climatosceptiques

Ils savent, ils entendent, mais au fond, ils n'y croient pas. C'est là, je crois, qu'il faut aller chercher l'origine profonde du climato-scepticisme. Ce n'est pas un scepticisme qui porte sur la solidité des connaissances mais un scepticisme sur la position dans l'existence. S'ils doutent ou s'ils dénient, c'est parce qu'ils prennent ceux qui crient à temps et à contre temps qu'il faut changer totalement et radicalement de mode de vie pour des zozos dans plus de crédit que Philippus le Prophète qui effraie Tintin dans l'Etoile Mystérieuse avec son gong et son drap blanc. "Le changement de vie total et radical", mais ils l'ont déjà accompli, justement, en devenant résolument modernes ! Si la modernité n'était pas si profondément religieuse, l'appel à s'ajuster à la Terre serait facilement entendu. Mais comme elle a hérité de l'Apocalypse simplement décalée d'un cran dans le futur, elle ne suscite qu'un haussement d'épaules ou qu'une réponse indignée. "Comment pouvez-vous venir nous prêcher encore une fois l'Apocalypse. Où est-il écrit dans les Livres qu'il y aura une apocalypse après la première ? La modernité est ce qu'on nous a promis, ce que nous avons conquis, parfois par la violence, et vous prétendez nous l'arracher ? Nous dire que nous nous sommes trompés sur le sens de la promesse ? Que la Terre promise de la modernité devrait rester promise ! C'est insensé".

Et en effet, il n'est écrit nulle part que l'Apocalypse puisse être suivie d'une autre. D'où cette certitude indéracinable, ce calme total, cette froideur de marbre, de ceux qui lisent pourtant tous les jours l'annonce de catastrophes diverses. Il semble qu'ils aient droit à cett terre qu'on leur a en effet promise, mais cette terre n'a rien de terrestre, puisque ce qui est nié, justement, c'est qu'elle ait une histoire, une historicité, une rétroaction, des capacités, bref, des puissances d'agir. Tout tremble, mais pas eux, pas le sol sur lequel ils ont les pieds posés. Le cadre où se déroule leur histoire est forcément stable. La fin du monde n'est qu'une idée.

Auteur: Latour Bruno

Info: Face à Gaïa. Huit conférences sur le nouveau régime climatique

[ anthropocène ]

mémétique

... pour la plupart, les mots en français n'ont pas d'auteur, pas plus que de concepteurs délibérés. Ils ont été ré agencés inconsciemment au cours des siècles. Cela est trivial. Mais une fois que vous adoptez le point de vue du mème, vous réalisez que les mots ne sont que certaines pratiques culturelles pour lesquelles tout ça est vrai. Dans une culture, les mots sont des mèmes qui peuvent être prononcés, mais il y a aussi des mèmes très complexes qui ne peuvent pas l'être.

Les mots sont très complexes : ils sont des systèmes et les parties d'un système lui-même très complexe - le langage. Si nous voulons comprendre l'agencement de celui-ci et comment ses parties fonctionnent, reconnaissons qu'il est en fait un genre très curieux d'artefact. C'est un produit de la sélection naturelle, mais pas directement : la différence qui existe entre le français et l'anglais n'est pas dans nos gènes. Nous avons connu l'évolution d'une capacité à être des locuteurs, un processus très puissant, mais il y a aussi eu une évolution culturelle du langage : les langues se sont réagencées elles-mêmes, pour s'ajuster au cerveau, et aucun être humain n'a été le concepteur de cet ajustement !

Nous avons donc besoin des mèmes, ces entités compétitives à réplication différentielle, qui sont en compétition pour du "temps de maintien" dans les cerveaux. Les mèmes établissent des structures, qui jouent ensuite des rôles essentiels dans la tendance des mèmes à se répliquer. J'aime l'idée qu'il existe des mèmes sauvages et des mèmes domestiqués. Les mots sont aussi des mèmes sauvages : l'"Académie française" essaie de domestiquer le français, mais avec très peu de succès... Pas besoin de l'"Académie" ! Mais le calcul, lui, a besoin d'une académie : il ne se diffuserait pas sans une aide importante. Le calcul n'est pas assez "accrocheur" pour se reproduire par lui-même. Il a besoin d'une aide et doit être implanté méticuleusement dans les jeunes esprits, avec beaucoup de pratique. Tels sont les mèmes domestiqués - les mèmes de la science, de la religion, de l'opéra... Les humains ont consciemment projeté de les développer, d'être leurs protecteurs. Nous n'en sommes pas justes les vecteurs - comme pour les maladies ou les préjugés - mais aussi les gardiens. C'est une idée très fédératrice, qui comble le fossé entre Shakespeare et... (rires) la publicité, la propagande, les hymnes populaires, les religions, et tout simplement les habitudes.

Auteur: Dennett Daniel C.

Info:

[ vocabulaire ] [ éphémère ] [ métalangage ] [ phonèmes ] [ mimétisme ] [ modes ] [ consensualités conceptuelles ] [ langage du futur ] [ codages humains ]

astrophysique

Une nouvelle étude met en doute le modèle standard d’expansion de l’Univers

Le taux d'expansion de l'Univers a deux valeurs différentes mais très précises et qui ne sont pas compatibles. Ce problème, connu sous le nom de tension de Hubble, rejoint d'autres questions, telles que l'origine de l'énergie noire et le problème de la planéité.

(Photo) Pour cette étude, des solutions numériques ont été obtenues pour les densités d'énergie/matière noire et pour le paramètre Hubble.

L'objectif de ce travail est d'expliquer la tension de Hubble à travers une interprétation géométrique de points de vue observationnels sur des variétés incorporées.

Des ensembles de données de 1048 supernovae Panthéon de type Ia et de 34 chronomètres cosmiques combinés à 7 échantillons basés sur la taille de l'oscillation acoustique radiale du baryon ont été utilisés pour contraindre le modèle.

Cette étude a été publiée dans la revue Classical and Quantum Gravity, par Robert Monjo et Rutwig Campoamor-Stursberg, professeurs au Département d'algèbre, géométrie et topologie de l'Université Complutense de Madrid.

L’expansion de l’Univers se produit-elle ou non comme on le pensait auparavant ?

Selon les auteurs, "les observations géométriques pures, telles que l'échelle de distance cosmique, montrent que l'expansion de l'Univers n'est pas comme celle observée dans le rayonnement de fond cosmique des micro-ondes". Cette différence, expliquent-ils, implique une incompatibilité statistique connue en cosmologie sous le nom de " tension de Hubble ", liée au paramètre d'expansion de l'Univers, dont le nom a été inventé en l'honneur de l'astronome Edwin Hubble, qui a détaillé le taux d'expansion il y a un siècle.

Ces travaux montrent que, lorsqu'on applique la géométrie analytique au mouvement des étoiles supernova, l'expansion cosmique se comporte " comme si elle était linéaire, avec une vitesse égale à l'inverse de l'âge de l'Univers ".

Selon Monjo, l'auteur principal de l'étude, les observations recueillies par les missions spatiales au cours des dernières décennies sont " déformées par les trajectoires courbes de la lumière dans l'espace en expansion ", provoquant une " accélération apparente ".

Pour prouver son hypothèse, l'étude analyse sa compatibilité avec la théorie standard, prédisant une "énergie sombre apparente" de 70%, c'est-à-dire "très similaire à celle vraisemblablement observée dans le fond cosmique des micro-ondes". La différence par rapport au modèle standard serait que cette valeur serait constante, c'est-à-dire qu'elle aurait toujours la même valeur pour s'ajuster à l'expansion linéaire.

Selon cette étude, intitulée " Perspective géométrique pour expliquer la tension de Hubble ", l'Univers serait fini, en expansion linéaire à la vitesse de la lumière, et fermé par un rayon de courbure égal à l'âge de l'Univers. Avec ces ingrédients, les auteurs dérivent une accélération fictive similaire à celle qui explique l’énergie noire.

Les auteurs envisagent l'hypothèse selon laquelle l'Univers pourrait être fini, (...) s'étendant linéairement à la vitesse de la lumière, et fermé par un rayon de courbure égal à l'âge de l'Univers (...).

Actuellement, tous les indices et alternatives à la matière noire sont sérieusement analysés par la communauté scientifique. Si les découvertes de Monjo et Campoamor-Stursberg se confirment, ce sera une nouvelle ère dans la cosmologie moderne.

Auteur: Internet

Info: tameteo.com, Joana Campos Meteored Portugal 05/11/2023

[ cosmologie ]

messagers chimiques

Le flux* est une réponse extrêmement puissante aux événements extérieurs et nécessite un ensemble extraordinaire de signaux. Le processus inclut la dopamine, qui fait plus qu'ajuster les rapports signal/bruit. Sur le plan émotionnel, nous ressentons la dopamine sous forme d'engagement, d'excitation, de créativité et de désir d'étudier le monde et de lui donner un sens. Sur le plan de l'évolution, elle remplit une fonction similaire. Les êtres humains sont câblés pour l'exploration, pour repousser les limites : la dopamine est en grande partie responsable de ce câblage. Cette substance neurochimique est libérée chaque fois que nous prenons un risque ou que nous rencontrons quelque chose de nouveau. Elle récompense le comportement exploratoire. Elle nous aide également à survivre à ce comportement. En augmentant l'attention, le flux d'informations et la reconnaissance des formes dans le cerveau, ainsi que le rythme cardiaque, la pression artérielle et la synchronisation des tirs musculaires dans le corps, la dopamine est également un formidable stimulant des compétences. La norépinéphrine fournit un autre stimulant. Dans le corps, elle accélère le rythme cardiaque, la tension musculaire et la respiration, et déclenche la libération de glucose pour nous donner plus d'énergie. Dans le cerveau, la norépinéphrine augmente l'éveil, l'attention, l'efficacité neuronale et le contrôle émotionnel. Dans le flux, elle nous permet de rester concentrés sur notre objectif et de tenir les distractions à distance. En tant qu'inducteur de plaisir, si l'analogue de la dopamine est la cocaïne, celui de la noradrénaline est le speed, ce qui signifie que cette amélioration s'accompagne d'un véritable "high". Les endorphines, notre troisième conspirateur, sont elles aussi très stimulantes. Ces opiacés naturels "endogènes" (c'est-à-dire naturellement internes au corps) soulagent la douleur et procurent du plaisir, tout comme les opiacés "exogènes" (ajoutés à l'extérieur du corps) tels que l'héroïne. Ils sont également puissants. L'endorphine la plus couramment produite est 100 fois plus puissante que la morphine médicale. Le neurotransmetteur suivant est l'anandamide, qui tire son nom du mot sanskrit signifiant "félicité", et ce pour une bonne raison. L'anandamide est un cannabinoïde endogène, dont l'effet est similaire à l'effet psychoactif de la marijuana. Connue pour apparaître dans les états de fluidité induits par l'exercice (et soupçonnée dans d'autres types d'états), cette substance chimique élève l'humeur, soulage la douleur, dilate les vaisseaux sanguins et les bronches (facilitant la respiration) et amplifie la pensée latérale (notre capacité à relier des idées disparates entre elles). Plus important encore, l'anandamide inhibe également notre capacité à ressentir la peur, voire, selon des recherches menées à Duke, facilite l'extinction des souvenirs de peur à long terme. Enfin, à la fin d'un état de flux, il semble également (d'autres recherches doivent être menées) que le cerveau libère de la sérotonine, la substance neurochimique aujourd'hui associée aux ISRS comme le Prozac. "C'est une molécule qui aide les gens à faire face à l'adversité", a déclaré Philip Cowen, de l'Université d'Oxford, au New York Times, "à ne pas perdre la tête, à continuer et à essayer de tout arranger". Dans le flux, la sérotonine est en partie responsable de l'effet de rémanence, et donc à l'origine d'une certaine confusion. "Beaucoup de gens associent directement la sérotonine au flux, explique Michael Gervais, psychologue spécialisé dans les hautes performances, mais c'est à l'envers. Le temps que la sérotonine arrive, l'état a déjà eu lieu. C'est le signe que les choses touchent à leur fin, et non qu'elles commencent". Ces cinq substances chimiques constituent le puissant cocktail du flux. Seuls, ils ont du punch, mais ensemble, ils ont du punch".

Auteur: Kotler Steven

Info: The Rise of Superman : Decoding the Science of Ultimate Human Performance *Le livre explore l'état de conscience connu sous le nom de « flux », un état optimal dans lequel les humains fonctionnent et se sentent mieux.

[ hormones du bonheur ] [ connectrices ] [ régulatrices ]

thérapie

Musique du cerveau - chaque cerveau a une bande sonore, probablement plusieurs. Pouvons-nous la faire travailler pour nous ?
Chaque cerveau a une bande sonore. Son tempo et tonalité changent, selon l'humeur, l'armature de l'esprit et autres dispositifs du cerveau lui-même. Quand cette bande sonore est enregistrée et rejouée - avec les premiers secours, ou les pompiers - elle peut affiner leurs réflexes pendant une crise, et calmer leurs nerfs après.
Lors de la dernière décennie, l'influence de la musique sur le développement cognitif et les études, avec le bien-être émotif, est devenue un champ très couru d'étude scientifique. Pour explorer la pertinence potentielle de la musique avec ces réponses d'urgence, le Dept of Homeland Security's Science & Technology Directorate (S&T) a commencé une étude sous forme d'entrainement neurologique appelée "musique de cerveau" qui utilise de la musique créée à l'avance à partir des propres ondes cérébrales des auditeurs afin de les aider à traiter des maux comme l'insomnie, la fatigue, et les maux de tête provenant d'environnements stressants. Le concept de "musique de cerveau" est d'utiliser la fréquence, l'amplitude, et la durée de sons musicaux pour déplacer le cerveau d'un état impatient vers un état plus détendu.
"La tension vient d'une réponse d'urgence au travail, aussi nous sommes intéressés à trouver des moyens pour aider les ouvriers à rester au top de leur job au travail et d'obtenir un repos de qualité quand ils subissent la pression" dit le manager du S&T Program Robert Burns. "notre but est de trouver de nouveaux moyens pour aider les gens des premiers secours à exécuter leurs tâche au meilleur niveau possible, sans augmenter les tâches, la formation, ou leur niveaux de stress."
Si le cerveau "compose" la musique, le premier travail des scientifiques et d'"attraper" les notes, et c'est exactement ce que le Human Bionics LLC of Purcellville fait. Chaque enregistrement est converti en deux compositions musicales uniques, conçues pour déclencher les réponses naturelles du corps, par exemple en améliorant la productivité au travail, ou pour aider à s'ajuster à des horaires changeant constamment au travail.
Les compositions sont médicalement démontrées comme favorisant un de ces deux états mentaux chez chaque individu : la relaxation - pour réduire le stress et améliorer le sommeil ; et la vigilance - pour améliorer la concentration et la prise de décision. Chaque musique de 2-6 minutes est une composition exécutée sur un instrument simple, habituellement un piano. La musique de relaxation peut ressembler à "une sonate mélodique genre Chopin," tandis que la partie pour la vigilance peut avoir "plutôt le genre Mozart" dit Burns. (il semble donc qu'il y ait un génie classique - ou peut-être deux - en chacun de nous. Écouter une musique d'alerte instrumentale ici : www.dhs.gov/xlibrary/multimedia/snapshots/st_brain_music_active.mp3.
Après que leurs ondes cérébrales aient été mises en musique, on donne à chaque personne un programme d'écoute spécifique, personnalisé à son environnement et besoins de travail. Si elle est utilisée correctement, la musique peut amplifier la productivité et les forces, ou déclencher des réponses naturelles du corps à l'effort.
La musique créée par le Human Bionics LLCest testée comme partie du programme de S&T Readiness Optimization Program (ROP), est un programme de bien-être qui combine l'enseignement de la nutrition et l'entrainement cérébral afin d'évaluer une population de gens de premier secours, d'agents fédéraux, de la police, et des sapeurs-pompiers. Un groupe choisi de sapeurs-pompiers locaux sera le premier à participer au projet.
Ce composant de "musique de cerveau" ou dispositif de protection en cas de renversement, est dérivé d'une technologie brevetée et développée à l'université de Moscou pour employer les ondes cérébrales comme mécanisme de rétroaction afin de corriger certaines conditions physiologiques.
Dans les termes de John Locke, le philosophe britannique, la "musique de cerveau" apporterait une nouvelle signification à son expression célèbre :"un esprit sain dans un corps sain, constitue une courte, mais complète description, de l'état de bonheur en ce monde."
Reste alors Cervantes, qui a écrit : "Celui qui chante effraye et éloigne ses ennuis."

Auteur: Internet

Info:

magouille sémantique

Manipulation du savoir : L'intersection de la fenêtre d'Overton et de l'activisme académique

Les frontières de la science sont-elles devenues poreuses avec l'activisme académique ? C'est la question centrale que soulève Jean-François Le Drian dans son nouvel ouvrage, "Activismes" paru chez VA Éditions, et au cours de cette entrevue. Au fil de la discussion, l'auteur dévoile les dessous d'une manipulation subtile du savoir, où l'intersection de la fenêtre d'Overton et de l'activisme académique joue un rôle déterminant. Il décrit avec précision comment de simples idées peuvent être élevées au rang de concepts scientifiquement acceptables, affectant ainsi l’intégrité de la recherche authentique et de la méthodologie scientifique. Cet échange éclairant met en lumière le combat essentiel pour préserver l'authenticité et l'objectivité de la science face à une mer montante de pseudoscience et d'idéologies activiste.

(Q) Pour nos lecteurs qui ne sont pas familiers avec la fenêtre d'Overton, pourriez-vous brièvement expliquer ce concept et comment il peut être utilisé pour changer la perception du public sur certaines idées ?

(R) Pour expliquer ce concept, il est préférable de l’illustrer avec un exemple. Si je vous disais que les djinns existent, peuvent nous posséder, nous adresser des injonctions, vous seriez dans un premier temps tenter de ranger cette thèse dans la catégorie des superstitions et des lubies et vous auriez certainement raison.

Si un philosophe se met à distinguer entre la propriété des pensées et la paternité des pensées et décide d’étudier en employant un jargon académique la possibilité d’une paternité extérieure des pensées, l’impensable devient tout à coup pensable.

Justement, dans mon livre, j’explique comment un philosophe reconnu par ses pairs en arrive à affirmer que la psychologie est nécessairement culturelle et que par conséquent certaines théories psychologiques peuvent valablement affirmer la possibilité d’une paternité extérieure des pensées.

Ici on passe de l’impensable au pensable puis au possible. Il ne reste plus qu’à faire porter ces idées par les activistes de la folie pour les rendre acceptables, le stade suivant étant de loger ces représentations dans le registre du " souhaitable ".

Ainsi, un idéologue activiste doté d’un doctorat peut donc tout à fait, s’il s’y prend bien, faire entrer l’idée la plus absurde dans le registre de l’acceptable voire parfois même du non discuté.

(Q) Dans votre texte, vous mettez en lumière la manière dont certaines idées reçoivent un "sceau académique" sans une vérification empirique rigoureuse. Comment les institutions académiques, selon vous, ont-elles été transformées en vecteurs de diffusion d'idées influencées par l'activisme ?

(R) Selon moi, l’une des grandes erreurs de notre temps consiste à accorder trop d’importance à la sociologie de la connaissance au détriment de la philosophie des sciences. Au lieu de s’intéresser au contenu, la tendance consiste à s’attacher aux intentions présumées du créateur d’idées, de thèses, à son " habitat social ".

Il est malheureusement facile de construire des théories qui font rentrer tous les faits et qui par conséquents ne devraient pas être qualifiées de théories scientifique. C’est le cas de certaines théories dites " normatives " dont le degré de scientificité est généralement très faible.

Le simple usage d’un jargon spécialisé usité au sein d’une mouvance universitaire permettra à un universitaire militant d’obtenir une reconnaissance par ses pairs qui aux yeux du public vaudra reconnaissance du caractère scientifique d’une thèse qui en réalité ne possèdera le plus souvent qu’un caractère normatif.

(Q) Vous évoquez la saturation de l'espace académique avec des "hadiths scientifiques". Comment ce mécanisme fonctionne-t-il et quels sont ses effets sur la recherche authentique ?

(R) Les hadiths scientifiques sont des scripts normatifs sans degré de scientificité auxquels on attache une connotation scientifique le plus souvent parce que leurs inventeurs disposent d’un titre académique et que le hadith possède un vernis académique qui lui confère une apparence de scientificité.

(Q) Face à la montée d'un tel activisme, que recommanderiez-vous aux chercheurs pour préserver l'intégrité de leurs travaux et s'assurer qu'ils ne sont pas noyés dans un "océan de pseudoscience" pour reprendre vos termes ?

(R) La première chose est de bannir le raisonnement téléologique, celui qui consiste à décider à l’avance du résultat à atteindre et à ajuster son raisonnement à ses intentions. Un " vrai " chercheur devrait parfois pouvoir aboutir à des conclusions qui lui déplaisent et qui contredisent ses croyances préexistantes.

Il faut revenir à la méthode qui consiste à chercher continuellement à falsifier, à réfuter ses propres convictions. Aujourd’hui, même dans les milieux universitaires, on procède de manière inverse en produisant les rationalisations ou en sélectionnant les faits qui viendront soutenir une idéologie préexistante.

Le biais de confirmation est exactement le contraire de la méthode scientifique. Malheureusement, il affecte autant les départements de sociologie et de sciences politiques que le grand public.

Auteur: Internet

Info: https://www.journaldeleconomie.fr/, 17 Octobre 2023, par La Rédaction

[ instrumentalisation ] [ onomasiologique ] [ science molle ]

gilets jaunes

Cher Monsieur Macron,

Vous comprendrez que si c’est pour venir faire tapisserie le petit doigt en l’air au milieu des pitres façon BHL, Enthoven, ou des intellectuels de cour comme Patrick Boucheron, je préférerais avoir piscine ou même dîner avec François Hollande. Au moins votre invitation ajoute-t-elle un élément supplémentaire pour documenter votre conception du débat. Savez-vous qu’à part les éditorialistes qui vous servent de laquais et répètent en boucle que la-démocratie-c’est-le-débat, votre grand débat à vous, personne n’y croit ? Vous-même n’y croyez pas davantage. Dans une confidence récente à des journalistes, qui aurait gagné à recevoir plus de publicité, vous avez dit ceci : "Je ressoude, et dès que c’est consolidé je réattaque". C’est très frais. Vous ressoudez et vous réattaquez. C’est parfait, nous savons à quoi nous en tenir, nous aussi viendrons avec le chalumeau.

En réalité, sur la manière dont vous utilisez le langage pour "débattre" comme vous dites, nous sommes assez au clair depuis longtemps. C’est une manière particulière, dont on se souviendra, parce qu’elle aura fait entrer dans la réalité ce qu’un roman d’Orwell bien connu avait anticipé il y a 70 ans très exactement – au moins, après la grande réussite de votre itinérance mémorielle, on ne pourra pas dire que vous n’avez pas le sens des dates anniversaires. C’est une manière particulière d’user du langage en effet parce qu’elle n’est plus de l’ordre du simple mensonge.

Bien sûr, dans vos institutions, on continue de mentir, grossièrement, éhontément. Vos procureurs mentent, votre police ment, vos experts médicaux de service mentent – ce que vous avez tenté de faire à la mémoire d’Adama Traoré par experts interposés, par exemple, c’est immonde. Mais, serais-je presque tenté de dire, c’est du mensonge tristement ordinaire.

Vous et vos sbires ministériels venus de la start-up nation, c’est autre chose : vous détruisez le langage. Quand Mme Buzyn dit qu’elle supprime des lits pour améliorer la qualité des soins ; quand Mme Pénicaud dit que le démantèlement du code du travail étend les garanties des salariés ; quand Mme Vidal explique l’augmentation des droits d’inscription pour les étudiants étrangers par un souci d’équité financière ; quand vous-même présentez la loi sur la fake news comme un progrès de la liberté de la presse, la loi anti-casseur comme une protection du droit de manifester, ou quand vous nous expliquez que la suppression de l’ISF s’inscrit dans une politique de justice sociale, vous voyez bien qu’on est dans autre chose – autre chose que le simple mensonge. On est dans la destruction du langage et du sens même des mots.

Si des gens vous disent "Je ne peux faire qu’un repas tous les deux jours" et que vous leur répondez "Je suis content que vous ayez bien mangé", d’abord la discussion va vite devenir difficile, ensuite, forcément, parmi les affamés, il y en a qui vont se mettre en colère. De tous les arguments qui justifient amplement la rage qui s’est emparée du pays, il y a donc celui-ci qui, je crois, pèse également, à côté des 30 ans de violences sociales et des 3 mois de violences policières à vous faire payer : il y a que, face à des gens comme vous, qui détruisent à ce point le sens des mots – donc, pensez-y, la possibilité même de discuter –, la seule solution restante, j’en suis bien désolé, c’est de vous chasser.

Il y a peu encore, vous avez déclaré : "Répression, violences policières, ces mots sont inacceptables dans un Etat de droit". Mais M. Macron, vous êtes irréparable. Comment dire : dans un Etat de droit, ce ne sont pas ces mots, ce sont ces choses qui sont inacceptables. À une morte, 22 éborgnés et 5 mains arrachées, vous vous repoudrez la perruque et vous nous dites : "Je n’aime pas le terme répression, parce qu’il ne correspond pas à la réalité". La question – mais quasi-psychiatrique – qui s’en suit, c’est de savoir dans quelle réalité au juste vous demeurez.

Des éléments de réponse nous sont donnés par un article publié il y a de ça quelques jours par le Gorafi sous le titre : "Le comité de médecine du ministère de l’intérieur confirme que le LBD est bon pour la santé". On peut y lire ceci : "Christophe Castaner s’est réjoui des résultats des tests du comité de médecins et a aussitôt signé une ordonnance qualifiant de rébellion et outrage à agent toute personne qui mettrait en cause la fiabilité de cette étude". M. Macron, voyez-vous la minceur de l’écart qui vous tient encore séparé du Gorafi ? Vous êtes la gorafisation du monde en personne. Sauf que, normalement, le Gorafi, c’est pour rire. En réalité, personne ne veut vivre dans un monde gorafisé. Si donc le macronisme est un gorafisme mais pour de vrai, vous comprendrez qu’il va nous falloir ajuster nos moyens en conséquence. Et s’il est impossible de vous ramener à la raison, il faudra bien vous ramener à la maison.

Tous les glapissements éditorialistes du pays sur votre légitimité électorale ne pourront rien contre cette exigence élémentaire, et somme toute logique. En vérité, légitime, vous ne l’avez jamais été. Votre score électoral réel, c’est 10%. 10% c’est votre score de premier tour corrigé du taux d’abstention et surtout du vote utile puisque nous savons que près de la moitié de vos électeurs de premier tour ont voté non par adhésion à vos idées mais parce qu’on les avait suffisamment apeurés pour qu’ils choisissent l’option "ceinture et bretelles".

Mais quand bien même on vous accorderait cette fable de la légitimité électorale, il n’en reste plus rien au moment où vous avez fait du peuple un ennemi de l’État, peut-être même un ennemi personnel, en tout cas au moment où vous lui faites la guerre – avec des armes de guerre, et des blessures de guerre. Mesurez-vous à quel point vous êtes en train de vous couvrir de honte internationale ? Le Guardian, le New-York Times, et jusqu’au Financial Times, le Conseil de l’Europe, Amnesty International, l’ONU, tous sont effarés de votre violence. Même Erdogan et Salvini ont pu s’offrir ce plaisir de gourmets de vous faire la leçon en matière de démocratie et de modération, c’est dire jusqu’où vous êtes tombé.

Mais de l’international, il n’arrive pas que des motifs de honte pour vous : également des motifs d’espoir pour nous. Les Algériens sont en train de nous montrer comment on se débarrasse d’un pouvoir illégitime. C’est un très beau spectacle, aussi admirable que celui des Gilets Jaunes. Une pancarte, dont je ne sais si elle est algérienne ou française et ça n’a aucune importance, écrit ceci : "Macron soutient Boutef ; les Algériens soutiennent les Gilets Jaunes ; solidarité internationale". Et c’est exactement ça : solidarité internationale ; Boutef bientôt dégagé, Macron à dégager bientôt.

Dans le film de Perret et Ruffin, un monsieur qui a normalement plus l’âge des mots croisés que celui de l’émeute – mais on a l’âge de sa vitalité bien davantage que celui de son état civil –, un monsieur à casquette, donc, suggère qu’on monte des plaques de fer de 2 mètres par 3 sur des tracteurs ou des bulls, et que ce soit nous qui poussions les flics plutôt que l’inverse. C’est une idée. Un autre dit qu’il s’est mis à lire la Constitution à 46 ans alors qu’il n’avait jamais tenu un livre de sa vie. M. Macron je vous vois d’ici vous précipiter pour nous dire que voilà c’est ça qu’il faut faire, lisez la Constitution et oubliez bien vite ces sottes histoires de plaques de fer. Savez-vous qu’en réalité ce sont deux activités très complémentaires. Pour être tout à fait juste, il faudrait même dire que l’une ne va pas sans l’autre : pas de Constitution avant d’avoir passé le bull.

C’est ce que les Gilets Jaunes ont très bien compris, et c’est pourquoi ils sont en position de faire l’histoire. D’une certaine manière M. Macron, vous ne cessez de les y inviter. En embastillant un jeune homme qui joue du tambour, en laissant votre police écraser à coups de botte les lunettes d’un interpellé, ou violenter des Gilets Jaunes en fauteuil roulant – en fauteuil roulant ! –, vous fabriquez des images pour l’histoire, et vous appelez vous-même le grand vent de l’histoire.

Vous et vos semblables, qui vous en croyez la pointe avancée, il se pourrait que vous finissiez balayés par elle. C’est ainsi en effet que finissent les démolisseurs en général. Or c’est ce que vous êtes : des démolisseurs. Vous détruisez le travail, vous détruisez les territoires, vous détruisez les vies, et vous détruisez la planète. Si vous, vous n’avez plus aucune légitimité, le peuple, lui, a entièrement celle de résister à sa propre démolition – craignez même que dans l’élan de sa fureur il ne lui vienne le désir de démolir ses démolisseurs.

Comme en arriver là n’est souhaitable pour personne, il reste une solution simple, logique, et qui préserve l’intégrité de tous : M. Macron, il faut partir. M. Macron, rendez les clés.

Auteur: Lordon Fredéric

Info: sa réponse à l'invitation faite par Macron, à une centaine d'intellectuels français dans le cadre du "grand débat public " le 18 mars 2019

[ gaulois rétif ] [ révolution ] [ vacheries ]

surnaturel

Les scientifiques ont-ils finalement démontré des phénomènes psychiques ? De nouvelles études montrent que les gens peuvent prévoir des événements futurs.
Dans "au travers du miroir" de Lewis Carroll, la reine blanche dit a Alice que dans son pays, la mémoire travaille dans deux sens. Non seulement la reine peut se rappeler de choses du passé, mais elle se rappelle également de "choses qui se produiront la semaine d'après." Alice essaye de discuter avec la reine, énonçant : "je suis sûr que la mienne ne va que dans un sens... je ne peut me rappeler de choses avant qu'elles ne se produisent." La reine répond, "c'est une sorte de faiblesse, si ta mémoire ne fonctionne qu'en arrière."
Combien nos vies seraient meilleures si nous pouvions vivre dans le royaume de la reine blanche, où notre mémoire travaillerait en arrière et en avant. Dans un tel monde, par exemple, on pourrais faire un examen et étudier après coup pour s'assurer qu'on l'a bien réussi dans le passé. Bon, la bonne nouvelle est que selon une série récente d'études scientifiques de Daryl Bem, nous vivons déjà dans pareil monde !
Le Dr.Bem, psychologue social à l'université de Cornell, a entrepris une série d'études qui seront bientôt publiées dans un des journaux de psychologie les plus prestigieux. Au travers de neuf expériences, Bem a examiné l'idée que notre cerveau a la capacité de réfléchir non seulement sur des expériences antérieures, mais peut également en prévoir de futures. Cette capacité de "voir" est souvent désignée comme phénomène psi.
Bien que des recherches antérieures aient été conduites sur de tel phénomènes - nous avons tous vu ces films où des personnes regardent fixement des cartes de Zener avec une étoile ou des lignes ondulées dessus - de telles études n'arrivent pas vraiment à atteindre le statut seuil "de recherche scientifique." Les études de Bem sont uniques du fait qu'elles présentent des méthodes scientifiques standard et se fondent sur des principes bien établis en psychologie. Cela donne essentiellement des résultats qui sont considérés comme valides et fiables en psychologie. Par exemple, l'étude améliore la mémoire, et facilite le temps de réponse - mais ici on inverse simplement l'ordre chronologique.
Par exemple, nous savons tous que répéter un ensemble de mots rend plus facile le fait de s'en souvenir dans l'avenir, mais si la répétition se produit après le rappel ?... Dans une des études, on a donné une liste de mots à lire à des étudiants et, après lecture de la liste, on les a confrontés à un test surprise pour voir de combien de mots ils se rappelaient. Ensuite, un ordinateur a aléatoirement choisi certains des mots sur la liste et on a demandé aux participants de les retaper plusieurs fois à la machine. Les résultats de l'étude ont montré que les étudiants étaient meilleurs pour se remémorer les mots apparus dans l'exercice qui avait suivi, donné par surprise et fait au hasard. Selon Bem, la pratique de ces mots après le test a permis d'une façon ou d'une autre aux participants "de revenir en arrière dans le temps pour faciliter le souvenir."
Dans une autre étude, Bem examiné si l'effet bien connu d'amorçage pouvait également être inversé. Dans une étude typique d'amorçage, on montre à des gens une photo et ils doivent rapidement indiquer si la photo représente une image négative ou positive. Si la photo est un chaton câlin, on appuie sur le bouton "positif" et si la photo représente des larves sur de la viande en décomposition, on appuie sur le bouton "négatif". Une recherche de masse a montré combien l'amorçage subliminal peut accélérer la capacité à classer ces photos. L'amorçage subliminal se produit quand un mot est clignoté sur l'écran tellement rapidement que le cerveau conscient ne l'identifie pas, mais le cerveau inconscient le fait. Ainsi on voit juste un flash, et si on vous demande de dire ce que vous avez vu, vous ne pouvez pas. Mais, profondément, votre cerveau inconscient a vu le mot et l'a traité. Dans l'étude d'amorçage, on constate uniformément que les gens qui s'amorcent avec un mot conformé à la valence de la photo la classeront par catégorie plus vite. Ainsi si on clignote rapidement le mot "heureux" avant l'image de chaton, la personne cliquera le bouton "positif" encore plus vite, mais on clignote à la place le mot "laid" avant, la personne prendra plus longtemps pour répondre. C'est parce que l'amorçage avec le mot "heureux" fait que l'esprit de la personne est prêt à recevoir un truc heureux.
Dans l'étude rétroactive d'amorçage de Bem, on a simplement inversé l'ordre du temps, faisant clignoter le mot amorcé après que la personne ait classé la photo. Ainsi on montre l'image du chaton, la personne sélectionne si elle est positive ou négative, et alors on choisit aléatoirement d'amorcer avec un bon ou mauvais mot. Les résultats ont prouvé que les gens sont plus rapides à classer des photos par catégorie quand elle était suivie d'un mot amorce cohérent. A tel point que non seulement le fait qu'on classe le chaton plus vite quand il est précédé par un bon mot, on le classera également plus vite par catégorie si il est suivit du bon mot après coup. C'est comme si, alors que les participants classaient la photo, leur cerveau savait quel mot viendrait après, qui facilite leur décision.
Voilà juste deux exemples des études que Bem conduit, mais les autres ont montrés des effets "rétroactifs" semblables. Les résultats suggèrent clairement que des gens moyens "non psychiques" semblent pouvoir prévoir des événement futurs.
La question qu'on peut se poser est "quel est l'ordre de grandeur de la différence ?" Ce fait d'étudier un essai après qu'il se soit produit, ou l'amorçage qu'on a eu avec un mot après avoir classé la photo donne un changement énorme, ou est-ce juste une légère bosse dans les statistiques ? Quelle est la taille de effet ?. Il est vrai que les tailles d'effet dans les études de Bem sont petites (par exemple, seulement légèrement plus grandes que la chance). Mais il y a plusieurs raisons pour lesquelles nous ne devons pas négliger ces résultats basés sur de petites, mais fortement conformées, tailles d'effet.
Tout d'abord, au travers ses études, Bem a constaté que certaines personnes ont des résultats plus forts que d'autres. En particulier les gens en grande quête de stimulus - aspect d'extraversion où les gens répondent plus favorablement aux nouveau stimulus. Pour des différences de l'ordre d'environ deux fois plus d'efficacité qu'une personne moyenne. Ceci suggère que des gens sont plus sensibles aux effets psi que d'autres.
Deuxièmement ces petites tailles d'effet ne sont pas rare en psychologie (et pour d'autres sciences). Par exemple la moyenne les études de Bem eut pour résultat des tailles d'effets assez petites, mais tout aussi grandes - ou plus grandes - que certains effets bien établis : lien entre l'aspirine et l'empêchement de crise cardiaque, prise de calcium et os améliorés, fumée et cancer du poumon, utilisation de condom et protection du HIV, etc.... Cohen précise que de telles tailles d'effet se produisent plus facilement quand on est dans les premiers stades d'exploration d'une matière, quand les scientifiques commencent juste à découvrir pourquoi l'effet se produit et quand il est le plus susceptible de se produire.
Ainsi si nous prenons ces phénomènes psi comme vrai, comment pouvons nous alors les expliquer sans jeter à la poubelle notre compréhension du temps et de la physique ? Bon, la vérité est que ces effets ressemblent vraiment beaucoup à ce que la physique moderne dit du temps et de l'espace. Par exemple, Einstein a cru que le seul acte d'observer quelque chose pouvait affecter cette chose là, phénomène qu'il appela "spooky action à distance."
De même, la physique quantique moderne a démontré que les particules légères semblent savoir ce qui se trouve en avant d'elles dans le temps et qu'elles ajusteront leur comportement en conséquence, quoique le futur événement ne se soit pas produit encore. Par exemple dans l'expérience classique "de la double fente" les physiciens ont découvert que les particules légères répondent différemment si elles sont observées. Mais en 1999, les chercheurs ont poussé cette expérience plus loin en se demandant "ce qui se produirait si l'observation avait lieu après que les particules légères aient été déployées. "Tout à fait curieusement, ils ont démontré que les particules agissaient de la même manière, comme si elles savaient qu'elles seraient observées plus tard..." même si cela ne s'était pas encore produit.
De tels effets, "dingues", avec le temps semblent contredire le bon sens et essayer de les comprendre peut donner un sacré mal de tête. Mais les physiciens ont simplement appris à l'accepter. Comme disait une fois le Dr. Chiao, physicien de Berkeley, au sujet de la mécanique quantique, "c'est complètement contre intuitif et extérieur à notre expérience journalière, mais nous (les physiciens) y sommes habitués"
Ainsi, alors que les humains perçoivent le temps comme linéaire, cela ne signifie pas nécessairement qu'il en soit ainsi. Donc, en tant que bons scientifiques, nous ne devrions pas nous laisser influencer par les préjugés sur ce que nous étudions, même si ces idées préconçues reflètent nos idées de base sur la façon dont le temps et l'espace fonctionnent.
Le travail du DR. Bem est un provocation pour la pensée, et comme toute science révolutionnaire est censée faire, il apporte plus de questions que de réponses. Si nous mettons entre parenthèses nos croyances sur le temps et acceptons que le cerveau est capable d'une prise sur le futur, la prochaine question est : comment le fait-il ?. Ce n'est pas parce que l'effet semble "surnaturel" que cela signifie que la cause le soit. Beaucoup de découvertes scientifiques furent considérées comme exotiques par le passé, convenant davantage à la science-fiction (par exemple : la terre est ronde, il y a des organismes microscopiques, etc...). Une recherche future est nécessaire pour explorer les causes exactes des effets de ces études
Comme beaucoup de nouvelles explorations en science, les résultats de Bem peuvent avoir un effet profond sur ce que nous savons et avons accepté comme "vrai". Mais pour certains d'entre vous, peut-être que ces effets ne sont pas une si grande surprise, parce que quelque part, profondément à l'intérieur, nous savons déjà que nous en aurions connaissance aujourd'hui !

Auteur: Internet

Info: Fortean Times, Octobre 11, 2010

[ sciences ] [ prémonition ]

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 ]

legos protéiques

De nouveaux outils d’IA prédisent comment les blocs de construction de la vie s’assemblent

AlphaFold3 de Google DeepMind et d'autres algorithmes d'apprentissage profond peuvent désormais prédire la forme des complexes en interaction de protéines, d'ADN, d'ARN et d'autres molécules, capturant ainsi mieux les paysages biologiques des cellules.

Les protéines sont les machines moléculaires qui soutiennent chaque cellule et chaque organisme, et savoir à quoi elles ressemblent sera essentiel pour comprendre comment elles fonctionnent normalement et fonctionnent mal en cas de maladie. Aujourd’hui, les chercheurs ont fait un grand pas en avant vers cet objectif grâce au développement de nouveaux algorithmes d’apprentissage automatique capables de prédire les formes rdéployées et repliées non seulement des protéines mais aussi d’autres biomolécules avec une précision sans précédent.

Dans un article publié aujourd'hui dans Nature , Google DeepMind et sa société dérivée Isomorphic Labs ont annoncé la dernière itération de leur programme AlphaFold, AlphaFold3, capable de prédire les structures des protéines, de l'ADN, de l'ARN, des ligands et d'autres biomolécules, seuls ou liés ensemble dans différentes configurations. Les résultats font suite à une mise à jour similaire d'un autre algorithme de prédiction de structure d'apprentissage profond, appelé RoseTTAFold All-Atom, publié en mars dans Science .

Même si les versions précédentes de ces algorithmes pouvaient prédire la structure des protéines – une réussite remarquable en soi – elles ne sont pas allées assez loin pour dissiper les mystères des processus biologiques, car les protéines agissent rarement seules. "Chaque fois que je donnais une conférence AlphaFold2, je pouvais presque deviner quelles seraient les questions", a déclaré John Jumper, qui dirige l'équipe AlphaFold chez Google DeepMind. "Quelqu'un allait lever la main et dire : 'Oui, mais ma protéine interagit avec l'ADN.' Pouvez-vous me dire comment ?' " Jumper devrait bien admettre qu'AlphaFold2 ne connaissait pas la réponse.

Mais AlphaFold3 pourrait le faire. Avec d’autres algorithmes d’apprentissage profond émergents, il va au-delà des protéines et s’étend sur un paysage biologique plus complexe et plus pertinent qui comprend une bien plus grande diversité de molécules interagissant dans les cellules.

" On découvre désormais toutes les interactions complexes qui comptent en biologie ", a déclaré Brenda Rubenstein , professeure agrégée de chimie et de physique à l'Université Brown, qui n'a participé à aucune des deux études. " On commence à avoir une vision plus large."

Comprendre ces interactions est " fondamental pour la fonction biologique ", a déclaré Paul Adams , biophysicien moléculaire au Lawrence Berkeley National Laboratory qui n’a également participé à aucune des deux études. " Les deux groupes ont fait des progrès significatifs pour résoudre ce problème. "

Les deux algorithmes ont leurs limites, mais ils ont le potentiel d’évoluer vers des outils de prédiction encore plus puissants. Dans les mois à venir, les scientifiques commenceront à les tester et, ce faisant, ils révéleront à quel point ces algorithmes pourraient être utiles.

Progrès de l’IA en biologie

L’apprentissage profond est une variante de l’apprentissage automatique vaguement inspirée du cerveau humain. Ces algorithmes informatiques sont construits à l’aide de réseaux complexes de nœuds d’information (appelés neurones) qui forment des connexions en couches les unes avec les autres. Les chercheurs fournissent au réseau d’apprentissage profond des données d’entraînement, que l’algorithme utilise pour ajuster les forces relatives des connexions entre les neurones afin de produire des résultats toujours plus proches des exemples d’entraînement. Dans le cas des systèmes d'intelligence artificielle protéique, ce processus amène le réseau à produire de meilleures prédictions des formes des protéines sur la base de leurs données de séquence d'acides aminés.

AlphaFold2, sorti en 2021, a constitué une avancée majeure dans l’apprentissage profond en biologie. Il a ouvert la voie à un monde immense de structures protéiques jusque-là inconnues et est déjà devenu un outil utile pour les chercheurs qui cherchent à tout comprendre, depuis les structures cellulaires jusqu'à la tuberculose. Cela a également inspiré le développement d’outils supplémentaires d’apprentissage biologique profond. Plus particulièrement, le biochimiste David Baker et son équipe de l’Université de Washington ont développé en 2021 un algorithme concurrent appelé RoseTTAFold , qui, comme AlphaFold2, prédit les structures protéiques à partir de séquences de données.

Depuis, les deux algorithmes ont été mis à jour avec de nouvelles fonctionnalités. RoseTTAFold Diffusion pourrait être utilisé pour concevoir de nouvelles protéines qui n’existent pas dans la nature. AlphaFold Multimer pourrait étudier l’interaction de plusieurs protéines. " Mais ce que nous avons laissé sans réponse ", a déclaré Jumper, " était : comment les protéines communiquent-elles avec le reste de la cellule ? "

Le succès des premières itérations d'algorithmes d'apprentissage profond de prédiction des protéines reposait sur la disponibilité de bonnes données d'entraînement : environ 140 000 structures protéiques validées qui avaient été déposées pendant 50 ans dans la banque de données sur les protéines. De plus en plus, les biologistes ont également déposé les structures de petites molécules, d'ADN, d'ARN et leurs combinaisons. Dans cette expansion de l'algorithme d'AlphaFold pour inclure davantage de biomolécules, " la plus grande inconnue ", a déclaré Jumper, "est de savoir s'il y aurait suffisamment de données pour permettre à l'algorithme de prédire avec précision les complexes de protéines avec ces autres molécules."

Apparemment oui. Fin 2023, Baker puis Jumper ont publié les versions préliminaires de leurs nouveaux outils d’IA, et depuis, ils soumettent leurs algorithmes à un examen par les pairs.

Les deux systèmes d'IA répondent à la même question, mais les architectures sous-jacentes de leurs méthodes d'apprentissage profond diffèrent, a déclaré Mohammed AlQuraishi , biologiste des systèmes à l'Université de Columbia qui n'est impliqué dans aucun des deux systèmes. L'équipe de Jumper a utilisé un processus appelé diffusion – technologie qui alimente la plupart des systèmes d'IA génératifs non basés sur du texte, tels que Midjourney et DALL·E, qui génèrent des œuvres d'art basées sur des invites textuelles, a expliqué AlQuraishi. Au lieu de prédire directement la structure moléculaire puis de l’améliorer, ce type de modèle produit d’abord une image floue et l’affine de manière itérative.

D'un point de vue technique, il n'y a pas de grand saut entre RoseTTAFold et RoseTTAFold All-Atom, a déclaré AlQuraishi. Baker n'a pas modifié massivement l'architecture sous-jacente de RoseTTAFold, mais l'a mise à jour pour inclure les règles connues des interactions biochimiques. L'algorithme n'utilise pas la diffusion pour prédire les structures biomoléculaires. Cependant, l'IA de Baker pour la conception de protéines le fait. La dernière itération de ce programme, connue sous le nom de RoseTTAFold Diffusion All-Atom, permet de concevoir de nouvelles biomolécules en plus des protéines.

" Le type de dividendes qui pourraient découler de la possibilité d'appliquer les technologies d'IA générative aux biomolécules n'est que partiellement réalisé grâce à la conception de protéines", a déclaré AlQuraishi. "Si nous pouvions faire aussi bien avec de petites molécules, ce serait incroyable." 

Évaluer la concurrence

Côte à côte, AlphaFold3 semble être plus précis que RoseTTAFold All-Atom. Par exemple, dans leur analyse dans Nature , l'équipe de Google a constaté que leur outil est précis à environ 76 % pour prédire les structures des protéines interagissant avec de petites molécules appelées ligands, contre une précision d'environ 42 % pour RoseTTAFold All-Atom et 52 % pour le meilleur. outils alternatifs disponibles.

Les performances de prédiction de structure d'AlphaFold3 sont " très impressionnantes ", a déclaré Baker, " et meilleures que celles de RoseTTAFold All-Atom ".

Toutefois, ces chiffres sont basés sur un ensemble de données limité qui n'est pas très performant, a expliqué AlQuraishi. Il ne s’attend pas à ce que toutes les prédictions concernant les complexes protéiques obtiennent un score aussi élevé. Et il est certain que les nouveaux outils d’IA ne sont pas encore assez puissants pour soutenir à eux seuls un programme robuste de découverte de médicaments, car cela nécessite que les chercheurs comprennent des interactions biomoléculaires complexes. Pourtant, " c'est vraiment prometteur ", a-t-il déclaré, et nettement meilleur que ce qui existait auparavant.

Adams est d'accord. "Si quelqu'un prétend pouvoir utiliser cela demain pour développer des médicaments avec précision, je n'y crois pas", a-t-il déclaré. " Les deux méthodes sont encore limitées dans leur précision, [mais] les deux constituent des améliorations spectaculaires par rapport à ce qui était possible. "

(Image gif, tournante, en 3D : AlphaFold3 peut prédire la forme de complexes biomoléculaires, comme cette protéine de pointe provenant d'un virus du rhume. Les structures prédites de deux protéines sont visualisées en bleu et vert, tandis que les petites molécules (ligands) liées aux protéines sont représentées en jaune. La structure expérimentale connue de la protéine est encadrée en gris.)

Ils seront particulièrement utiles pour créer des prédictions approximatives qui pourront ensuite être testées informatiquement ou expérimentalement. Le biochimiste Frank Uhlmann a eu l'occasion de pré-tester AlphaFold3 après avoir croisé un employé de Google dans un couloir du Francis Crick Institute de Londres, où il travaille. Il a décidé de rechercher une interaction protéine-ADN qui était " vraiment déroutante pour nous ", a-t-il déclaré. AlphaFold3 a craché une prédiction qu'ils testent actuellement expérimentalement en laboratoire. "Nous avons déjà de nouvelles idées qui pourraient vraiment fonctionner", a déclaré Uhlmann. " C'est un formidable outil de découverte. "

Il reste néanmoins beaucoup à améliorer. Lorsque RoseTTAFold All-Atom prédit les structures de complexes de protéines et de petites molécules, il place parfois les molécules dans la bonne poche d'une protéine mais pas dans la bonne orientation. AlphaFold3 prédit parfois de manière incorrecte la chiralité d'une molécule – l'orientation géométrique distincte " gauche " ou " droite " de sa structure. Parfois, il hallucine ou crée des structures inexactes.

Et les deux algorithmes produisent toujours des images statiques des protéines et de leurs complexes. Dans une cellule, les protéines sont dynamiques et peuvent changer en fonction de leur environnement : elles se déplacent, tournent et passent par différentes conformations. Il sera difficile de résoudre ce problème, a déclaré Adams, principalement en raison du manque de données de formation. " Ce serait formidable de déployer des efforts concertés pour collecter des données expérimentales conçues pour éclairer ces défis ", a-t-il déclaré.

Un changement majeur dans le nouveau produit de Google est qu'il ne sera pas open source. Lorsque l’équipe a publié AlphaFold2, elle a publié le code sous-jacent, qui a permis aux biologistes de reproduire et de jouer avec l’algorithme dans leurs propres laboratoires. Mais le code d'AlphaFold3 ne sera pas accessible au public.

 " Ils semblent décrire la méthode en détail. Mais pour le moment, au moins, personne ne peut l’exécuter et l’utiliser comme il l’a fait avec [AlphaFold2] ", a déclaré AlQuraishi. C’est " un grand pas en arrière. Nous essaierons bien sûr de le reproduire."

Google a cependant annoncé qu'il prenait des mesures pour rendre le produit accessible en proposant un nouveau serveur AlphaFold aux biologistes exécutant AlphaFold3. Prédire les structures biomoléculaires nécessite une tonne de puissance de calcul : même dans un laboratoire comme Francis Crick, qui héberge des clusters informatiques hautes performances, il faut environ une semaine pour produire un résultat, a déclaré Uhlmann. En comparaison, les serveurs plus puissants de Google peuvent faire une prédiction en 10 minutes, a-t-il déclaré, et les scientifiques du monde entier pourront les utiliser. "Cela va démocratiser complètement la recherche sur la prédiction des protéines", a déclaré Uhlmann.

Le véritable impact de ces outils ne sera pas connu avant des mois ou des années, alors que les biologistes commenceront à les tester et à les utiliser dans la recherche. Et ils continueront à évoluer. La prochaine étape de l'apprentissage profond en biologie moléculaire consiste à " gravir l'échelle de la complexité biologique ", a déclaré Baker, au-delà même des complexes biomoléculaires prédits par AlphaFold3 et RoseTTAFold All-Atom. Mais si l’histoire de l’IA en matière de structure protéique peut prédire l’avenir, alors ces modèles d’apprentissage profond de nouvelle génération continueront d’aider les scientifiques à révéler les interactions complexes qui font que la vie se réalise.

" Il y a tellement plus à comprendre ", a déclaré Jumper. "C'est juste le début."

Auteur: Internet

Info: https://www.quantamagazine.org/new-ai-tools-predict-how-lifes-building-blocks-assemble-20240508/ - Yasemin Saplakoglu, 8 mai 2024

[ briques du vivant ] [ texte-image ] [ modélisation mobiles ] [ nano mécanismes du vivant ]