commerce littéraire

La télé a fait mieux, elle a fait bien mieux et bien plus fort que d’encourager la lecture ou la dissuader : elle a intégré la littérature, et ce qu’elle n’intégrait pas à disparu. Elle l’a vassalisée. Les livres ont cessé d’avoir une existence autonome pour devenir la chair et le sang (une petite, une toute petite parcelle de la chair et du sang) des médias. Télétranssubstantiation. Dès 1974, alors qu’il n’avait même pas encore inventé cette arme absolue nommée "Apostrophes", Pivot annonçait la couleur dans une interview : "Ce n’est pas la télévision qui est au service de la littérature ; c’est la littérature qui est au service la télévision"

 

Auteur: Muray Philippe

Info: Désaccord parfait, in Les mutins de Panurge p 46

[ digestion ] [ jeux du cirque ] [ têtes réduites ] [ évolution ] [ diffusion ] [ publicité ]

dysphorie

L’enseignement primaire et secondaire accorde désormais de plus en plus de place à l’enseignement du genre et à la promotion des identités transgenres. Il s’agit de dénoncer, dès la maternelle, les "stéréotypes sexuels" et d’encourager les enfants à "explorer" ou à "déconstruire le genre". Les enfants doivent apprendre qu’il leur revient de choisir leur genre. (...)

En France une circulaire du ministre de l’Éducation nationale, Jean-Michel Blanquer, a repris sans précaution le langage de l’ "affirmation de genre" propre aux militants trans, y compris pour les jeunes enfants : "le seul indicateur fiable de l’identité de genre d’une personne, quel que soit son âge, est son autodétermination". Cette circulaire préconise que toute la communauté éducative accompagne la transition sociale du jeune, en utilisant son "prénom d’usage", en ne discutant pas ses choix d’habillement et en le laissant utiliser les "espaces d’intimité" du genre qu’il se choisit.

(...) cela est d’autant plus préoccupant que l’on sait qu’il est très difficile de faire marche arrière lorsqu’une transition sociale est enclenchée. Comme l’ont noté récemment Caroline Éliacheff et Céline Masson, "la transition dite sociale met l’enfant sur des rails qui le dirigent tout droit vers la transition médicale".

Auteur: Braunstein Jean-François

Info: La religion woke

[ wokisme ] [ politiquement correct ]

perroquets sociaux

Non, Winston Churchill n’a pas tenu ces propos sur les arts et la Seconde guerre mondiale "Alors pourquoi nous battons-nous ?" lorsqu'on lui demanda de couper dans le budget des arts pendant la Seconde Guerre mondiale. Beaucoup, dont de célèbres personnalités, ont partagés une citation attribuée à Churchill à l’annonce de certaines mesures suite à la pandémie Covid. Le politique britannique n’a pas tenu ces propos, même s’il exprima des sentiments proches. Churchill appréciait l’art (il peignait et il a reçu le prix Nobel de littérature) et était fameux connu pour son sens de la formule ("du sang de la sueur et des larmes"). Cependant il n’a pas déclaré que son pays se battait pour sauver les arts. 

Ainsi cette citation a beaucoup circulé sur le web : "Lorsqu'on demanda à Winston Churchill de couper dans le budget des arts pour l’effort de guerre, il aurait répondu : - Alors pourquoi nous battons-nous ? ". 

Cette citation est fausse, a expliqué Richard Langworth, historien et membre du Churchill Projet de l’université d’Hillsdale, aux USA. David Freeman, de l’International Churchill Society, a pareillement nié l'authenticité de la citation auprès de nos confrères américains de Politifact.

Cependant, comme le souligne Richard Langworth, Winston Churchill avait exprimé des sentiments similaires en avril 1938 à la Royal Academy. "Les arts sont essentiels à toute vie nationale complète. L’État se doit de les soutenir et de les encourager. Le pays possède, avec la Royal Academy, une institution de richesse et de pouvoir qui a pour but d’encourager les arts de la peinture et de la sculpture."

Auteur: Internet

Info: Refondu à partir d'un article de Mathilde Cousin sur "20 minutes.fr" le 17/10/20

[ vérification des sources ] [ argument d'autorité ] [ faussaires ]

secondéités innovantes

Il y a cependant, on l’a suggéré, une différence importante entre Peirce et Whewell : ce dernier fait jouer un rôle premier aux controverses dans l’éclaircissement des notions scientifiques, et son intérêt se porte avant tout sur les documents qui attestent de ces controverses. Il y a là pour Peirce un danger et peut-être une lacune : le danger serait celui d’encourager l’esprit de "disputaillerie", qui est pour lui responsable en large part de la stérilité des scolastiques. La lacune est que Whewell n’entreprend pas de montrer, du point de vue du chercheur, comment une notion qui était auparavant obscure, devient claire dans l’esprit du chercheur, d’un terme à l’autre de la controverse. Si ce passage n’est pas un pur effet mécanique de l’affrontement d’opinions contraires, il y a ici une tâche descriptive pour la méthodologie, qui n’a pas été menée à bien par Whewell :

Cela attire à nouveau notre attention sur le fait que la théorie de Whewell est tirée de l’histoire publique de la science. Il est, je n’ai aucun doute là-dessus, vrai que les conceptions scientifiques se sont toujours éclaircies à travers des débats. Et cela est une vérité importante. Mais quel fut le processus mental, quels furent le changement et la loi de changement dans l’esprit individuel par lequel une idée obscure s’est éclaircie ? À ce sujet, Whewell ne nous dit rien, et en vérité il ne semble avoir aucune idée de la question. Un esprit de métaphysicien aurait été entièrement captivé (engrossed) par cette question à l’exclusion entière de celle qui concerne le processus public de controverse.*

Est-ce que Peirce annonce ici son intérêt pour ce qui se passe dans les croyances de l’individu, tout membre d’une communauté qu’il soit ? On est tenté de le penser. Précisons ce qui nous fait adopter cette hypothèse : si le progrès scientifique ne résultait finalement que de "petites variations" et d’un équivalent de la "sélection naturelle" au travers de controverses, sans contrepartie du côté de l’esprit individuel de l’enquêteur, on se demande bien pour qui les conceptions seraient finalement rendues plus claires et plus appropriées. Sans tomber dans le travers qui consisterait à psychologiser la logique de la science, il y a là une tâche descriptive qui est imposée à la philosophie fondée sur l’histoire des sciences : or l’indication des usages des nouvelles conceptions permettrait, par leur double aspect, à la fois public et privé, de mener à bien cette mission.



 

Auteur: Girel Mathias

Info: Extrait de https://www.cairn.info/revue-cahiers-philosophiques-2017-3-page-35.htm#no30 - *C:S: Peirce, NEM 2, 852, 1869, cité par Joseph Warren Dauben

[ tropismes idiosyncratiques ] [ clarification sémantique ]

homme-machine

La théorie des jeux peut rendre l'IA plus correcte et plus efficace

Les chercheurs s’appuient sur des idées issues de la théorie des jeux pour améliorer les grands modèles de langage et les rendre plus cohérents.

Imaginez que vous ayez un ami qui donne des réponses différentes à la même question, selon la façon dont vous la posez. " Quelle est la capitale du Pérou ? "  btiendrait une réponse : " Lima est-elle la capitale du Pérou ? " en obtiendrait un autre. Vous seriez probablement un peu inquiet au sujet des facultés mentales de votre ami et vous auriez certainement du mal à faire confiance à ses réponses.

C'est exactement ce qui se passe avec de nombreux grands modèles de langage (LLM), les outils d'apprentissage automatique ultra-puissants qui alimentent ChatGPT et d'autres merveilles de l'intelligence artificielle. Une question générative, ouverte, donne une réponse, et une question discriminante, qui implique de devoir choisir entre des options, en donne souvent une différente. "Il y a un décalage lorsque la même question est formulée différemment", a déclaré Athul Paul Jacob , doctorant au Massachusetts Institute of Technology.

Pour rendre les réponses d'un modèle de langage plus cohérentes - et rendre le modèle globalement plus fiable - Jacob et ses collègues ont conçu un jeu dans lequel les deux modes du modèle sont amenés à trouver une réponse sur laquelle ils peuvent s'entendre. Surnommée le jeu du consensus , cette procédure simple oppose un LLM à lui-même, en utilisant les outils de la théorie des jeux pour améliorer la précision et la cohérence interne du modèle.

"Les recherches explorant l'autocohérence au sein de ces modèles ont été très limitées", a déclaré Shayegan Omidshafiei , directeur scientifique de la société de robotique Field AI. "Cet article est l'un des premiers à aborder ce problème, de manière intelligente et systématique, en créant un jeu permettant au modèle de langage de jouer avec lui-même."

"C'est un travail vraiment passionnant", a ajouté Ahmad Beirami, chercheur scientifique chez Google Research. Pendant des décennies, a-t-il déclaré, les modèles linguistiques ont généré des réponses aux invites de la même manière. "Avec leur idée novatrice consistant à intégrer un jeu dans ce processus, les chercheurs du MIT ont introduit un paradigme totalement différent, qui peut potentiellement conduire à une multitude de nouvelles applications."

Mettre le jeu au travail

Ce nouveau travail, qui utilise les jeux pour améliorer l'IA, contraste avec les approches précédentes, qui mesuraient le succès d'un programme d'IA via sa maîtrise des jeux. En 1997, par exemple, l'ordinateur Deep Blue d'IBM a battu le grand maître d'échecs Garry Kasparov – une étape importante pour les machines dites pensantes. Dix-neuf ans plus tard, un programme de Google DeepMind nommé AlphaGo a remporté quatre matchs sur cinq contre l'ancien champion de Go Lee Sedol, révélant ainsi une autre arène dans laquelle les humains ne régnaient plus en maître. Les machines ont également surpassé les humains dans les jeux de dames, le poker à deux joueurs et d’autres jeux à somme nulle, dans lesquels la victoire d’un joueur condamne invariablement l’autre.

Le jeu de la diplomatie, un jeu favori de politiciens comme John F. Kennedy et Henry Kissinger, posait un défi bien plus grand aux chercheurs en IA. Au lieu de seulement deux adversaires, le jeu met en scène sept joueurs dont les motivations peuvent être difficiles à lire. Pour gagner, un joueur doit négocier et conclure des accords de coopération que n'importe qui peut rompre à tout moment. La diplomatie est tellement complexe qu'un groupe de Meta s'est félicité qu'en 2022, son programme d'IA Cicero ait développé un « jeu de niveau humain » sur une période de 40 parties. Bien qu'il n'ait pas vaincu le champion du monde, Cicero s'est suffisamment bien comporté pour se classer dans les 10 % les plus performants face à des participants humains.

Au cours du projet, Jacob — membre de l'équipe Meta — a été frappé par le fait que Cicéron s'appuyait sur un modèle de langage pour générer son dialogue avec les autres joueurs. Il a senti un potentiel inexploité. L'objectif de l'équipe, a-t-il déclaré, " était de créer le meilleur modèle de langage possible pour jouer à ce jeu ". Mais qu'en serait-il s’ils se concentraient plutôt sur la création du meilleur jeu possible pour améliorer les performances des grands modèles de langage ?

Interactions consensuelles

En 2023, Jacob a commencé à approfondir cette question au MIT, en travaillant avec Yikang Shen, Gabriele Farina et son conseiller Jacob Andreas sur ce qui allait devenir le jeu du consensus. L'idée centrale est venue d'imaginer une conversation entre deux personnes comme un jeu coopératif, où le succès se concrétise lorsqu'un auditeur comprend ce que l'orateur essaie de transmettre. En particulier, le jeu de consensus est conçu pour aligner les deux systèmes du modèle linguistique : le générateur, qui gère les questions génératives, et le discriminateur, qui gère les questions discriminatives.

Après quelques mois d’arrêts et de redémarrages, l’équipe a transposé ce principe dans un jeu complet. Tout d'abord, le générateur reçoit une question. Cela peut provenir d’un humain, ou d’une liste préexistante. Par exemple, " Où est né Barack Obama ? " Le générateur obtient ensuite des réponses de candidats, disons Honolulu, Chicago et Nairobi. Encore une fois, ces options peuvent provenir d'un humain, d'une liste ou d'une recherche effectuée par le modèle de langage lui-même.

Mais avant de répondre, il est également indiqué au générateur s'il doit répondre correctement ou incorrectement à la question, en fonction des résultats d'un pile ou face équitable.

Si c'est face, alors la machine tente de répondre correctement. Le générateur envoie la question initiale, accompagnée de la réponse choisie, au discriminateur. Si le discriminateur détermine que le générateur a intentionnellement envoyé la bonne réponse, chacun obtient un point, en guise d'incitation.

Si la pièce tombe sur pile, le générateur envoie ce qu’il pense être la mauvaise réponse. Si le discriminateur décide qu’on lui a délibérément donné la mauvaise réponse, ils marquent à nouveau tous les deux un point. L’idée ici est d’encourager l’accord. " C'est comme apprendre un tour à un chien ", a expliqué Jacob. " On lui donne une friandise lorsqu'ils fait la bonne chose. "

Le générateur et le discriminateur commencent également doté chacun de  quelques " croyances " initiales. Credo sous forme d'une distribution de probabilité liée aux différents choix. Par exemple, le générateur peut croire, sur la base des informations qu'il a glanées sur Internet, qu'il y a 80 % de chances qu'Obama soit né à Honolulu, 10 % de chances qu'il soit né à Chicago, 5 % de chances qu'il soit né à Nairobi et 5 % de chances qu'il soit ailleurs. Le discriminateur peut commencer avec une distribution différente. Si les deux " acteurs " sont toujours récompensés après être parvenus à un accord, ils se voient également retirer des points s'ils s'écartent trop de leurs convictions initiales. Cet arrangement encourage les joueurs à intégrer leur connaissance du monde – toujours tirée d'Internet – dans leurs réponses, ce qui devrait rendre le modèle plus précis. Sans ce prérequis ils pourraient s’entendre sur une réponse totalement fausse comme celle de Delhi, mais accumuler quand même des points.

Pour chaque question, les deux systèmes jouent environ 1 000 parties l'un contre l'autre. Au cours de ces nombreuses itérations, chaque camp apprend les croyances de l'autre et modifie ses stratégies en conséquence.

Finalement, le générateur et le discriminateur commencent à être davantage d’accord à mesure qu’ils s’installent dans ce qu’on appelle l’équilibre de Nash. C’est sans doute le concept central de la théorie des jeux. Cela représente une sorte d’équilibre dans un jeu – le point auquel aucun joueur ne peut améliorer ses résultats personnels en changeant de stratégie. Au jeu du chifoumi, par exemple, les joueurs obtiennent de meilleurs résultats lorsqu'ils choisissent chacune des trois options exactement un tiers du temps, et ils obtiendront invariablement de moins bons résultats avec toute autre tactique.

Dans le jeu du consensus, cela peut se jouer de plusieurs manières. Le discriminateur pourrait observer qu'il marque un point lorsqu'il dit " correct " chaque fois que le générateur envoie le mot " Honolulu " pour le lieu de naissance d'Obama. Le générateur et le discriminateur apprendront, après avoir joué plusieurs fois, qu'ils seront récompensés s'ils continuent de le faire, et qu'aucun d'eux n'aura aucune motivation pour faire autre chose... consensus qui représente l'un des nombreux exemples possibles d'équilibre de Nash pour cette question. Le groupe du MIT s'est également appuyé sur une forme modifiée d'équilibre de Nash qui intègre les croyances antérieures des joueurs, ce qui permet de maintenir leurs réponses ancrées dans la réalité.

L'effet net, ont observé les chercheurs, est de rendre le modèle linguistique jouant ce jeu plus précis et plus susceptible de donner la même réponse, quelle que soit la façon dont la question est posée. Pour tester les effets du jeu du consensus, l'équipe a essayé une série de questions standard sur divers modèles de langage de taille modérée comportant de 7 milliards à 13 milliards de paramètres. Ces modèles ont systématiquement obtenu un pourcentage plus élevé de réponses correctes que les modèles qui n'avaient pas joué, même ceux de taille beaucoup plus importante, comportant jusqu'à 540 milliards de paramètres. La participation au jeu a également amélioré la cohérence interne d'un modèle.

En principe, n'importe quel LLM pourrait gagner à jouer contre lui-même, et 1 000 tours ne prendraient que quelques millisecondes sur un ordinateur portable standard. "Un avantage appréciable de l'approche globale", a déclaré Omidshafiei, "est qu'elle est très légère sur le plan informatique, n'impliquant aucune formation ni modification du modèle de langage de base."

Jouer à des jeux avec le langage

Après ce premier succès, Jacob étudie désormais d’autres moyens d’intégrer la théorie des jeux dans la recherche LLM. Les résultats préliminaires ont montré qu’un LLM déjà solide peut encore s’améliorer en jouant à un jeu différent – ​​provisoirement appelé jeu d’ensemble – avec un nombre arbitraire de modèles plus petits. Le LLM principal aurait au moins un modèle plus petit servant d’allié et au moins un modèle plus petit jouant un rôle antagoniste. Si l'on demande au LLM primaire de nommer le président des États-Unis, il obtient un point chaque fois qu'il choisit la même réponse que son allié, et il obtient également un point lorsqu'il choisit une réponse différente de celle de son adversaire. Ces interactions avec des modèles beaucoup plus petits peuvent non seulement améliorer les performances d'un LLM, suggèrent les tests, mais peuvent le faire sans formation supplémentaire ni modification des paramètres.

Et ce n'est que le début. Étant donné qu'une variété de situations peuvent être considérées comme des jeux, les outils de la théorie des jeux peuvent être mis en œuvre dans divers contextes du monde réel, a déclaré Ian Gemp , chercheur scientifique chez Google DeepMind. Dans un article de février 2024 , lui et ses collègues se sont concentrés sur des scénarios de négociation qui nécessitent des échanges plus élaborés que de simples questions et réponses. "L'objectif principal de ce projet est de rendre les modèles linguistiques plus stratégiques", a-t-il déclaré.

Un exemple dont il a parlé lors d'une conférence universitaire est le processus d'examen des articles en vue de leur acceptation par une revue ou une conférence, en particulier après que la soumission initiale ait reçu une évaluation sévère. Étant donné que les modèles linguistiques attribuent des probabilités à différentes réponses, les chercheurs peuvent construire des arbres de jeu similaires à ceux conçus pour les jeux de poker, qui tracent les choix disponibles et leurs conséquences possibles. "Une fois que vous avez fait cela, vous pouvez commencer à calculer les équilibres de Nash, puis classer un certain nombre de réfutations", a déclaré Gemp. Le modèle vous dit essentiellement : c'est ce que nous pensons que vous devriez répondre.

Grâce aux connaissances de la théorie des jeux, les modèles de langage seront capables de gérer des interactions encore plus sophistiquées, plutôt que de se limiter à des problèmes de type questions-réponses. "Le gros gain à venir réside dans les conversations plus longues", a déclaré Andreas. "La prochaine étape consiste à faire interagir une IA avec une personne, et pas seulement avec un autre modèle de langage."

Jacob considère le travail de DeepMind comme complémentaire aux jeux de consensus et d'ensemble. " À un niveau élevé, ces deux méthodes combinent des modèles de langage et la théorie des jeux ", a-t-il déclaré, même si les objectifs sont quelque peu différents. Alors que le groupe Gemp transforme des situations courantes dans un format de jeu pour aider à la prise de décision stratégique, Jacob a déclaré : " nous utilisons ce que nous savons de la théorie des jeux pour améliorer les modèles de langage dans les tâches générales. "

À l’heure actuelle, ces efforts représentent " deux branches du même arbre ", a déclaré Jacob : deux manières différentes d’améliorer le fonctionnement des modèles de langage. " Je pense personnellement  que dans un an ou deux, ces deux branches convergeront. " 

Auteur: Internet

Info: https://www.quantamagazine.org/ - Steve Nadis, 9 mai 2024

[ maïeutique machine-machine ] [ discussion IA - FLP ]