offre-demande

Comment rentabiliser les milliards investis dans les micro et nanotechnologies ? En leur trouvant des applications sous forme d’objets et de services à vendre. Pour s’assurer du succès des nouveaux produits et de leur "acceptabilité" par la société, ingénieurs et industriels s’associent à des chercheurs en sciences sociales au sein d’un labo spécialisé : IDEAs Lab.

[…]

La hantise des industriels qui investissent dans le développement d’"innovations", c’est l’échec commercial. Comme celui des OGM, qui a fait plonger les multinationales de l’agro-business. Dominique David, du LETI : "dans la high tech, les marchés les plus importants seront ceux tirés par le grand public." Comment éviter les mauvaises surprises ? "Nous ne prétendons pas trouver la vérité : nous réduisons la part des incertitudes et des opportunités manquées", répond Michel Ida. "Ceci grâce à l’apport d’autres disciplines scientifiques, en particulier les sciences humaines, qui disposent de méthodes éprouvées pour faire naître des idées et évaluer un projet" . Bref, ils ont les moyens de nous faire consommer.

Dans leur techno-jargon, experts, scientifiques et industriels parlent d’"acceptabilité". On sait l’importance de la propagande (publicité, marketing, communication, relations publiques, sponsoring, lobbying, etc) pour fourguer aux "gens" toutes sortes de produits dont ils ignoraient le besoin ("comment j’ai fait pour m’en passer ?") et qu’éventuellement ils jugeaient néfastes. On connaît moins l’intervention des sciences humaines en amont, avant même la conception du produit, et leurs "méthodes éprouvées pour faire naître des idées et évaluer un projet". C’est ce qu’on découvre à regarder IDEAs Lab d’un peu plus près.

"Quand les bénéfices perçus prennent le pas sur les inconvénients, les inquiétudes disparaissent, affirme Patrice Senn, directeur du laboratoire Objets Communicants de France Telecom R&D, co-fondateur d’IDEAs Lab. Devant les facilités offertes par la carte bancaire ou les téléphones portables, les utilisateurs oublient qu’ils sont suivis à la trace." Voilà l’admirable efficacité de la méthode dite de "Conception Assistée par l’Usage" ("design smart process"), au cœur du dispositif d’IDEAs Lab.

Auteur: PMO Pièces et main-d'oeuvre

Info: Dans "Aujourd'hui le nanomonde", pages 219 à 222

[ vente forcée ] [ création du besoin ] [ opinion publique ] [ société de profit ]

architecture

Si la civilisation française fut durable, c'est à la pierre qu'elle le dut : le bois d'Europe nordique, le stuc italien, la brique anglaise ou flamande, le béton soviétique sont des matériaux fragiles dont la vieillesse sans patine est précoce et dont les ruines informes auront depuis longtemps disparu que nos édifices seront encore debout. Issus des carrières molles ou dures, roches, marbres, monolithes ou agglomérés forment de surprenantes variétés. Lorsqu'il est question d'une de nos villes, lorsqu'on nous parle d'une de nos provinces, nous pensons d'abord à leur visage de pierre. Truffeau des villages troglodytes de la Loire, murs tendres où la renaissance sculpta ses motifs italiens, murs de l'Anjou et de Touraine, verdâtres comme le teint des héroïnes Balzaciennes. Craies ponctuées de noirs silex, riverains de la Seine, plongeant sous la Manche pour reparaître à Douvres. Doux calcaires du Valois et du Soissonnais. Enfin les produits des vieux massifs cristallins, sombres villages de l'Armorique, noirs étables du Massif central, couleur de pierre à aiguiser. Plaques de schiste des toits d'Auvergne. Mica des entablements alpins scintillants au soleil, gâlets roulés des maisons du Rhône, orgues et tables de lave de la Limagne débités en murs d'enceinte, en donjons incurvés, en abbayes verticales. 

L'histoire de notre art ne s'explique que par là, depuis les maladroits alignements d'Armor jusqu'aux pierres de belle hache, débitées à la scie lisse, de cette île de France qui exportait sa chair pour bâtir les cathédrales anglaises ou les résidences américaines. (Les carrières Buttes Chaumont où les voyous d'Eugène Sue ne se nomment-elles pas les carrières d'Amérique ?) Les noms de leurs pierres sont bien de chez nous : le vergelet, la lamarde, le saint-leu, le conflans.

La France, coin de l'Europe. Pierre d'encoignure, pierre d'attente, pierre de touche. La France, ossature et squelette de l'extrême occident. C'est pourquoi notre fonds national est rude, avare, de grain serré, d'un génie enclin à la résistance et à la pétrification. Matériau résistant au feuilletage superficiel des gelées, pierre éprouvée qui a fait son unité, qui a jeté son eau, comme disent les carriers. Chair bien jointoyée et équarrie.

Profitons de la disette actuelle de ciment, de l'absence de cette hideuse boue durcie, de cette substance plastique sans forme, couleur ni nationalité qu'est le béton.

Auteur: Morand Paul

Info: Chroniques 1931-1954 (2001, 651 p., Grasset, p.371)

[ géographie hexagonale ] [ beauté ] [ type de construction ]

femmes-hommes

Orgasmes masculin et féminins
L'orgasme féminin est la manifestation physique de l'extase qui emporte, du plaisir absolu, corps, coeur et tête à la fois. Cet orgasme "total" demande un concours de circonstances très favorables, différentes pour chaque femme, et se produit donc assez rarement. Quand la communion entre les partenaires est proche de la perfection ou quand la femme est en parfaite harmonie avec elle-même, on appelle ce moment magique "la petite mort" parce que la femme a atteint un tel degré d'excitation et de plaisir qu'elle a le sentiment d'arriver à un point de non-retour et a quasi l'impression qu'elle va mourir, ou perdre conscience. C'est pourquoi il faut que, avec le temps, la femme arrive à dominer la peur et à se laisser aller au seul plaisir. Cet orgasme est si intense qu'une femme n'en aura généralement qu'un et devra prendre le temps de "récupérer" si elle souhaite qu'un autre se produise. A un degré moindre, d'autres types d'orgasmes sont possibles qui sont aussi très satisfaisants et qui, eux, peuvent se suivre assez rapidement. Le corps est alors saisi d'une réaction due à un plaisir sexuel très fort. Ce plaisir peut venir du corps seulement ou de la tête seulement ou des deux à la fois. Cette réaction se propage dans l'ensemble du corps mais se ressent en particulier dans le ventre et dans le sexe.
Il faut aussi savoir que dans un rapport de couple, le besoin de la femme en orgasme est moins impérieux, moins fort. Il n'est donc pas nécessaire que pour qu'un rapport sexuel soit réussi, une femme ait absolument un orgasme. Beaucoup d'hommes cherchent ainsi, à tout prix, à déclencher celui de leur compagne, et beaucoup de femmes en font une exigence... c'est se fixer une performance : le résultat risque d'être décevant. Une femme peut ressentir une intense volupté, un énorme plaisir, même si son orgasme ne se déclenche pas.
L'orgasme féminin est compliqué : à la suite d'une stimulation - génitale ou autre - le cerveau envoie un message qui traverse la colonne vertébrale et provoque une série de contractions rythmiques de la région interne du premier tiers du vagin, de l'utérus et de la région anale mettant trois groupes musculaires en jeu. L'orgasme se produit au terme de la phase de plateau : quand l'excitation s'intensifie et que la tension sexuelle et musculaire augmente. Le premier tiers du vagin se gonfle et resserre l'ouverture, les deux tiers du fond du vagin s'arrondissent. Le clitoris se presse contre l'os du pubis, et les petites lèvres deviennent plus foncées et plus épaisses. Si rien ne vient perturber le processus physiologique (téléphone, bébé qui pleure...), l'orgasme peut alors se produire, ne durant souvent que quelques secondes : il peut y avoir de 2 à 3 contractions musculaires, distantes l'une de l'autre de moins d'une seconde.
Les différents types d'orgasme féminin : Clitoridien ou vaginal ?... Le clitoris et le vagin sont deux zones de stimulation capables de provoquer le plaisir orgasmique. L'orgasme clitoridien est plus aigu. Grâce à la masturbation, la femme peut y parvenir en quelques minutes. La stimulation du clitoris tend à produire des orgasmes plus intenses. La sensation éprouvée est très puissante. Cet orgasme met en jeu les muscles pelviens et abdominaux. L'orgasme vaginal est, selon Freud, l'orgasme "adulte et supérieur", (contrairement à l'orgasme clitoridien, "infantile et inférieur"). Comme les parois internes du vagin ont des terminaisons nerveuses, un tiers des femmes affirment qu'elles peuvent avoir un orgasme de cette façon. La stimulation du point G pourrait conduire à un orgasme profond. Des sensations de vagues de chaleur inondent alors tout le corps. Il semble en fait qu'il n'y ait pas d'orgasme en fait strictement clitoridien. Mais la stimulation vaginale à elle seule ne suffit pas non plus, pour la plupart des femmes, à produire un orgasme. Une femme n'est pas clitoridienne ou vaginale, mais les deux à la fois. Selon Masters et Johnson, il n'y a en fait qu'un type d'orgasme, provoqué par la stimulation du clitoris et se traduisant par des contractions du vagin. Pour d'autres, il faudrait un orgasme clitoridien préalable pour parvenir à un orgasme vaginal. C'est en fait la stimulation prolongée du clitoris qui finit par provoquer des contractions de la plate-forme vaginale. Ce réflexe clitoris vaginal provoque un orgasme superficiel. L'orgasme dit profond se traduit par des contractions utérines régulières, et procure un sentiment de détente. Les deux types d'orgasmes peuvent se produire de façon simultanée ou successivement.
Les orgasmes multiples : Si la stimulation et l'intérêt sexuel se prolongent par l'orgasme, certaines femmes (une sur dix) peuvent avoir une série d'orgasmes les uns à la suite des autres. Comme les femmes mettent plus de temps à atteindre l'orgasme, elles restent plus longtemps dans la phase de plateau, et peuvent replonger dedans. Contrairement à l'homme, elles ne connaissent pas de période réfractaire et peuvent donc prolonger le plaisir beaucoup plus longtemps. Elles peuvent ainsi avoir 5, 10, voire 20 orgasmes au cours d'un même rapport sexuel. Mais les orgasmes multiples ne sont pas pour autant liés à la satisfaction sexuelle. En avoir ne devrait pas être un but en soi : en fait, beaucoup de femmes trouvent même que la stimulation des parties génitales après l'orgasme n'est pas agréable, voire douloureuse.
En conclusion ce n'est pas la durée de la pénétration, forme trop simple de sexualité, qui permet à la femme de parvenir à l'orgasme. Elle est quasi jamais suffisante pour provoquer l'orgasme. Les femmes ont besoin d'un stimulation directe de leur clitoris, buccales, masturbatoires, certaines doivent même avoir une stimulation des seins. Ne pas parvenir à l'orgasme à chaque rapport sexuel n'est pas synonyme d'échec. 40 % des femmes qui ne parviennent pas à l'orgasme à chaque rapport se disent pourtant tout à fait satisfaites de leur sexualité. La satisfaction sexuelle d'une femme ne dépend pas du nombre de ses orgasmes. Les orgasmes multiples, et les orgasmes simultanés ne devraient pas être le but à atteindre. Le contrôle et la volonté d'être synchros empêchent au contraire de vous abandonner au plaisir. Les femmes peuvent avoir un orgasme sans éprouver de plaisir. Sachez aussi que l'orgasme rend la peau éclatante, améliore le tonus de tout le corps, et a aussi des effets positifs sur le plan cardiovasculaire. Un dernier scoop : L'orgasme aurait une fonction plus utilitaire que le simple plaisir. Une femme éprouverait le désir d'avoir un orgasme à chaque fois que son corps juge que cela peut optimiser ses chances de fécondation. Schopenhauer aurait parlé de ruse de l'espèce. La sexualité ne viserait qu'à transmettre notre capital génétique. D'ailleurs, les femmes qui ont un orgasme expulsent moins de spermatozoïdes dans la demi-heure qui suit l'insémination. Les spermatozoïdes sont ainsi plus nombreux à passer du vagin au canal cervical et à l'utérus.

Auteur: Internet

Info: http://www.affection.org/sexualite/orgasme.html

[ mâles-femelles ] [ vus-scientifiquement ]

machine-homme

Les algorithmes traditionnels alimentent des outils de calcul compliqués comme l'apprentissage automatique (machine learning). Une nouvelle approche, appelée algorithmes avec prédictions, utilise la puissance de l'apprentissage automatique pour améliorer les algorithmes.

Les algorithmes - morceaux de code qui permettent aux programmes de trier, filtrer et combiner des données, entre autres choses - sont les outils standard de l'informatique moderne. Tels de minuscules engrenages dans une montre, les algorithmes exécutent des tâches bien définies au sein de programmes plus complexes.

Ils sont omniprésents, et c'est en partie pour cette raison qu'ils ont été minutieusement optimisés au fil du temps. Lorsqu'un programmeur doit trier une liste, par exemple, il se sert d'un algorithme de "tri" standard utilisé depuis des décennies.

Aujourd'hui, des chercheurs jettent un regard neuf sur les algorithmes traditionnels, en utilisant la branche de l'IA , donc du machine learning. Leur approche, appelée "algorithmes avec prédictions", tire parti des informations que les outils d'apprentissage automatique peuvent fournir sur les données traitées par les algorithmes traditionnels. Ces outils doivent, en quelque sorte, rajeunir la recherche sur les algorithmes de base.

L'apprentissage automatique et les algorithmes traditionnels sont "deux façons très différentes de calculer, et les algorithmes avec prédictions sont un moyen de les rapprocher", a déclaré Piotr Indyk, informaticien au Massachusetts Institute of Technology. "C'est un moyen de combiner ces deux fils conducteurs assez différents".

La récente explosion d'intérêt pour cette approche a commencé en 2018 avec un article de Tim Kraska, informaticien au MIT, et d'une équipe de chercheurs de Google. Dans cet article, les auteurs ont suggéré que l'apprentissage automatique pourrait améliorer un algorithme traditionnel bien étudié appelé filtre de Bloom, qui résout un problème simple mais aussi complexe et ardu.

Imaginez que vous dirigez le service informatique de votre entreprise et que vous devez vérifier si vos employés se rendent sur des sites web présentant un risque pour la sécurité. Naïvement, vous pourriez penser que vous devez vérifier chaque site qu'ils visitent en le comparant à une liste noire de sites connus. Si la liste est énorme (comme c'est probablement le cas pour les sites indésirables sur Internet), le problème devient lourd - on ne peut vérifier chaque site par rapport à une liste énorme dans le minuscule lapts de temps qui précède le chargement d'une page Internet.

Le filtre Bloom offre une solution, en permettant de vérifier rapidement et précisément si l'adresse d'un site particulier, ou URL, figure sur la liste noire. Pour ce faire, il comprime essentiellement l'énorme liste en une liste plus petite qui offre certaines garanties spécifiques.

Les filtres Bloom ne produisent jamais de faux négatifs : s'ils disent qu'un site est mauvais, il est mauvais. Cependant, ils peuvent produire des faux positifs, de sorte que vos employés ne pourront peut-être pas visiter des sites auxquels ils devraient avoir accès. Cela s'explique par le fait qu'ils s'agit d'une forme d'échange qui implique une certaine imprécision due à cette énorme quantité de données compressées -  astuce intitulée "compression avec perte". Plus les filtres Bloom compriment les données d'origine, moins ils sont précis, mais plus ils économisent de l'espace.

Pour un simple filtre Bloom, chaque site Web est également suspect jusqu'à confirmaton qu'il ne figure pas sur la liste. Mais tous les sites Web ne sont pas égaux : Certains ont plus de chances que d'autres de se retrouver sur une liste noire, simplement en raison de détails comme leur domaine ou les mots de leur URL. Les gens comprennent cela intuitivement, et c'est pourquoi vous lisez probablement les URL pour vous assurer qu'elles sont sûres avant de cliquer dessus.

L'équipe de Kraska a mis au point un algorithme qui peut également appliquer ce type de logique. Ils l'ont appelé "filtre de Bloom instruit" et il combine un petit filtre de Bloom avec un réseau neuronal récurrent (RNN), modèle de machine learning qui apprend à quoi ressemblent les URL malveillantes après avoir été exposées à des centaines de milliers de sites web sûrs et non sûrs.

Lorsque le filtre Bloom vérifie un site web, le RNN agit en premier et utilise son apprentissage pour déterminer si le site figure sur la liste noire. Si le RNN indique que le site figure sur la liste, le filtre Bloom appris le rejette. Mais si le RNN dit que le site n'est pas sur la liste, alors le petit filtre Bloom peut à son tour, faire une recherche précise, mais irréfléchie, dans ses sites compressés.

En plaçant le filtre Bloom à la fin du processus et en lui donnant le dernier mot, les chercheurs ont fait en sorte que les filtres Bloom instruits puissent toujours garantir l'absence de faux négatifs. Mais comme le RNN préfiltre les vrais positifs à l'aide de ce qu'il a appris, le petit filtre de Bloom agit davantage comme une sauvegarde, en limitant également ses faux positifs au minimum. Un site Web bénin qui aurait pu être bloqué par un filtre Bloom de plus grande taille peut désormais passer outre le "filtre Bloom iinstruit" plus précis. En fait, Kraska et son équipe ont trouvé un moyen de tirer parti de deux méthodes éprouvées, mais traditionnellement distinctes, d'aborder le même problème pour obtenir des résultats plus rapides et plus précis.

L'équipe de Kraska a démontré que la nouvelle approche fonctionnait, mais elle n'a pas formellement expliqué pourquoi. Cette tâche a été confiée à Michael Mitzenmacher, spécialiste des filtres de Bloom à l'université de Harvard, qui a trouvé l'article de Kraska "novateur et passionnant", mais aussi fondamentalement insatisfaisant. "Ils font des expériences en disant que leurs algorithmes fonctionnent mieux. Mais qu'est-ce que cela signifie exactement ?" a-t-il demandé. "Comment le savons-nous ?"

En 2019, Mitzenmacher a proposé une définition formelle d'un filtre de Bloom INSTRUIT et a analysé ses propriétés mathématiques, fournissant une théorie qui explique exactement comment il fonctionne. Et alors que Kraska et son équipe ont montré que cela pouvait fonctionner dans un cas, Mitzenmacher a prouvé que cela pouvait toujours fonctionner.

Mitzenmacher a également amélioré les filtres de Bloom appris. Il a montré que l'ajout d'un autre filtre de Bloom standard au processus, cette fois avant le RNN, peut pré-filtrer les cas négatifs et faciliter le travail du classificateur. Il a ensuite prouvé qu'il s'agissait d'une amélioration en utilisant la théorie qu'il a développée.

Les débuts des algorithmes avec prédiction ont suivi ce chemin cyclique : des idées novatrices, comme les filtres de Bloom appris, inspirent des résultats mathématiques rigoureux et une compréhension, qui à leur tour conduisent à d'autres idées nouvelles. Au cours des dernières années, les chercheurs ont montré comment intégrer les algorithmes avec prédictions dans les algorithmes d'ordonnancement, la conception de puces et la recherche de séquences d'ADN.

Outre les gains de performance, ce domaine fait également progresser une approche de l'informatique de plus en plus populaire : rendre les algorithmes plus efficaces en les concevant pour des utilisations typiques.

À l'heure actuelle, les informaticiens conçoivent souvent leurs algorithmes pour qu'ils réussissent dans le scénario le plus difficile, celui conçu par un adversaire qui tente de les faire échouer. Par exemple, imaginez que vous essayez de vérifier la sécurité d'un site web sur les virus informatiques. Le site est peut-être inoffensif, mais il contient le terme "virus informatique" dans l'URL et le titre de la page. La confusion est telle que même les algorithmes les plus sophistiqués ne savent plus où donner de la tête.

Indyk appelle cela une approche paranoïaque. "Dans la vie réelle, dit-il, les entrées ne sont généralement pas générées par des adversaires." La plupart des sites Web que les employés visitent, par exemple, ne sont pas aussi compliqués que notre hypothétique page de virus, et il est donc plus facile pour un algorithme de les classer. En ignorant les pires scénarios, les chercheurs peuvent concevoir des algorithmes adaptés aux situations qu'ils sont susceptibles de rencontrer. Par exemple, alors qu'à l'heure actuelle, les bases de données traitent toutes les données de la même manière, les algorithmes avec prédiction pourraient conduire à des bases de données qui structurent le stockage de leurs données en fonction de leur contenu et de leur utilisation.

Et ce n'est encore qu'un début, car les programmes qui utilisent l'apprentissage automatique pour améliorer leurs algorithmes ne le font généralement que de manière limitée. Comme le filtre de Bloom, la plupart de ces nouvelles structures n'intègrent qu'un seul élément d'apprentissage automatique. M. Kraska imagine un système entier construit à partir de plusieurs pièces distinctes, dont chacune repose sur des algorithmes avec des prédictions et dont les interactions sont régulées par des composants améliorés par les prédictions.

"Tirer parti de cela aura un impact sur de nombreux domaines".

Gageons qu'avec de tels systèmes, un site comme FLP se retrouve à peu près certain de ne jamais être accepté par un filtre de Bloom - ou un filtre de Bloom instruit. Qui sont - objectivement - des instruments de contrôle, et donc de fermeture.  (Note du traducteur).

Auteur: Internet

Info: Nick Thieme, https://www.quantamagazine.org, A I, Machine Learning Reimagines the Building Blocks of Computing, March 15, 2022. Trad Mg

[ censure numérique ] [ triage web ] [ citation s'appliquant à ce logiciel ]