déplacements du sens

Il y a toujours dans les films les plus explicites un niveau énigmatique. Roland Topor me racontait l'autre jour que Dynastie (*) - c'est difficile de trouver plus littéral - vu par des Esquimaux, chez qui il est tabou de parler avec sa belle-mère, avait une force pornographique ou subversive si énorme que ce feuilleton devenait autre chose. Dans les pays arabes, on dit aussi que voir n'importe quelle série américaine où les femmes ne sont pas voilées et ont des rapports familiers avec les hommes crée une sensation de subvertion pas seulement politique, mais aussi poétique : c'est-à-dire que cela provoque tellement de malentendus que le système de malentendu devient en effet poétique objective. A bout de souffle de Godard a eu sur moi le même effet quand je l'ai vu pour la première fois au Chili. Je ne peux pas dire que j'ai cessé de l'aimer par la suite, mais en le revoyant j'ai été assez déçu, parce que je l'ai trouvé très terre à terre, alors que j'avais compris des choses qui n'avaient rien à voir. En cette période de mondialisation, cette potentialité poétique, même si elle est involontaire, va être impossible à maîtriser.

Auteur: Ruiz Raul

Info: Entretien paru dans "Positif", n°424, juin 1996 - cité dans "Passage du cinéma", éd. Ansenodia, p. 364 - (*) série américaine des années 80

[ cinéma ] [ géographie culturelle ] [ contexte interprétatif ]

rapports humains

Les travaux fondamentaux antérieurs de Whitehead, Russell, Wittgenstein, Carnap, Whorf, etc., ainsi que ma propre tentative d'utiliser cette pensée antérieure comme base épistémologique pour la théorie psychiatrique, ont conduit à une série de généralisations : La communication verbale humaine peut fonctionner et fonctionne toujours à de nombreux niveaux d'abstraction contrastés. Ceux-ci vont dans deux directions à partir du niveau apparemment simple de description ("Le chat est sur le tapis").

Une série ou un ensemble de ces niveaux plus abstraits comprend les messages explicites ou implicites où le sujet du discours est la langue. Nous les appellerons métalinguistiques (par exemple, "Le son verbal 'chat' représente tout membre de telle ou telle classe d'objets", ou "Le mot 'chat' n'a pas de poils et ne peut pas gratter").

L'autre ensemble de niveaux d'abstraction, nous l'appellerons métacommunicatif (par exemple, "Le fait que je t'aie dit où trouver le chat était amical", ou "Ceci est un jeu"). Dans ceux-ci, le sujet du discours est la relation entre les locuteurs. On notera que la grande majorité des messages métalinguistiques et métacommunicationnels restent implicites ; et aussi que, en particulier dans l'entretien psychiatrique, apparait une autre classe de messages implicites quant à la façon dont les signaux métacommunicationnels d'amitié et d'hostilité doivent être interprétés.

Auteur: Bateson Gregory

Info:

[ complexes ] [ miroirs ] [ échelles mélangées ] [ sémiotiques ]

parapsychologie

Au GERP il était donc évident que le psi n’est pas plus reproductible à volonté que par exemple l’état amoureux, l’anxiété, ou les rêves. Non concernés par la fièvre toute scientifique de la reproductibilité, ses membres les plus actifs se sont centrés sur la question du sens du psi. Ils rejoignaient ainsi les réflexions et propositions de Jung autour des synchronicités, ces coïncidences qui font sens entre dispositions psychiques inconscientes et événements matériels extérieurs ; c’est-à-dire que le sens d’un événement psi, c’est l’horizon qu’il nous ouvre, son but, son message, le commentaire ou l’avertissement qu’il nous apporte et dont nous ne sommes pas suffisamment conscients. En somme, le psi est un porte-parole, hors espace et hors temps, des lieux non explicites de la psyché de la ou des personnes concernées.

Dans cette perspective j’ai eu l’idée de proposer une machine matérielle se déplaçant au hasard, laissant sur un papier la trace écrite de son parcours aléatoire: le tychoscope. L’idée était que cet appareil était susceptible à mes yeux non pas de déclencher le psi par lui-même, mais de mobiliser les affects pouvant ouvrir au psi. Il allait pouvoir dans ce cas produire des tracés – des tychogrammes - portant la marque du psychisme de la personne présente à l’expérience, un peu comme notre écriture reflète notre personnalité voire nos humeurs du moment.

Auteur: Janin Pierre

Info:

[ expérimentale ]

impartialité

Les mathématiques ont donc constitué très tôt, dès la Grèce ancienne, un univers dans lequel des choses considérées comme vraies, démontrées, circulent sous condition de leur validation et de leur acceptation par la communauté des gens qui "s'y connaissent", et pas par le simple fait d'autorité résultant de ce que le mathématicien s'appelle "mathématicien". Le mathématicien, au contraire, est celui qui introduit pour la première fois une universalité, totalement affranchie de toute présupposition mythologique ou religieuse, et qui ne prend plus la forme du récit, mais celle de la preuve. La vérité fondée sur le récit est la "vérité" traditionnelle, de type mythologique, ou révélée. Les mathématiques ébranlent tous les récits traditionnels?: la preuve se présente comme ne dépendant que de la démonstration rationnelle, exposée à tous et réfutable dans son principe même, si bien que celui qui a affirmé un énoncé finalement démontré comme faux doit s'incliner. En ce sens, les mathématiques participent de la pensée démocratique, qui apparaît du reste en Grèce en même temps qu'elles. Et la philosophie n'a pu se constituer dans son autonomie  - d'ailleurs toujours menacée - par rapport au récit religieux qu'avec cet appui formel, qui sans doute concernait un domaine limité de l'action intellectuelle, mais un domaine qui avait des normes totalement indépendantes, des normes explicites, que tout un chacun pouvait connaître. Une preuve avait à être une preuve et c'est tout. Il est donc vrai qu'il y a dès l'origine partie liée entre les mathématiques, la démocratie (au sens de la modernité opposée aux autorités traditionnelles) et la philosophie.



Éloge des mathématiques

Auteur: Badiou Alain

Info: Éloge des mathématiques, pp 30–31

[ raisonnement ] [ réfléchir ] [ langage ] [ rationalisme ] [ historique ] [ suffrage universel ]

tour d'horizon de l'IA

Intelligence artificielle symbolique et machine learning, l’essor des technologies disruptives

Définie par le parlement Européen comme la " reproduction des comportements liés aux humains, tels que le raisonnement, la planification et la créativité ", l’intelligence artificielle s’initie de façon spectaculaire dans nos vies. Théorisée au milieu des années 50, plusieurs approches technologiques coexistent telles que l’approche machine learning dite statistique basée sur l’apprentissage automatique, ou l’approche symbolique basée sur l’interprétation et la manipulation des symboles. Mais comment se différencient ces approches ? Et pour quels usages ?

L’intelligence artificielle, une histoire ancienne

Entre les années 1948 et 1966, l’Intelligence Artificielle a connu un essor rapide, stimulé par des financements importants du gouvernement américain pour des projets de recherche sur l’IA, notamment en linguistique. Des progrès significatifs ont été réalisés dans la résolution de problèmes de logique symbolique, mais la capacité de l’IA à traiter des données complexes et imprécises était encore limitée.

A la fin des années 70, plus précisément lors du deuxième “été de l’IA” entre 1978 et 1987,  l’IA connaît un regain d’intérêt. Les chercheurs ont commencé à explorer de nouvelles approches, notamment l’utilisation de réseaux neuronaux et de systèmes experts. Les réseaux neuronaux sont des modèles de traitement de l’information inspirés par le fonctionnement du cerveau humain, tandis que les systèmes experts sont des programmes informatiques qui simulent l’expertise humaine dans un domaine spécifique.

Il faudra attendre la fin des années 90 pour voir un renouveau de ces domaines scientifiques, stimulé par des avancées majeures dans le traitement des données et les progrès de l’apprentissage automatique. C’est d’ailleurs dans cette période qu’une IA, Deepblue, gagne contre le champion mondial Garry Kasparov aux échecs.$

Au cours des dernières années, cette technologie a connu une croissance exponentielle, stimulée par des progrès majeurs dans le deep learning, la robotique ou la compréhension du langage naturel (NLU). L’IA est maintenant utilisée dans un large éventail de domaines, notamment la médecine, l’agriculture, l’industrie et les services. C’est aujourd’hui un moteur clé de l’innovation et de la transformation de notre monde, accentué par l’essor des generative AIs. 

Parmi ces innovations, deux grandes approches en intelligence artificielle sont aujourd’hui utilisées : 

1 - Le Machine Learning : qui est un système d’apprentissage automatique basé sur l’exploitation de données, imitant un réseau neuronal

2 - L’IA Symbolique : qui se base sur un système d’exploitation de " symboles ”, ce qui inspire des technologies comme le “système expert” basé sur une suite de règles par exemple.

Mais comment fonctionnent ces deux approches et quels sont leurs avantages et leurs inconvénients ? Quels sont leurs champs d’application ? Peuvent-ils être complémentaires ?

Le machine learning

Le Machine Learning est le courant le plus populaire ces dernières années, il est notamment à l’origine de ChatGPT ou bien MidJourney, qui font beaucoup parler d’eux ces derniers temps. Le Machine Learning (ML) est une famille de méthodes d’apprentissage automatique qui permet aux ordinateurs d’apprendre à partir de données, sans être explicitement programmés. En utilisant des algorithmes, le ML permet aux ordinateurs de comprendre les structures et les relations dans les données et de les utiliser pour prendre des décisions.

Le ML consiste à entraîner des modèles informatiques sur de vastes ensembles de données. Ces modèles sont des algorithmes auto apprenant se basant sur des échantillons de données, tout en déterminant des schémas et des relations/corrélations entre elles. Le processus d’entraînement consiste à fournir à l’algorithme des données étiquetées, c’est-à-dire des données qui ont déjà été classifiées ou étiquetées pour leur attribuer une signification. L’algorithme apprend ensuite à associer les caractéristiques des données étiquetées aux catégories définies en amont. Il existe cependant une approche non-supervisée qui consiste à découvrir ce que sont les étiquettes elles-mêmes (ex: tâche de clustering).

Traditionnellement, le machine learning se divise en 4 sous-catégories : 

Apprentissage supervisé : 

Les ensembles de données sont étiquetés, ce qui permet à l’algorithme de trouver des corrélations et des relations entre les caractéristiques des données et les étiquettes correspondantes. 

Apprentissage non supervisé : 

Les ensembles de données ne sont pas étiquetés et l’algorithme doit découvrir les étiquettes par lui-même. 

Apprentissage semi-supervisé : 

L’algorithme utilise un mélange de données étiquetées et non étiquetées pour l’entraînement.

Apprentissage par renforcement : 

L’algorithme apprend à prendre des décisions en interagissant avec son environnement. Il reçoit des récompenses ou des pénalités pour chaque action, ce qui lui permet d’ajuster sa stratégie pour maximiser sa récompense globale.

Un exemple d’application du Machine Learning est la reconnaissance d’images. Des modèles d’apprentissages profonds sont entraînés sur des millions d’images pour apprendre à reconnaître des objets, des personnes, des animaux, etc. Un autre exemple est la prédiction de la demande dans le commerce de détail, où des modèles sont entraînés sur des données de ventes passées pour prédire les ventes futures.

Quels sont les avantages ? 

Étant entraîné sur un vaste corpus de données, le ML permet de prédire des tendances en fonction de données.  

- Le machine learning offre la capacité de détecter des tendances and des modèles dans les données qui peuvent échapper à l’observation humaine.

- Une fois configuré, le machine learning peut fonctionner de manière autonome, sans l’intervention humaine. Par exemple, dans le domaine de la cybersécurité, il peut surveiller en permanence le trafic réseau pour identifier les anomalies.

- Les résultats obtenus par le machine learning peuvent s’affiner et s’améliorer avec le temps, car l’algorithme peut apprendre de nouvelles informations et ajuster ses prédictions en conséquence.

- Le machine learning est capable de traiter des volumes massifs et variés de données, même dans des environnements dynamiques et complexes.

L’intelligence artificielle symbolique

L’IA symbolique est une autre approche de l’intelligence artificielle. Elle utilise des symboles and des règles de traitement de l’information pour effectuer des tâches. Les symboles peuvent être des concepts, des objets, des relations, etc. Les règles peuvent être des règles de déduction, des règles de production, des règles d’inférence…etc.

Un exemple d’application de l’IA symbolique est le système expert. Un système expert est un programme informatique qui utilise des règles de déduction pour résoudre des problèmes dans un domaine spécifique, comme le diagnostic médical ou l’aide à la décision en entreprise. Un autre exemple est la traduction automatique basée sur des règles, les règles de grammaire et de syntaxe sont utilisées pour traduire un texte d’une langue à une autre.

Quelques exemples d’usages de l’IA symbolique :

La traduction

L’IA symbolique a été utilisée pour développer des systèmes de traduction automatique basés sur des règles. Ces systèmes utilisent des règles de grammaire et de syntaxe pour convertir un texte d’une langue à une autre. Par exemple, le système SYSTRAN, développé dans les années 1960, est un des premiers systèmes de traduction automatique basé sur des règles. Ce type de système se distingue des approches basées sur le Machine Learning, comme Google Translate, qui utilisent des modèles statistiques pour apprendre à traduire des textes à partir de corpus bilingues.

Le raisonnement logique

L’IA symbolique est également utilisée pour développer des systèmes capables de raisonnement logique, en exploitant des règles et des connaissances déclaratives pour résoudre des problèmes complexes. Par exemple, les systèmes d’aide à la décision basés sur des règles peuvent être utilisés dans des domaines tels que la finance, l’assurance ou la logistique, pour aider les entreprises à prendre des décisions éclairées. Un exemple concret est le système MYCIN, développé dans les années 1970 pour aider les médecins à diagnostiquer des infections bactériennes et à prescrire des antibiotiques adaptés.

L’analyse de textes

L’IA symbolique peut être utilisée pour l’analyse de textes, en exploitant des règles et des connaissances linguistiques pour extraire des informations pertinentes à partir de documents. Par exemple, les systèmes d’extraction d’information basés sur des règles peuvent être utilisés pour identifier des entités nommées (noms de personnes, d’organisations, de lieux, etc.) et des relations entre ces entités dans des textes. Un exemple d’application est l’analyse et la catégorisation des messages entrants pour les entreprises, cœur de métier de Golem.ai avec la solution InboxCare.

Les avantages de l’IA symbolique 

L’IA symbolique est une approche qui utilise des symboles, et parfois des " règles” basées sur des connaissances, qui comporte plusieurs avantages :

- Explicablilité : Les décisions prises par les systèmes d’IA symbolique sont explicites et peuvent être expliquées en fonction des règles logiques et des connaissances déclaratives utilisées par le système. Cette transparence peut être essentielle dans des applications critiques, comme la médecine ou la défense.

- Frugalité : Contrairement au Machine Learning, l’IA symbolique ne nécessite pas d’entraînement, ce qui la rend moins gourmande en énergie à la fois lors de la conception et de l’utilisation.

- Adaptabilité : Les systèmes d’IA symbolique peuvent être facilement adaptés à de nouveaux domaines en ajoutant de nouvelles règles logiques et connaissances déclaratives à leurs bases de connaissances existantes, leurs permettant de s’adapter rapidement à de nouvelles situations.

L’intelligence artificielle hybride ou le neuro-symbolique 

Les systèmes hybrides combinent les avantages de l’IA symbolique et du Machine Learning en utilisant une approche mixte. Dans ce type de système, l’IA symbolique est utilisée pour représenter les connaissances et les règles logiques dans un domaine spécifique. Les techniques de Machine Learning sont ensuite utilisées pour améliorer les performances de l’IA symbolique en utilisant des ensembles de données pour apprendre des modèles de décision plus précis et plus flexibles. Mais nous pouvons également voir d’autres articulations comme la taxonomie de Kautz par exemple.

L’IA symbolique est souvent utilisée dans des domaines où il est important de comprendre et de contrôler la façon dont les décisions sont prises, comme la médecine, la finance ou la sécurité. En revanche, le Machine Learning est souvent utilisé pour des tâches de classification ou de prédiction à grande échelle, telles que la reconnaissance de voix ou d’image, ou pour détecter des modèles dans des données massives.

En combinant les deux approches, les systèmes hybrides peuvent bénéficier de la compréhensibilité et de la fiabilité de l’IA symbolique, tout en utilisant la flexibilité et la capacité de traitement massif de données du Machine Learning pour améliorer la performance des décisions. Ces systèmes hybrides peuvent également offrir une plus grande précision et un temps de réponse plus rapide que l’une ou l’autre approche utilisée seule.

Que retenir de ces deux approches ?

L’Intelligence Artificielle est en constante évolution et transforme de nombreux secteurs d’activité. Les deux approches principales de l’IA ont leurs avantages et inconvénients et peuvent être complémentaires. Il est donc crucial pour les entreprises de comprendre ces technologies pour rester compétitives. 

Cependant, les implications éthiques et sociales de l’IA doivent également être prises en compte. Les décisions des algorithmes peuvent avoir un impact sur la vie des personnes, leur travail, leurs droits et leurs libertés. Il est donc essentiel de mettre en place des normes éthiques et des réglementations pour garantir que l’IA soit au service de l’humanité. Les entreprises et les gouvernements doivent travailler ensemble pour développer des IA responsables, transparentes et équitables qui servent les intérêts de tous. En travaillant ensemble, nous pouvons assurer que l’IA soit une force positive pour l’humanité dans les années à venir. 



 

Auteur: Merindol Hector

Info: https://golem.ai/en/blog/technologie/ia-symbolique-machinelearning-nlp - 4 avril 2023

[ dualité ]