écologie

Le silence des vétérinaires....
Le silence des bêtes....
Tous les animaux élevés en batterie devraient être étiquetés comme les paquets de cigarettes.
"Consommer provoque le cancer mortel de nos sens".

Auteur: Internet

Info: sur le blog de P.Jorion, 28 juillet 2010

[ consommation ]

douane

La plupart des immigrants venaient d'Italie et d'Europe orientale. Des chaloupes les emmenaient jusqu'à Ellis Island. Là, dans un entrepôt pour matériel humain, étrangement décoré, fait de brique rouge et de pierre grise, ils étaient étiquetés, douchés, parqués sur des bancs dans des boxes d'attente. Ils prenaient tout de suite conscience de l'énorme pouvoir des fonctionnaires de l'immigration. Ces fonctionnaires changeaient les noms qu'ils ne pouvaient pas prononcer et arrachaient les gens à leurs familles, renvoyant d'où ils venaient les vieillards, les mauvais sujets, les personnages louches et également ceux qu'ils jugeaient insolents.

Auteur: Doctorow Edgar Laurence

Info: Ragtime

[ émigré ] [ usa ] [ frontière ]

cuisine

Le soir même, il se mit au travail. Il détacha les petits grains des panicules de poivre long, dénoyauta des piments séchés du cachemire, dosa des grains de poivre noir, des graines de cardamone, de cumin, de fenouil, de fenugrec, de coriandre et de moutarde, éplucha des racines de curcuma, brisa des tiges de cannelle et fit frire le tout dans la poêle de fer, jusqu'à ce que tout le parfum se soit déployé. Il mélangea les épices en différentes combinaisons soigneusement dosées et les pila en poudres fines qu'il utilisa la nuit même ou conserva jusqu'au lendemain, dans des bocaux étanches étiquetés.

Auteur: Suter Martin

Info: Le cuisinier

[ manger ] [ recette ]

nord-sud

Jack Goody (1977) a montré de façon convaincante comment les changements jusqu'ici étiquetés comme des passage de la magie vers la science, ou de ce qu'on appelle du "prélogique" à un état de conscience de plus en plus "rationnel", ou de l'esprit "sauvage" de Lévi-Strauss vers la pensée domestiquée, peuvent être explicités de manière plus convaincante "économiquement" comme le passage de l'oralité vers diverses étapes de l'alphabétisation. J'avais suggéré précédemment (1967b, p. 189) que beaucoup des contrastes souvent établis entre les points de vue "occidentaux" et les autres semblent réductibles aux contrastes entre une "alphabétisation lecture" profondément intériorisée et des états de conscience issus d'une oralité plus récente.

Auteur: Ong Walter J.

Info: Orality and Literacy: The Technologizing of the Word

[ intellectualisation ] [ écriture ] [ lecture ] [ historique ] [ linguistique mondiale ]

bouquins

Les cartons de nouveaux livres attirent les clients comme la lumière les papillons. Tous les libraires vous le diront : même quand on possède cent mille livres soigneusement triés et rangés sur les étagères d'une boutique chaude et lumineuse, il suffit qu'un carton soit posé dans un coin froid et mal éclairé pour que les clients se précipitent dessus et commencent à fouiller à l'intérieur. Un carton d'ouvrages non triés et non étiquetés recèle un charme extraordinaire. Bien sûr, la perspective de dénicher une bonne affaire y est pour quelque chose, mais je soupçonne que la raison en est plus profonde, et que ce geste s'apparente à celui d'ouvrir un cadeau. Ce qui compte, c'est la fièvre que suscite l'inconnu.

Auteur: Bythell Shaun

Info: Le Libraire de Wigtown, p. 171

médecine officielle

Une partie du problème majeur de la schizophrénie est ce qu'elle est définie comme anormale, plutôt qu'état de conscience altéré avec une fonction écologique spécifique pour l'espèce. En Occident, ces états sont étiquetés "maladies" et sont presque toujours traités par des médicaments. La plupart des psychotropes sont interdits exactement pour la même raison. Il ne faut pas étendre la perception au-delà de ce que la société veut. Il y a très peu de gens en Occident (et pratiquement aucun n'a reçu une formation clinique) qui savent comment former quelqu'un à l'utilisation de cette perception améliorée. Une fois que cette dynamique d'ouverture est qualifiée d'anormale et acceptée comme neuropathologique, il n'y a généralement pas d'alternative autre (dans ce système) que sa suppression.

Auteur: Buhner Stephen Harrod

Info: Plant Intelligence and the Imaginal Realm : Au-delà des portes de la perception dans le rêve de la Terre

[ fermeture ]

portrait

Souverain, bien droit, le chapeau vissé sur la tête, la moustache lisse et blanche, un je ne sais quoi (mais évident, têtu) de suranné, relevé parfois d'accords bizarres - une chemise parsemée de caractères d'imprimerie vert acide, assortie à la stricte flanelle grise et au gilet rouge -, Piero Fornasetti ouvrait la porte carillonnante de sa boutique (musée ? cabinet ? bazar ?) de Via Brera.

Rien de moins compatible a priori que le petit monsieur strict, à touche de fantaisie, et cette étrange constellation de porcelaines et de plastiques, de paravents et de plateaux, presse-papiers, serre-livres, boutons de manchette, gilets de soie, sections de visages, pupilles exorbitées, obélisques mappemondes, lampadaires cendriers et pancartes...

(...)

L'invention débridée de Fornasetti, son refus des contraintes, qui pouvaient se traduire par un chaos apparent, se fondaient en fait sur une passion de l'ordre et de la méthode. Jusqu'à la fin de sa vie, il pouvait ainsi désigner sans erreur la place du moindre de ses treize mille projets, dûment étiquetés et catalogués.

Auteur: Mauriès Patrick

Info: Fornasetti : Designer de la fantaisie. Chapitre 1, "Du disegno au design"

[ peintre sculpteur décorateur ] [ liberté ] [ univers personnel ]

Exemples de recherches avec ce logiciel

Simple avec deux mots Mot avec bout-de-mot Mot avec mot-concept Avec trois bouts de mots Avec deux mots et un bout de mot Avec bout de phrase Précisée avec soustraction de mots Encore mieux précisée avec soustractions de mots Très complexe (donc auto limitée) "Sur" et pas "de" Lacan Pensées de statisticiens AVEC FONCTION AVANCÉE Recherche du mot "sexe", au sein des citations étiquetées "justification" AVEC FONCTION AVANCÉE AVANCÉE (auteurs) Citation contenant la chaîne "sex", attribuée à une femme, européenne, vivant à l'ère industrielle. RECHERCHE PRECISEE, citation avec "vie", formulée par un homme de l'empire romain AVEC FONCTION AVANCÉE AVANCÉE des auteurs, couplée à la FONCTION AVANCÉE Recherche dans le texte de la citation du mot "amour", parmi les extraits étiquetés "femmes-hommes", formulé par une européenne de l'ère industrielle. REMARQUES FLP peut aisément être utilisé (ou même converti via quelques modifications du code) en instrument statistique. Mais pour le lecteur-quêteur cette application ouvre d'autres horizons. Il pourra par exemple s'amuser à rechercher des extraits de philosophes au sujet de la mer et de l'océan. Ou d'auteurs de science fiction parlant de religion. Et ainsi de suite. L'outil, de par ses fonctionnalités croisées, multiplie les possibilités.

Auteur: Mg

Info: 2017 [a ]avec [/a]

[ exploration ]

homme-machine

L'IA de DeepMind peut construire une vision du monde à partir de plusieurs images.
L'intelligence artificielle peut maintenant se mettre à la place de quelqu'un d'autre. DeepMind a développé un réseau neuronal qui lui a appris à "imaginer" une scène à partir de différents points de vue, à partir d'une image seulement.
Avec une image 2D d'une scène - par exemple, une pièce avec un mur de brique et une sphère et un cube de couleur vive sur le sol - le réseau neuronal peut générer une vue 3D à partir d'un point de vue différent, rendant les côtés opposés des objets et modifiant l'endroit où les ombres tombent pour maintenir la même source de lumière.
Le système, nommé Generative Query Network (GQN), peut extraire des détails d'images statiques pour deviner les relations spatiales, y compris la position de la caméra.
"Imaginez que vous regardez l'Everest et que vous bougez d'un mètre - la montagne ne change pas de taille, ce qui vous dit quelque chose sur sa distance", dit Ali Eslami qui a dirigé le projet à Deepmind.
"Mais si vous regardez une tasse, elle changera de position. C'est semblable à la façon dont cela fonctionne."
Pour former le réseau neuronal, lui et son équipe lui ont montré des images d'une scène à partir de différents points de vue, utilisés pour prédire à quoi ressemblerait quelque chose depuis derrière ou du côté. Le système s' auto enseigne aussi via le contexte, les textures, les couleurs et l'éclairage. Ce qui contraste avec la technique actuelle de l'apprentissage supervisé, dans lequel les détails d'une scène sont étiquetés manuellement et transmis à l'IA.
L'IA peut également contrôler des objets dans l'espace virtuel, en appliquant sa compréhension des relations spatiales à un scénario où elle déplace un bras robotique pour ramasser une balle. Elle apprend beaucoup comme nous, même si nous ne le réalisons pas, dit Danilo Rezende de DeepMind, qui a également travaillé sur le projet.
En montrant au réseau neuronal de nombreuses images en formation, l'IA peut identifier les caractéristiques d'objets similaires et s'en souvenir. "Si vous regardez à l'intérieur du modèle, nous pouvons identifier des groupes de neurones artificiels, des unités dans le graphique de calcul, qui représentent l'objet ", dit Rezende.
Le système se déplace autour de ces scènes, faisant des prédictions sur l'endroit où les choses devraient être et à quoi elles devraient ressembler, en s'ajustant quand ses prédictions sont incorrectes.
Il a pu utiliser cette capacité pour élaborer la disposition d'un labyrinthe après avoir vu quelques photos prises de différents points de vue.

Auteur: Whyte Chelsea

Info: https://www.newscientist.com, 14 juin 2018

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 ]