plus alors qu'il a déjà appris sur des dizaines de millions d'exemple ? Ca ne va pas changer sa façon de généraliser. Si un algo a compris ce qu'était "un chat", à partir de 1.000.000 photos de chats, et ne se trompe quasiment jamais, ça ne va pas apporter grand chose d'y rajouter les 4 ou 5 qu'il va voir par jour et de faire un complément d'entrainement avec ces images là ajoutées.