amour

Il en s'agit pas de penser beaucoup, mais de beaucoup aimer.

Auteur: Sainte Thérèse d'Avila

Info:

[ empathie ] [ appartenance ]

homme-machine

La clarté offerte par le logiciel en tant que métaphore - et le pouvoir prétendument offert à ceux qui connaissent le logiciel - devrait nous faire réfléchir, car le logiciel engendre également un sentiment de profonde ignorance. Les logiciels sont extrêmement difficiles à comprendre. Qui sait vraiment ce qui se cache derrière nos interfaces souriantes, derrière les objets que nous cliquons et manipulons ? Qui comprend parfaitement ce que fait son ordinateur à un moment donné ? Le logiciel comme métaphore de la métaphore perturbe le fonctionnement habituel de la métaphore, c'est-à-dire la clarification d'un concept inconnu par un concept connu. En effet, si le logiciel éclaire un inconnu, il le fait par le biais d'un inconnaissable (le logiciel). Ce paradoxe - cette volonté de saisir ce que nous ne connaissons pas à travers ce que nous ne comprenons pas entièrement... n'affaiblit pas l'attrait du logiciel, mais le justifie plutôt. La combinaison de ce qui peut être vu et non vu, de ce qui peut être connu et non connu - la séparation de l'interface et de l'algorithme, du logiciel et du matériel - en fait une puissante métaphore de tout ce que nous croyons invisible et qui pourtant produit des effets visibles, de la génétique à la main invisible du marché, de l'idéologie à la culture. Chaque utilisation implique un acte de foi. 

Auteur: Wendy Hui Kyong Chun

Info: Programmed Visions : Software and Memory

[ virtualisation ] [ abstraction-éloignement ] [ dépendance ] [ outil dominant ] [  transparence illusoire ] [  complexité cachée ]

abstraction difficile

Le problème fondamental de l’apprentissage des mathématiques est que, si le sens du nombre est génétique, le calcul exact nécessite des outils culturels – des symboles et des algorithmes – qui n’existent que depuis quelques milliers d’années et doivent donc être assimilés par des zones du cerveau qui ont évolué à d’autres fins. Le processus est facilité lorsque ce que nous apprenons s’harmonise avec les circuits intégrés. Si nous ne pouvons pas changer l’architecture de notre cerveau, nous pouvons au moins adapter nos méthodes d’enseignement aux contraintes qu’elle impose. Depuis près de trois décennies, les éducateurs américains prônent une " réforme des mathématiques ", dans laquelle les enfants sont encouragés à explorer leurs propres façons de résoudre les problèmes. Avant la réforme des mathématiques, il y avait les nouvelles mathématiques, aujourd’hui largement considérées comme un désastre éducatif. (En France, on les appelait les mathématiques modernes et elles sont tout aussi méprisées.) Les nouvelles mathématiques étaient fondées sur les théories du psychologue suisse influent Jean Piaget, qui pensait que les enfants naissent sans aucun sens du nombre et ne construisent ce concept que progressivement au cours d’une série d’étapes de développement. Piaget pensait que les enfants, jusqu’à l’âge de quatre ou cinq ans, ne peuvent pas saisir le principe simple selon lequel le fait de déplacer des objets n’affecte pas leur nombre, et qu’il n’y avait donc aucun intérêt à essayer de leur enseigner l’arithmétique avant l’âge de six ou sept ans. 

Auteur: Holt Jim

Info: When Einstein Walked with Gödel: Excursions to the Edge of Thought 2 likes Like

[ chiffres ] [ rationalisme limitant ]

Intelligence artificielle

Tout est une question d’évolutivité. La plupart des algorithmes d’apprentissage actuels ont été découverts il y a plus de vingt-cinq ans. Pourquoi a-t-il fallu autant de temps pour qu’ils aient un impact sur le monde réel ? Avec les ordinateurs et les données étiquetées dont disposaient les chercheurs dans les années 1980, il n’était possible de démontrer la preuve de principe que sur des problèmes jouets. Malgré quelques résultats prometteurs, nous ne savions pas dans quelle mesure l’apprentissage et les performances du réseau évolueraient à mesure que le nombre d’unités et de connexions augmentait pour correspondre à la complexité des problèmes du monde réel. La plupart des algorithmes d’IA évoluent mal et ne sont jamais allés au-delà de la résolution de ces problèmes jouets. Nous savons maintenant que l’apprentissage par réseau neuronal évolue bien et que les performances continuent d’augmenter avec la taille du réseau et le nombre de couches. Backprop, en particulier, évolue extrêmement bien. Devrions-nous être surpris ? Le cortex cérébral est une invention des mammifères qui s’est multipliée chez les primates et surtout chez les humains. Et à mesure qu’il s’est développé, davantage de capacités sont devenues disponibles et davantage de couches ont été ajoutées dans les zones d’association pour les représentations d’ordre supérieur. Il existe peu de systèmes complexes qui évoluent aussi bien. Internet est l’un des rares systèmes conçus dont la taille a également été multipliée par un facteur d'un million. Internet a évolué une fois que les protocoles de communication des paquets ont été établis, tout comme le code génétique de l’ADN a permis aux cellules d’évoluer. La formation de nombreux réseaux d’apprentissage profond avec le même ensemble de données donne lieu à un grand nombre de réseaux différents qui ont à peu près le même niveau moyen de performance. 

Auteur: Sejnowski Terrence Joseph

Info: The Deep Learning Revolution

[ apprentissage profond ] [ cybernétique ]

questions

Comment apprenons-nous ? Existe-t-il une meilleure façon de procéder ? Que pouvons-nous prédire ? Pouvons-nous faire confiance à ce que nous avons appris ? Les écoles de pensée rivales dans le domaine de l'apprentissage automatique ont des réponses très différentes à ces questions. Les principales sont au nombre de cinq, et nous consacrerons un chapitre à chacune d'elles. Les symbolistes considèrent l'apprentissage comme l'inverse de la déduction et s'inspirent de la philosophie, de la psychologie et de la logique. Les connexionnistes font de la rétro-ingénierie du cerveau et s'inspirent des neurosciences et de la physique. Les évolutionnistes simulent l'évolution sur ordinateur et s'appuient sur la génétique et la biologie évolutionniste. Les bayésiens pensent que l'apprentissage est une forme d'inférence probabiliste et trouvent leurs racines dans les statistiques. Les analogistes apprennent en extrapolant à partir de jugements de similarité et sont influencés par la psychologie et l'optimisation mathématique.

Auteur: Domingos Pedro

Info: The Master Algorithm : How the Quest for the Ultimate Learning Machine Will Remake Our World

[ apprentissage ] [ penta ] [ intelligence artificielle ]

machines biologiques

En tant qu’expérience de pensée, l’analyse de von Neumann était d’une simplicité enfantine. Il disait que le matériel génétique de tout système autoreproducteur, qu’il soit naturel ou artificiel, devait fonctionner comme un programme enregistré dans un ordinateur : d’un côté, il devait servir de code machine exécutable vivant, une sorte d’algorithme qui pourrait être exécuté pour guider la construction de la progéniture du système ; de l’autre, il devait servir de données passives, une description qui pourrait être dupliquée et transmise à la progéniture.

En tant que prédiction scientifique, cette même analyse était stupéfiante : en 1953, lorsque James Watson et Francis Crick ont ​​finalement déterminé la structure moléculaire de l’ADN, elle répondait exactement aux deux exigences de von Neumann. En tant que programme génétique, l’ADN code les instructions permettant de fabriquer toutes les enzymes et protéines structurelles dont la cellule a besoin pour fonctionner. Et en tant que référentiel de données génétiques, la double hélice de l’ADN se déroule et se copie à chaque fois que la cellule se divise en deux. La nature a ainsi intégré le double rôle du matériel génétique dans la structure même de la molécule d’ADN.

Auteur: Waldrop Mitchell

Info: The Dream Machine: J.C.R. Licklider and the Revolution That Made Computing Personal

[ génitrices ] [ dédoublement ]

épistémologie

La théorie phlogistique* était une inversion de la véritable nature de la combustion. Enlever le phlogiston revenait en réalité à ajouter de l'oxygène, tandis qu'ajouter du phlogiston revenait en fait à enlever de l'oxygène. La théorie était une déformation totale de la réalité. Le phlogiston n'existait même pas, et pourtant son existence a été fermement crue et la théorie a été rigoureusement respectée pendant près de cent ans au cours du dix-huitième siècle. ... Au fil des expériences, les propriétés du phlogistique sont devenues de plus en plus bizarres et contradictoires. Mais au lieu de remettre en question l'existence de cette substance mystérieuse, on la fit servir à des fins plus générales. ... Pour le sceptique ou, en fait, pour quiconque est prêt à sortir du cercle des croyances darwiniennes, il n'est pas difficile de trouver dans la pensée évolutionniste moderne des inversions du sens commun qui rappellent de façon frappante la gymnastique mentale des chimistes du phlogistique ou des astronomes médiévaux.

Pour le sceptique, la proposition selon laquelle les programmes génétiques des organismes supérieurs, composés d'environ mille millions de bits d'information, équivalant à la séquence de lettres dans une petite bibliothèque de mille volumes, contenant sous forme codée d'innombrables milliers d'informations. Des algorithmes complexes contrôlant, spécifiant et ordonnant la croissance et le développement de milliards et de milliards de cellules sous la forme d'un organisme complexe, ont été composés par un processus purement aléatoire, est tout simplement un affront à la raison. Mais pour le darwiniste, l'idée est acceptée sans le moindre doute - c'est le paradigme qui premier ! 

Auteur: Denton Michael J.

Info: Evolution : Une théorie en crise - * était censé être une substance invisible contenue dans les objets qui brûlaient. Lors de la combustion, cette substance (phlogistique) était libérée, ce qui produisait chaleur et lumière. Cette théorie a été abandonnée après que Lavoisier ait découvert que la combustion était en fait une réaction chimique avec l'oxygène de l'air.

[ sciences ] [ schéma directeur ] [ cadre général ] [ sérendipité ]

clair-obscur

Certains objets paraissent blancs dans l'obscurité.

Quand une vague lueur les caresse, même les choses qui ne sont pas à proprement parler blanche diffusent une pâle clarté.

La nuit, dans le séjour où je n'allumais pas la lumière, je dépliais le canapé-lit sur lequel je m'allongeais et dans la pénombre, au lieu d'essayer de dormir, je me mettais à l'écoute du temps qui s'écoulait. J'observais les ombres qui dessinaient les arbres sur le mur blanc.

Auteur: Han Kang

Info: Blanc

[ pénombre ]

marques

Mes chaussures laissaient des traces noires sur la neige qui à l'aube s'était déposée en une couche consistante sur le trottoir.

Tels quelques mots écrits sur une feuille blanche.

Auteur: Han Kang

Info: Blanc

[ éphémères ]

décor

La nuit n’est pas silencieuse.

Le bruit assourdissant de l’autoroute non loin de là dessine sur les tympans de la femme des milliers de lignes comme tracées par autant de lames de patins à glace.

Le magnolia pourpre dont les pétales flétris ont commencé à tomber brille sous la lumière du lampadaire. Elle marche, se frayant un chemin à travers la sensualité des fleurs si abondantes qu’elles font fléchir les branches, à travers l’atmosphère de cette nuit de printemps dont on dirait qu’il va se dégager un parfum sucré si on l’écrase. De temps à autre, elle passe ses deux mains sur son visage alors qu’elle sait que rien ne coule sur ses joues.

Auteur: Han Kang

Info: Leçons de grec

[ sonore ] [ sensation ]