NeuroEvolution of Augmenting Topologies (NEAT) contribue à l'apprentissage automatique génétique en fournissant un modèle innovant de pointe basé sur les principes des algorithmes génétiques qui aident à optimiser les réseaux en fonction à la fois des poids et des structures d'un réseau.
Les algorithmes génétiques en général sont des modèles d’intelligence artificielle et d’apprentissage automatique qui reposent en quelque sorte sur le principe de sélection naturelle – des modèles qui fonctionnent par traitement itératif de ce principe de sélection du meilleur résultat pour un besoin donné. Ceux-ci font partie d’une catégorie plus large d’« algorithmes évolutionnaires » dans ce que les professionnels appellent « l’école évolutionniste » de l’apprentissage automatique – une école hautement structurée autour de principes d’évolution biologique.
Le réseau NeuroEvolution of Augmenting Topologies est un réseau neuronal artificiel à évolution de topologie et de poids (TWEAN) – il optimise à la fois la topologie du réseau et les entrées pondérées du réseau – les versions et fonctionnalités ultérieures de NEAT ont contribué à adapter ce principe général à des utilisations spécifiques, y compris la création de contenu de jeux vidéo et la planification de systèmes robotiques.
Avec des outils tels que NeuroEvolution of Augmenting Topologies, les réseaux de neurones artificiels et les technologies similaires peuvent impliquer de la même manière que la vie biologique a évolué sur la planète – cependant, les technologies peuvent généralement évoluer très rapidement et de nombreuses manières sophistiquées.
Des ressources telles qu'un groupe d'utilisateurs de NeuroEvolution of Augmenting Topologies, une FAQ sur les logiciels et d'autres éléments peuvent aider à mieux comprendre le fonctionnement de NEAT et ce que cela signifie dans le contexte de l'apprentissage automatique évolutif. Essentiellement, en rationalisant la structure d'un réseau et en modifiant la pondération des entrées, NEAT peut rapprocher les gestionnaires humains des systèmes d'apprentissage automatique de leurs objectifs, tout en éliminant une grande partie du travail humain impliqué dans la configuration. Traditionnellement, avec de simples réseaux de neurones à action directe et d'autres premiers modèles, la structuration et la configuration des entrées pondérées reposaient sur la formation humaine. Désormais, ces systèmes sont largement automatisés.