polyglottes

Comment le cerveau des bilingues bascule d'une langue à une autre. Une nouvelle étude scientifique met en évidence la facilité déconcertante avec laquelle ce processus s'opère.

Le bilinguisme, soit l'utilisation régulière, au quotidien, de deux langues, n'est pas un phénomène marginal dans le monde. Même si les estimations varient, plusieurs sources démontrent que près de la moitié de la population mondiale serait bilingue. Cette compétence, qui offre selon certains scientifiques un avantage cognitif, a été étudiée dernièrement par Sarah Frances Phillips, linguiste et étudiante diplômée à l'université de New York, et sa conseillère Liina Pylkkänen. Elles se sont plus spécifiquement intéressées au cerveau des personnes bilingues pour comprendre les mécanismes qui s'opéraient lorsqu'elles passaient d'une langue à une autre. 

L'étude met en évidence à quel point le changement de langue, aussi appelé "commutation de code", est normal et naturel pour le cerveau des multilingues. L'organe ne fait face à aucune difficulté et utilise les mêmes schémas neurologiques que le cerveau des personnes monolingues.

Sarah Frances Phillips, qui a elle-même grandi dans une famille bilingue, détaille son travail. Elle explique que le bilinguisme n'est bien compris "ni d'un point de vue linguistique, ni d'un point de vue neurobiologique". Un champ libre s'ouvrait donc à elle. Pour mener son étude, elle a recueilli les données d'une vingtaine de participants bilingues anglais-coréen. Tous étaient capables de lire, écrire, parler et écouter les deux langues.

Plus de 700 essais ont été réalisés afin d'observer les changements qui s'opèrent dans le cerveau. La technique appelée magnétoencéphalographie (MEG) a été utilisée pour suivre l'activité cérébrale. "Nous avons présenté aux participants un sujet et un verbe intransitif", explique la linguiste. Des mots comme "glaçons" et "fondre" ont par exemple été proposés, puis "glaçons" et "sauter". 

Dans le premier cas, les cerveaux des monolingues et des bilingues entraient en forte activité (dans le lobe temporal antérieur gauche). Mais lorsque les mots n'avaient pas de lien, ce pic n'était pas observé. "Nous avons trouvé cela à la fois dans le changement de langue [entre l'anglais et le coréen] et dans l'orthographe [avec des caractères romains et coréens]. Nous manipulons donc le langage, mais aussi la représentation de ces mots", commente Sarah Frances Phillips. 

Le fait que le lobe temporal antérieur gauche soit capable de combiner ces concepts de manière significative sans ralentir, sans être affecté par l'origine des concepts ou la façon dont ils nous sont présentés, nous dit que notre cerveau est capable de faire ce genre de processus naturellement, détaille la linguiste.

"En bref le changement de code est très naturel pour les personnes bilingues", conclut-elle. Seule ombre au tableau pour les bilingues: lorsqu'ils doivent se contenter d'utiliser une seule langue, leur cerveau doit fournir davantage d'effort pour supprimer l'autre langue de sa base de données.

Auteur: Internet

Info: Scientific American, 3 décembre 2021 à 6h30, via Slate.fr

[ diglossie ] [ transposition ] [ traduction ]

chauvinisme idiomatique

La logique des mots

Que vient faire la langue dans la géopolitique ? Comprendre la vision du monde de V. Poutine suppose qu’on s’intéresse de près à cette question, qui attire peu l’attention en Europe occidentale, à l’exception de la Catalogne.

Le russe et l’ukrainien sont des langues différentes mais proches, comme sont proches l’espagnol et l’italien, mais moins que le tchèque et le slovaque, langues officielles de deux États différents, moins encore que le serbe et le croate, pratiquement identiques.

Après des siècles d’interdiction et de répression de la langue ukrainienne dans la Russie tsariste, puis de russification des normes de l’ukrainien sous Staline, l’immense majorité des citoyens ukrainiens sont bilingues, ou du moins comprennent parfaitement l’autre langue. Beaucoup d’entre eux parlent un mélange des deux langues, appelé le surzhyk, ou passent d’une langue à l’autre en fonction des interlocuteurs ou de la situation. Il est donc impossible de faire des statistiques fiables sur la répartition des langues, même si la question de la langue fait partie des recensements de population. Le gouvernement ukrainien a peut-être été maladroit d’imposer l’ukrainien comme seule langue officielle et de transformer le russe en langue étrangère au même titre que l’anglais, ce qui a profité à la démagogie poutinienne qui a argumenté sur la "répression" dont seraient victimes les "Russes" en Ukraine. Or "les Russes" en Ukraine ne sont pas "des Russes". Une nuance sémantique fondamentale doit être prise en compte : en Europe orientale certains pays font une différence entre "nationalité" et "citoyenneté". La citoyenneté est l’appartenance à un État (définition politique, non essentielle), la nationalité est une identité ethnique (essentielle, inaliénable). La nationalité se définit, entre autres, par la langue. Sur les papiers d’identité soviétiques était inscrite la "nationalité" : russe, ouzbèque, lettone, juive, ukrainienne… En 1975 A. Soljenitsyne a été privé de sa citoyenneté soviétique, mais les sbires du KGB n’auraient jamais eu l’idée de le priver de sa nationalité russe, idée dénuée de sens. Cette double appartenance subsiste dans la Russie post-soviétique (même si elle n’est plus mentionnée sur les papiers d’identité), mais pas en Ukraine, où tous les citoyens sont ukrainiens au même titre que ceux dont la langue maternelle est le hongrois ou le roumain.

Dans cette logique du point de vue russe, les Suisses romands, parce qu’ils sont francophones, sont des citoyens helvétiques de nationalité française, qui rêveraient de réintégrer un jour la mère-patrie, comme les Tessinois des citoyens helvétiques de nationalité italienne, injustement séparés de la mère-patrie, logique irrédentiste. A l’inverse, les Bretons, les Basques et les Alsaciens sont, toujours de ce point de vue, des citoyens français, de nationalité bretonne, basque ou alsacienne.

Cette définition de l’identité, ou appartenance d’un individu à un groupe remonte à l’opposition entre la définition française jacobine, politique, de la nation, et la définition allemande, romantique, culturelle, d’où la différence entre Gemeinschaft (essentielle, naturelle) et Gesellschaft (superficielle, non essentielle) (un thème récurrent de l’idéologie völkisch au début du XXe siècle).

Toute comparaison doit être maniée avec précaution, mais une s’impose : en 1938 pour Hitler les citoyens tchécoslovaques de langue allemande étaient "des Allemands", dont le territoire (les Sudètes) devait revenir dans le giron de la nation. Pour Poutine, les citoyens ukrainiens de langue maternelle (ou principale) russe sont "des Russes" avant d’être des citoyens ukrainiens. Il est donc logique, dans cette idéologie déterministe, que le territoire où ils sont en majorité revienne à la mère-patrie, dont ils n’auraient jamais dû être séparés. Mais cette logique a un prix : le mépris total de tout choix démocratique, de toute auto-détermination, puisque, dans ces conditions, l’individu n’existe pas en dehors du groupe auquel il est censé appartenir : la "nation" au sens ethnique.

La logique des mots

Le discours de Poutine n’est pas raciste (au sens biologique), mais ethniciste. Or, au final, la différence n’est pas grande, puisque pour lui la démocratie n’est qu’une faiblesse décadente, un facteur de division, et que seul compte le déterminisme ethnique. Chauvinisme, xénophobie et mépris du droit en sont l’expression la plus manifeste.

Quant Poutine prétend défendre ce qu’il appelle "nos concitoyens" ou "nos compatriotes" opprimés en Ukraine, il est indispensable de décoder ces mots démagogiques dont le sens premier a été détourné. Considérer que l’appartenance ethnique prime sur l’appartenance citoyenne est une idéologie politique dangereuse, qui repose sur l’idée de pseudo-naturalisme, à savoir que tout russophone, quelle que soit sa citoyenneté, est en même temps redevable de son être profond à l’État russe.

La Lettonie (membre de l’UE), où réside une importante minorité russophone, sera-t-elle la prochaine cible de la reconstitution de l’Empire soviétique ? La fragile Moldavie, presque bilingue, n’est-elle pas encore plus en danger ?

Auteur: Sériot Patrick

Info: Journal Le Temps, février 2022

[ dialectes parents ]

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 ]