De huit à 56 pour cent : le robot ménager franchit le plus difficile obstacle

Jusqu'à récemment, il était admis qu'un robot doit apprendre chaque logement individuellement. Figure a publié le 17 septembre des chiffres qui règlent la question. L'humanoïde du fabricant californien a rangé des jouets, fait les lits et plié des chiffons, dans 30 logements étrangers de la Bay Area que le modèle n'avait jamais vus et sans une minute d'entraînement sur site. 237 tentatives sur 420 ont été entièrement réussies. Cela représente 56 pour cent. La même architecture sans le nouveau préentraînement n'en atteint que huit.

Le bond est arrivé des années plus tôt que ce que la plupart du secteur avait prévu. Ce qui est crucial, c'est d'où il provient : non pas d'une meilleure mécanique, mais de 16 millions de vidéos de téléphones portables téléchargées par 44'000 personnes rémunérées depuis leurs propres cuisines et chambres à coucher.

La vraie qualité du chiffre ne ressort que du protocole de test, et celui-ci est plus strict que ce que les fabricants ont l'habitude de présenter. Dans les 30 logements, la même version de modèle gelée a fonctionné. Seule la tâche entièrement accomplie a été comptabilisée, et si une personne intervenait pour des raisons de sécurité, la tentative était considérée comme échouée. Pour faire les lits, le robot a atteint 67 pour cent, pour le pliage 62 pour cent, pour ranger treize à quinze objets éparpillés 40 pour cent. Quiconque a déjà vu un préhenseur échouer sur une serviette éponge froissée sait ce que valent ces chiffres. Une limitation reste toutefois centrale : les trois activités elles-mêmes, le robot les avait apprises au préalable. Ce qui était nouveau, c'étaient les logements et les objets qu'ils contenaient, pas la tâche.

L'outil derrière cela s'appelle Index et est une petite histoire de société en soi. Depuis août, une application est disponible dans les stores, grâce à laquelle chacun peut filmer son ménage et être payé pour cela. 264'000 téléchargements dans 108 pays, environ 15 millions de dollars déjà versés. Figure capture ainsi environ 35 minutes d'expérience humaine par seconde, ce qui représente 50'000 heures de matériel par jour ou près de six années humaines, jour après jour. Plus d'un milliard de dollars doivent s'investir dans les données au cours des douze prochains mois, auxquels s'ajoutent 3,5 milliards pour la puissance de calcul. C'est la tentative la plus coûteuse jusqu'à présent pour apprendre à une machine la vie quotidienne plutôt que de la lui enseigner.

Cela permet pour la première fois de calculer de manière à peu près sérieuse quand un tel appareil pourra se passer de surveillance. Figure a entraîné quatre modèles sur des quantités de données échelonnées sur une plage d'un facteur huit et rapporte que l'erreur diminue avec une telle fiabilité à chaque doublement que la valeur de la plus grande exécution a pu être prédite à quatre décimales à l'avance. L'entreprise ne publie pas l'exposant de cette courbe, et tout en dépend. Si l'on compte avec les valeurs habituelles dans la littérature, il en faut entre 77 fois et 50'000 fois la quantité de données pour un taux de réussite de 95 pour cent. L'écart semble absurde, mais c'est la réponse honnête : la différence entre un exposant favorable et un exposant défavorable détermine des années.

Quand on compare avec le taux de collecte, cela devient concret. Si Index continue à croître aussi vite qu'avant, la montagne de données doublera environ tous les six mois, et les six à onze doublements nécessaires seraient atteints en trois à cinq ans. Si le taux stagne au contraire où il en est aujourd'hui, la même distance prendra des décennies, car chaque doublement supplémentaire prend deux fois plus de temps que le précédent. Pour les derniers pour cent, il en va autrement. Atteindre 99 pour cent uniquement par plus de vidéos exige, selon l'exposant, deux mille à cent millions de fois la quantité actuelle de données. Cela n'arrivera pas. Cette distance doit être parcourue différemment, par la détection des erreurs, par des tentatives répétées, par un robot qui remarque que le chiffon n'est pas au bon endroit et qui simplement le reprend.

Que cela fonctionne aussi différemment, Sunday Robotics le montre depuis Mountain View. L'entreprise a signalé en août 99,1 pour cent pour le pliage du linge, 778 tentatives sur 785 dans 25 logements étrangers. Une seule tâche, un robot mobile, mais presque parfait pour cela. Figure prend le chemin inverse, large plutôt que profond, et accepte en contrepartie que toutes les deux tâches échouent encore. Le chemin qui arrivera d'abord au salon reste ouvert. Une seule chose est sûre : la partie la plus difficile est réglée : un modèle qui comprend même un logement étranger était un sujet de recherche il y a deux ans et est aujourd'hui un produit en test.

Pour la Suisse, cela signifie deux choses. Un tel appareil ne peut pas encore être vendu, et jusqu'à ce que ce soit le cas, outre le taux, il doit aussi être clarifié qui est responsable si le bras atteint le vase de la voisine, et comment un robot dans l'espace résidentiel obtient sa déclaration de conformité. Ce n'est pas une formalité et ne sera pas réglé en trois ans. L'autre côté est plus immédiat. L'application Index se télécharge aussi ici pour qui le souhaite. Celui qui filme sa cuisine participe à un système qui devrait un jour se tenir dans cette cuisine. Le paiement se fait à la minute, pas selon les participations.