habit

Les rois et les reines qui ne portent leurs vêtements qu'une fois, bien qu'ils soient faits par un tailleur ou une couturière à la mesure de leurs majestés, ne connaissent pas le plaisir de porter un vêtement qui leur va. Ils ne sont que des portemanteaux de bois sur lesquels on pend les vêtements propres. Chaque jour, nos vêtements épousent plus exactement notre personnalité, recevant la marque du caractère de celui qui les porte, si bien que nous hésitons à les laisser de côté, retardant le moment de le faire, leur administrant des soins médicaux et entourant leur départ de quelque solennité, comme nous le faisons pour notre corps. Nul homme n'a jamais baissé dans mon estime parce qu'il avait un habit rapiécé ; cependant je suis sûr que la plupart des gens désirent bien plus avoir des vêtements à la mode, ou du moins propres et sans raccommodages, que d'avoir la conscience nette.

Auteur: Thoreau Henry David

Info: Walden ou la vie dans les bois, 1854, collection bilingue Aubier 1967, p.99

[ . ]

éducation

Dès votre plus jeune âge, l'école vous prend en charge pour vous socialiser, autant dire pour vous faire renoncer à votre liberté sauvage et vous faire préférer la liberté définie par la loi. Le corps et l'âme sont façonnés, fabriqués. On inculque une façons de voir le monde, d'envisager le réel, de penser les choses. On norme. L'écolier du primaire, le collégien, le lycéen, l'étudiant des classes préparatoires subissent l'impératif de rentabilité scolaire : les points à accumuler, les notes à obtenir, au-dessus de la moyenne de préférence, les coefficients qui décident de ce qui est important ou non pour bien vous intégrer, les livrets qui constituent autant de fiches de police associées à vos mouvements administratifs, les copies à rédiger selon un code très précis, la discipline à respecter dans le moindre détail, l'objectif du passage dans la classe supérieure, le théâtre du conseil de classe qui examine l'étendue de votre docilité, la distinction des sections en fonction des besoins du système, l'obtention des diplômes comme autant de sésames, même si, en soi, ils ne servent à rien : tout vise moins pour vous une compétence (sinon pourquoi n'être pas bilingue après sept années d'apprentissage d'une langue étrangère ?) qu'une mesure de votre aptitude à l'obéissance, à la docilité, à la soumission aux demandes du corps enseignant, des équipes pédagogiques et de direction.

Auteur: Onfray Michel

Info: Antimanuel de philosophie

[ normalisation ] [ militarisation ]

visionnaire

Les pièces de Shakespeare sont telles des planètes gravitant autour d'un astre qui serait notre présent, chacune d'elles, tour à tour, s'éloignant puis s'approchant de notre monde et de notre sensibilité. Si l'on veut suivre cette belle image, due à Peter Brook, le ciel shakespearien est, en cette fin d'année, particulièrement encombré. Entre autres pièces à l'affiche, le Festival d'automne propose deux Hamlet, l'un monté par le même Peter Brook, l'autre par l'allemand Peter Zadek qui a confié le rôle-titre à une femme. Quant aux Comédies de Shakespeare, elles viennent d'être rassemblées en deux volumes dans la collection Bouquins-Laffont, complétant ainsi une nouvelle édition bilingue intégrale qui fait autorité. Une conjonction si favorable ne nous met pas pour autant à l'abri des hypothèses farfelues et autres sornettes dont on affuble régulièrement Shakespeare. Après qu'on l'ait taxé d'être un prête-nom (pour Francis Bacon ou même Christopher Marlowe), homosexuel (en raison des ambiguïtés amoureuses qui transparaissent dans ses Sonnets), un astronome, un chef de guerre au service du Comte de Leicester, un espion même, il est suspecté aujourd'hui, par une équipe de chercheurs d'Afrique du Sud, d'avoir fumé du cannabis. Les visions suscitées par la drogue pourraient coïncider avec les sombres images et les puissants délires qui traversent son oeuvre. Fumette or not fumette ? Question bien futile qui n'ébranlera pas la mécanique céleste dont Shakespeare est le génial démiurge.

Auteur: Internet

Info: http://www.magazine-litteraire.com/dossiers/dos_393.htm

[ littérature ]

frangine

Ma soeur,

une nuée toujours ombrait

tes paupières.

Accoudée au balcon

- une enfant encore -

tu regardais la mer

dérouler le rêve

de la solitude sans fin.

Tu alimentais ton coeur

des feuilles de l'automne

La mère reflétait

l'énigme de son ombre

dans le fond de tes yeux.

La pâle lueur de ton visage

errait sur le plancher

de notre demeure.

Nous ne te vîmes jamais pleurer.

Là seulement sur tes tempes

les veines ténues

pareilles à des filons de lumière bleue

battaient la fièvre

de tes lèvres recluses.

(Combien de fois,

aux heures où tu dormais,

je me penchais sur elles pour y lire

ton secret.)

Remplie d'amour et de pitié

tu pansais nos blessures

et te taisais.

Ton silence avisait de tout.

Par les soirs d'hiver

tu avançais seule dans la forêt

pour soigner

les moineaux nus,

pour réchauffer

les insectes transis.

Grain à grain tu amassais en toi

les larmes des pauvres, des humbles.

Et quand s'effondra notre maison

ce fut toi encore qui resta droite

- ombre de la Sainte Vierge -

afin de me montrer les étoiles

au travers des trouées du toit.

Désormais ton silence s'est brisé

et dans le petit coquillage que tu cachais

j'ai écouté les clameurs de l'océan.

Ma soeur, il ne m'est resté

pas même une pierre où m'étendre.

Auteur: Yannis Ritsos

Info: Le chant de ma soeur : Edition bilingue français-grec.

[ eulogie ] [ poème ]

polyglottes

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

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

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

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

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

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

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

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

Auteur: Internet

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

[ diglossie ] [ transposition ] [ traduction ]

écriture

Je voudrais dire ce que c’est qu’un style. C’est la propriété de ceux dont on dit d’habitude "ils n’ont pas de style... ".
Ce n’est pas une structure signifiante, ni une organisation réfléchie, ni une inspiration spontanée ni une orchestration, ni une petite musique. C’est un agencement, un agencement d’énonciation.

Un style, c’est arriver à bégayer dans sa propre langue. C’est difficile parce qu’il faut qu’il y ait nécessité d’un tel bégaiement. Non pas être bègue dans sa parole, mais être bègue du langage lui-même. Etre comme un étranger dans sa propre langue. Faire une ligne de fuite. Les exemples les plus frappants pour moi: Kafka, Beckett, Gherasim Luca, Godard.

Gherasim Luca est un grand poète parmi les plus grands: il a inventé un prodigieux bégaiement, le sien. Il lui est arrivé de faire des lectures publiques de ses poèmes; deux cents personnes, et pourtant c’était un événement, c’est un événement qui passera par ces deux cents, n’appartenant à aucune école ou mouvement. Jamais les choses ne se passent là où on croit, ni par les chemins qu’on croit.

On peut toujours objecter que nous prenons des exemples favorables, Kafka juif tchèque écrivant en allemand, Beckett irlandais écrivant anglais et français, Luca d’origine roumaine, et même Godard Suisse. Et alors? Ce n’est le problème pour aucun d’eux.

Nous devons être bilingue même en une seule langue, nous devons avoir une langue mineure à l’intérieur de notre langue, nous devons faire de notre propre langue un usage mineur. Le multilinguisme n’est pas seulement la possession de plusieurs systèmes dont chacun serait homogène en lui-même; c’est d’abord la ligne de fuite ou de variation qui affecte chaque système en l’empêchant d’être homogène. Non pas parler comme un Irlandais ou un Roumain dans une autre langue que la sienne, mais au contraire parler dans sa langue à soi comme un étranger.

Proust dit: "Les beaux livres sont écrits dans une sorte de langue étrangère. Sous chaque mot chacun de nous met son sens ou du moins son image qui est souvent un contresens. Mais dans les beaux livres tous les contresens qu’on fait sont beaux."

C’est la bonne manière de lire: tous les contresens sont bons, à condition toutefois qu’ils ne consistent pas en interprétations, mais qu’ils concernent l’usage du livre, qu’ils en multiplient l’usage, qu’ils fassent encore une langue à l’intérieur de sa langue. " Les beaux livres sont écrits dans une sorte de langue étrangère..."

C’est la définition du style. Là aussi c’est une question de devenir. Les gens pensent toujours à un avenir majoritaire (quand je serai grand, quand j’aurai le pouvoir...).

Alors que le problème est celui d’un devenir-minoritaire: non pas faire semblant, non pas faire ou imiter l’enfant, le fou, la femme, l’animal, le bègue ou l’étranger, mais devenir tout cela, pour inventer de nouvelles forces ou de nouvelles armes.

Auteur: Deleuze Gilles

Info: Dialogues avec Claire Parnet (Flammarion, 1977)

[ singularité ] [ indivuduation ] [ manière ]

chauvinisme idiomatique

La logique des mots

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

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

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

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

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

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

La logique des mots

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

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

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

Auteur: Sériot Patrick

Info: Journal Le Temps, février 2022

[ dialectes parents ]

tour d'horizon de l'IA

Intelligence artificielle symbolique et machine learning, l’essor des technologies disruptives

Définie par le parlement Européen comme la " reproduction des comportements liés aux humains, tels que le raisonnement, la planification et la créativité ", l’intelligence artificielle s’initie de façon spectaculaire dans nos vies. Théorisée au milieu des années 50, plusieurs approches technologiques coexistent telles que l’approche machine learning dite statistique basée sur l’apprentissage automatique, ou l’approche symbolique basée sur l’interprétation et la manipulation des symboles. Mais comment se différencient ces approches ? Et pour quels usages ?

L’intelligence artificielle, une histoire ancienne

Entre les années 1948 et 1966, l’Intelligence Artificielle a connu un essor rapide, stimulé par des financements importants du gouvernement américain pour des projets de recherche sur l’IA, notamment en linguistique. Des progrès significatifs ont été réalisés dans la résolution de problèmes de logique symbolique, mais la capacité de l’IA à traiter des données complexes et imprécises était encore limitée.

A la fin des années 70, plus précisément lors du deuxième “été de l’IA” entre 1978 et 1987,  l’IA connaît un regain d’intérêt. Les chercheurs ont commencé à explorer de nouvelles approches, notamment l’utilisation de réseaux neuronaux et de systèmes experts. Les réseaux neuronaux sont des modèles de traitement de l’information inspirés par le fonctionnement du cerveau humain, tandis que les systèmes experts sont des programmes informatiques qui simulent l’expertise humaine dans un domaine spécifique.

Il faudra attendre la fin des années 90 pour voir un renouveau de ces domaines scientifiques, stimulé par des avancées majeures dans le traitement des données et les progrès de l’apprentissage automatique. C’est d’ailleurs dans cette période qu’une IA, Deepblue, gagne contre le champion mondial Garry Kasparov aux échecs.$

Au cours des dernières années, cette technologie a connu une croissance exponentielle, stimulée par des progrès majeurs dans le deep learning, la robotique ou la compréhension du langage naturel (NLU). L’IA est maintenant utilisée dans un large éventail de domaines, notamment la médecine, l’agriculture, l’industrie et les services. C’est aujourd’hui un moteur clé de l’innovation et de la transformation de notre monde, accentué par l’essor des generative AIs. 

Parmi ces innovations, deux grandes approches en intelligence artificielle sont aujourd’hui utilisées : 

1 - Le Machine Learning : qui est un système d’apprentissage automatique basé sur l’exploitation de données, imitant un réseau neuronal

2 - L’IA Symbolique : qui se base sur un système d’exploitation de " symboles ”, ce qui inspire des technologies comme le “système expert” basé sur une suite de règles par exemple.

Mais comment fonctionnent ces deux approches et quels sont leurs avantages et leurs inconvénients ? Quels sont leurs champs d’application ? Peuvent-ils être complémentaires ?

Le machine learning

Le Machine Learning est le courant le plus populaire ces dernières années, il est notamment à l’origine de ChatGPT ou bien MidJourney, qui font beaucoup parler d’eux ces derniers temps. Le Machine Learning (ML) est une famille de méthodes d’apprentissage automatique qui permet aux ordinateurs d’apprendre à partir de données, sans être explicitement programmés. En utilisant des algorithmes, le ML permet aux ordinateurs de comprendre les structures et les relations dans les données et de les utiliser pour prendre des décisions.

Le ML consiste à entraîner des modèles informatiques sur de vastes ensembles de données. Ces modèles sont des algorithmes auto apprenant se basant sur des échantillons de données, tout en déterminant des schémas et des relations/corrélations entre elles. Le processus d’entraînement consiste à fournir à l’algorithme des données étiquetées, c’est-à-dire des données qui ont déjà été classifiées ou étiquetées pour leur attribuer une signification. L’algorithme apprend ensuite à associer les caractéristiques des données étiquetées aux catégories définies en amont. Il existe cependant une approche non-supervisée qui consiste à découvrir ce que sont les étiquettes elles-mêmes (ex: tâche de clustering).

Traditionnellement, le machine learning se divise en 4 sous-catégories : 

Apprentissage supervisé : 

Les ensembles de données sont étiquetés, ce qui permet à l’algorithme de trouver des corrélations et des relations entre les caractéristiques des données et les étiquettes correspondantes. 

Apprentissage non supervisé : 

Les ensembles de données ne sont pas étiquetés et l’algorithme doit découvrir les étiquettes par lui-même. 

Apprentissage semi-supervisé : 

L’algorithme utilise un mélange de données étiquetées et non étiquetées pour l’entraînement.

Apprentissage par renforcement : 

L’algorithme apprend à prendre des décisions en interagissant avec son environnement. Il reçoit des récompenses ou des pénalités pour chaque action, ce qui lui permet d’ajuster sa stratégie pour maximiser sa récompense globale.

Un exemple d’application du Machine Learning est la reconnaissance d’images. Des modèles d’apprentissages profonds sont entraînés sur des millions d’images pour apprendre à reconnaître des objets, des personnes, des animaux, etc. Un autre exemple est la prédiction de la demande dans le commerce de détail, où des modèles sont entraînés sur des données de ventes passées pour prédire les ventes futures.

Quels sont les avantages ? 

Étant entraîné sur un vaste corpus de données, le ML permet de prédire des tendances en fonction de données.  

- Le machine learning offre la capacité de détecter des tendances and des modèles dans les données qui peuvent échapper à l’observation humaine.

- Une fois configuré, le machine learning peut fonctionner de manière autonome, sans l’intervention humaine. Par exemple, dans le domaine de la cybersécurité, il peut surveiller en permanence le trafic réseau pour identifier les anomalies.

- Les résultats obtenus par le machine learning peuvent s’affiner et s’améliorer avec le temps, car l’algorithme peut apprendre de nouvelles informations et ajuster ses prédictions en conséquence.

- Le machine learning est capable de traiter des volumes massifs et variés de données, même dans des environnements dynamiques et complexes.

L’intelligence artificielle symbolique

L’IA symbolique est une autre approche de l’intelligence artificielle. Elle utilise des symboles and des règles de traitement de l’information pour effectuer des tâches. Les symboles peuvent être des concepts, des objets, des relations, etc. Les règles peuvent être des règles de déduction, des règles de production, des règles d’inférence…etc.

Un exemple d’application de l’IA symbolique est le système expert. Un système expert est un programme informatique qui utilise des règles de déduction pour résoudre des problèmes dans un domaine spécifique, comme le diagnostic médical ou l’aide à la décision en entreprise. Un autre exemple est la traduction automatique basée sur des règles, les règles de grammaire et de syntaxe sont utilisées pour traduire un texte d’une langue à une autre.

Quelques exemples d’usages de l’IA symbolique :

La traduction

L’IA symbolique a été utilisée pour développer des systèmes de traduction automatique basés sur des règles. Ces systèmes utilisent des règles de grammaire et de syntaxe pour convertir un texte d’une langue à une autre. Par exemple, le système SYSTRAN, développé dans les années 1960, est un des premiers systèmes de traduction automatique basé sur des règles. Ce type de système se distingue des approches basées sur le Machine Learning, comme Google Translate, qui utilisent des modèles statistiques pour apprendre à traduire des textes à partir de corpus bilingues.

Le raisonnement logique

L’IA symbolique est également utilisée pour développer des systèmes capables de raisonnement logique, en exploitant des règles et des connaissances déclaratives pour résoudre des problèmes complexes. Par exemple, les systèmes d’aide à la décision basés sur des règles peuvent être utilisés dans des domaines tels que la finance, l’assurance ou la logistique, pour aider les entreprises à prendre des décisions éclairées. Un exemple concret est le système MYCIN, développé dans les années 1970 pour aider les médecins à diagnostiquer des infections bactériennes et à prescrire des antibiotiques adaptés.

L’analyse de textes

L’IA symbolique peut être utilisée pour l’analyse de textes, en exploitant des règles et des connaissances linguistiques pour extraire des informations pertinentes à partir de documents. Par exemple, les systèmes d’extraction d’information basés sur des règles peuvent être utilisés pour identifier des entités nommées (noms de personnes, d’organisations, de lieux, etc.) et des relations entre ces entités dans des textes. Un exemple d’application est l’analyse et la catégorisation des messages entrants pour les entreprises, cœur de métier de Golem.ai avec la solution InboxCare.

Les avantages de l’IA symbolique 

L’IA symbolique est une approche qui utilise des symboles, et parfois des " règles” basées sur des connaissances, qui comporte plusieurs avantages :

- Explicablilité : Les décisions prises par les systèmes d’IA symbolique sont explicites et peuvent être expliquées en fonction des règles logiques et des connaissances déclaratives utilisées par le système. Cette transparence peut être essentielle dans des applications critiques, comme la médecine ou la défense.

- Frugalité : Contrairement au Machine Learning, l’IA symbolique ne nécessite pas d’entraînement, ce qui la rend moins gourmande en énergie à la fois lors de la conception et de l’utilisation.

- Adaptabilité : Les systèmes d’IA symbolique peuvent être facilement adaptés à de nouveaux domaines en ajoutant de nouvelles règles logiques et connaissances déclaratives à leurs bases de connaissances existantes, leurs permettant de s’adapter rapidement à de nouvelles situations.

L’intelligence artificielle hybride ou le neuro-symbolique 

Les systèmes hybrides combinent les avantages de l’IA symbolique et du Machine Learning en utilisant une approche mixte. Dans ce type de système, l’IA symbolique est utilisée pour représenter les connaissances et les règles logiques dans un domaine spécifique. Les techniques de Machine Learning sont ensuite utilisées pour améliorer les performances de l’IA symbolique en utilisant des ensembles de données pour apprendre des modèles de décision plus précis et plus flexibles. Mais nous pouvons également voir d’autres articulations comme la taxonomie de Kautz par exemple.

L’IA symbolique est souvent utilisée dans des domaines où il est important de comprendre et de contrôler la façon dont les décisions sont prises, comme la médecine, la finance ou la sécurité. En revanche, le Machine Learning est souvent utilisé pour des tâches de classification ou de prédiction à grande échelle, telles que la reconnaissance de voix ou d’image, ou pour détecter des modèles dans des données massives.

En combinant les deux approches, les systèmes hybrides peuvent bénéficier de la compréhensibilité et de la fiabilité de l’IA symbolique, tout en utilisant la flexibilité et la capacité de traitement massif de données du Machine Learning pour améliorer la performance des décisions. Ces systèmes hybrides peuvent également offrir une plus grande précision et un temps de réponse plus rapide que l’une ou l’autre approche utilisée seule.

Que retenir de ces deux approches ?

L’Intelligence Artificielle est en constante évolution et transforme de nombreux secteurs d’activité. Les deux approches principales de l’IA ont leurs avantages et inconvénients et peuvent être complémentaires. Il est donc crucial pour les entreprises de comprendre ces technologies pour rester compétitives. 

Cependant, les implications éthiques et sociales de l’IA doivent également être prises en compte. Les décisions des algorithmes peuvent avoir un impact sur la vie des personnes, leur travail, leurs droits et leurs libertés. Il est donc essentiel de mettre en place des normes éthiques et des réglementations pour garantir que l’IA soit au service de l’humanité. Les entreprises et les gouvernements doivent travailler ensemble pour développer des IA responsables, transparentes et équitables qui servent les intérêts de tous. En travaillant ensemble, nous pouvons assurer que l’IA soit une force positive pour l’humanité dans les années à venir. 



 

Auteur: Merindol Hector

Info: https://golem.ai/en/blog/technologie/ia-symbolique-machinelearning-nlp - 4 avril 2023

[ dualité ]

homme-machine

Chat GPT ou le perroquet grammairien

L’irruption des IA conversationnelles dans la sphère publique a conféré une pertinence supplémentaire aux débats sur le langage humain et sur ce qu’on appelle parler. Notamment, les IA redonnent naissance à un débat ancien sur la grammaire générative et sur l’innéisme des facultés langagières. Mais les grands modèles de langage et les IA neuronales nous offrent peut-être l’occasion d’étendre le domaine de la réflexion sur l’architecture des systèmes possibles de cognition, de communication et d’interaction, et considérant aussi la façon dont les animaux communiquent.

a capacité de ChatGPT à produire des textes en réponse à n’importe quelle requête a immédiatement attiré l’attention plus ou moins inquiète d’un grand nombre de personnes, les unes animées par une force de curiosité ou de fascination, et les autres, par un intérêt professionnel.

L’intérêt professionnel scientifique que les spécialistes du langage humain peuvent trouver aux Large Language Models ne date pas d’hier : à bien des égards, des outils de traduction automatique comme DeepL posaient déjà des questions fondamentales en des termes assez proches. Mais l’irruption des IA conversationnelles dans la sphère publique a conféré une pertinence supplémentaire aux débats sur ce que les Large Language Models sont susceptibles de nous dire sur le langage humain et sur ce qu’on appelle parler.

L’outil de traduction DeepL (ou les versions récentes de Google Translate) ainsi que les grands modèles de langage reposent sur des techniques d’" apprentissage profond " issues de l’approche " neuronale " de l’Intelligence Artificielle : on travaille ici sur des modèles d’IA qui organisent des entités d’information minimales en les connectant par réseaux ; ces réseaux de connexion sont entraînés sur des jeux de données considérables, permettant aux liaisons " neuronales " de se renforcer en proportion des probabilités de connexion observées dans le jeu de données réelles – c’est ce rôle crucial de l’entraînement sur un grand jeu de données qui vaut aux grands modèles de langage le sobriquet de " perroquets stochastiques ". Ces mécanismes probabilistes sont ce qui permet aussi à l’IA de gagner en fiabilité et en précision au fil de l’usage. Ce modèle est qualifié de " neuronal " car initialement inspiré du fonctionnement des réseaux synaptiques. Dans le cas de données langagières, à partir d’une requête elle-même formulée en langue naturelle, cette technique permet aux agents conversationnels ou aux traducteurs neuronaux de produire très rapidement des textes généralement idiomatiques, qui pour des humains attesteraient d’un bon apprentissage de la langue.

IA neuronales et acquisition du langage humain

Au-delà de l’analogie " neuronale ", ce mécanisme d’entraînement et les résultats qu’il produit reproduisent les théories de l’acquisition du langage fondées sur l’interaction avec le milieu. Selon ces modèles, généralement qualifiés de comportementalistes ou behavioristes car étroitement associés aux théories psychologiques du même nom, l’enfant acquiert le langage par l’exposition aux stimuli linguistiques environnants et par l’interaction (d’abord tâtonnante, puis assurée) avec les autres. Progressivement, la prononciation s’aligne sur la norme majoritaire dans l’environnement individuel de la personne apprenante ; le vocabulaire s’élargit en fonction des stimuli ; l’enfant s’approprie des structures grammaticales de plus en plus contextes ; et en milieu bilingue, les enfants apprennent peu à peu à discriminer les deux ou plusieurs systèmes auxquels ils sont exposés. Cette conception essentiellement probabiliste de l’acquisition va assez spontanément de pair avec des théories grammaticales prenant comme point de départ l’existence de patrons (" constructions ") dont la combinatoire constitue le système. Dans une telle perspective, il n’est pas pertinent qu’un outil comme ChatGPT ne soit pas capable de référer, ou plus exactement qu’il renvoie d’office à un monde possible stochastiquement moyen qui ne coïncide pas forcément avec le monde réel. Cela ne change rien au fait que ChatGPT, DeepL ou autres maîtrisent le langage et que leur production dans une langue puisse être qualifiée de langage : ChatGPT parle.

Mais ce point de vue repose en réalité sur un certain nombre de prémisses en théorie de l’acquisition, et fait intervenir un clivage lancinant au sein des sciences du langage. L’actualité de ces dernières années et surtout de ces derniers mois autour des IA neuronales et génératives redonne à ce clivage une acuité particulière, ainsi qu’une pertinence nouvelle pour l’appréhension de ces outils qui transforment notre rapport au texte et au discours. La polémique, comme souvent (trop souvent ?) quand il est question de théorie du langage et des langues, se cristallise – en partie abusivement – autour de la figure de Noam Chomsky et de la famille de pensée linguistique très hétérogène qui se revendique de son œuvre, généralement qualifiée de " grammaire générative " même si le pluriel (les grammaires génératives) serait plus approprié.

IA générative contre grammaire générative

Chomsky est à la fois l’enfant du structuralisme dans sa variante états-unienne et celui de la philosophie logique rationaliste d’inspiration allemande et autrichienne implantée sur les campus américains après 1933. Chomsky est attaché à une conception forte de la logique mathématisée, perçue comme un outil d’appréhension des lois universelles de la pensée humaine, que la science du langage doit contribuer à éclairer. Ce parti-pris que Chomsky qualifiera lui-même de " cartésien " le conduit à fonder sa linguistique sur quelques postulats psychologiques et philosophiques, dont le plus important est l’innéisme, avec son corollaire, l’universalisme. Selon Chomsky et les courants de la psychologie cognitive influencée par lui, la faculté de langage s’appuie sur un substrat génétique commun à toute l’espèce humaine, qui s’exprime à la fois par un " instinct de langage " mais aussi par l’existence d’invariants grammaticaux, identifiables (via un certain niveau d’abstraction) dans toutes les langues du monde.

La nature de ces universaux fluctue énormément selon quelle période et quelle école du " générativisme " on étudie, et ce double postulat radicalement innéiste et universaliste reste très disputé aujourd’hui. Ces controverses mettent notamment en jeu des conceptions très différentes de l’acquisition du langage et des langues. Le moment fondateur de la théorie chomskyste de l’acquisition dans son lien avec la définition même de la faculté de langage est un violent compte-rendu critique de Verbal Behavior, un ouvrage de synthèse des théories comportementalistes en acquisition du langage signé par le psychologue B.F. Skinner. Dans ce compte-rendu publié en 1959, Chomsky élabore des arguments qui restent structurants jusqu’à aujourd’hui et qui définissent le clivage entre l’innéisme radical et des théories fondées sur l’acquisition progressive du langage par exposition à des stimuli environnementaux. C’est ce clivage qui préside aux polémiques entre linguistes et psycholinguistes confrontés aux Large Language Models.

On comprend dès lors que Noam Chomsky et deux collègues issus de la tradition générativiste, Ian Roberts, professeur de linguistique à Cambridge, et Jeffrey Watumull, chercheur en intelligence artificielle, soient intervenus dans le New York Times dès le 8 mars 2023 pour exposer un point de vue extrêmement critique intitulée " La fausse promesse de ChatGPT ". En laissant ici de côté les arguments éthiques utilisés dans leur tribune, on retiendra surtout l’affirmation selon laquelle la production de ChatGPT en langue naturelle ne pourrait pas être qualifiée de " langage " ; ChatGPT, selon eux, ne parle pas, car ChatGPT ne peut pas avoir acquis la faculté de langage. La raison en est simple : si les Grands Modèles de Langage reposent intégralement sur un modèle behaviouriste de l’acquisition, dès lors que ce modèle, selon eux, est réfuté depuis soixante ans, alors ce que font les Grands Modèles de Langage ne peut être qualifié de " langage ".

Chomsky, trop têtu pour qu’on lui parle ?

Le point de vue de Chomsky, Roberts et Watumull a été instantanément tourné en ridicule du fait d’un choix d’exemple particulièrement malheureux : les trois auteurs avançaient en effet que certaines constructions syntaxiques complexes, impliquant (dans le cadre générativiste, du moins) un certain nombre d’opérations sur plusieurs niveaux, ne peuvent être acquises sur la base de l’exposition à des stimuli environnementaux, car la fréquence relativement faible de ces phénomènes échouerait à contrebalancer des analogies formelles superficielles avec d’autres tournures au sens radicalement différent. Dans la tribune au New York Times, l’exemple pris est l’anglais John is too stubborn to talk to, " John est trop entêté pour qu’on lui parle ", mais en anglais on a littéralement " trop têtu pour parler à " ; la préposition isolée (ou " échouée ") en position finale est le signe qu’un constituant a été supprimé et doit être reconstitué aux vues de la structure syntaxique d’ensemble. Ici, " John est trop têtu pour qu’on parle à [John] " : le complément supprimé en anglais l’a été parce qu’il est identique au sujet de la phrase.

Ce type d’opérations impliquant la reconstruction d’un complément d’objet supprimé car identique au sujet du verbe principal revient dans la plupart des articles de polémique de Chomsky contre la psychologie behaviouriste et contre Skinner dans les années 1950 et 1960. On retrouve même l’exemple exact de 2023 dans un texte du début des années 1980. C’est en réalité un exemple-type au service de l’argument selon lequel l’existence d’opérations minimales universelles prévues par les mécanismes cérébraux humains est nécessaire pour l’acquisition complète du langage. Il a presque valeur de shibboleth permettant de séparer les innéistes et les comportementalistes. Il est donc logique que Chomsky, Roberts et Watumull avancent un tel exemple pour énoncer que le modèle probabiliste de l’IA neuronale est voué à échouer à acquérir complètement le langage.

On l’aura deviné : il suffit de demander à ChatGPT de paraphraser cette phrase pour obtenir un résultat suggérant que l’agent conversationnel a parfaitement " compris " le stimulus. DeepL, quand on lui demande de traduire cette phrase en français, donne deux solutions : " John est trop têtu pour qu’on lui parle " en solution préférée et " John est trop têtu pour parler avec lui " en solution de remplacement. Hors contexte, donc sans qu’on sache qui est " lui ", cette seconde solution n’est guère satisfaisante. La première, en revanche, fait totalement l’affaire.

Le détour par DeepL nous montre toutefois la limite de ce petit test qui a pourtant réfuté Chomsky, Roberts et Watumull : comprendre, ici, ne veut rien dire d’autre que " fournir une paraphrase équivalente ", dans la même langue (dans le cas de l’objection qui a immédiatement été faite aux trois auteurs) ou dans une autre (avec DeepL), le problème étant que les deux équivalents fournis par DeepL ne sont justement pas équivalents entre eux, puisque l’un est non-ambigu référentiellement et correct, tandis que l’autre est potentiellement ambigu référentiellement, selon comment on comprend " lui ". Or l’argument de Chomsky, Roberts et Watumull est justement celui de l’opacité du complément d’objet… Les trois auteurs ont bien sûr été pris à défaut ; reste que le test employé, précisément parce qu’il est typiquement behaviouriste (observer extérieurement l’adéquation d’une réaction à un stimulus), laisse ouverte une question de taille et pourtant peu présente dans les discussions entre linguistes : y a-t-il une sémantique des énoncés produits par ChatGPT, et si oui, laquelle ? Chomsky et ses co-auteurs ne disent pas que ChatGPT " comprend " ou " ne comprend pas " le stimulus, mais qu’il en " prédit le sens " (bien ou mal). La question de la référence, présente dans la discussion philosophique sur ChatGPT mais peu mise en avant dans le débat linguistique, n’est pas si loin.

Syntaxe et sémantique de ChatGPT

ChatGPT a une syntaxe et une sémantique : sa syntaxe est homologue aux modèles proposés pour le langage naturel invoquant des patrons formels quantitativement observables. Dans ce champ des " grammaires de construction ", le recours aux données quantitatives est aujourd’hui standard, en particulier en utilisant les ressources fournies par les " grand corpus " de plusieurs dizaines de millions voire milliards de mots (quinze milliards de mots pour le corpus TenTen francophone, cinquante-deux milliards pour son équivalent anglophone). D’un certain point de vue, ChatGPT ne fait que répéter la démarche des modèles constructionalistes les plus radicaux, qui partent de co-occurrences statistiques dans les grands corpus pour isoler des patrons, et il la reproduit en sens inverse, en produisant des données à partir de ces patrons.

Corrélativement, ChatGPT a aussi une sémantique, puisque ces théories de la syntaxe sont majoritairement adossées à des modèles sémantiques dits " des cadres " (frame semantics), dont l’un des inspirateurs n’est autre que Marvin Minsky, pionnier de l’intelligence artificielle s’il en est : la circulation entre linguistique et intelligence artificielle s’inscrit donc sur le temps long et n’est pas unilatérale. Là encore, la question est plutôt celle de la référence : la sémantique en question est très largement notionnelle et ne permet de construire un énoncé susceptible d’être vrai ou faux qu’en l’actualisant par des opérations de repérage (ne serait-ce que temporel) impliquant de saturer grammaticalement ou contextuellement un certain nombre de variables " déictiques ", c’est-à-dire qui ne se chargent de sens que mises en relation à un moi-ici-maintenant dans le discours.

On touche ici à un problème transversal aux clivages dessinés précédemment : les modèles " constructionnalistes " sont plus enclins à ménager des places à la variation contextuelle, mais sous la forme de variables situationnelles dont l’intégration à la description ne fait pas consensus ; les grammaires génératives ont très longtemps évacué ces questions hors de leur sphère d’intérêt, mais les considérations pragmatiques y fleurissent depuis une vingtaine d’années, au prix d’une convocation croissante du moi-ici-maintenant dans l’analyse grammaticale, du moins dans certains courants. De ce fait, l’inscription ou non des enjeux référentiels et déictiques dans la définition même du langage comme faculté humaine représente un clivage en grande partie indépendant de celui qui prévaut en matière de théorie de l’acquisition.

À l’école du perroquet

La bonne question, en tout cas la plus féconde pour la comparaison entre les productions langagières humaines et les productions des grands modèles de langage, n’est sans doute pas de savoir si " ChatGPT parle " ni si les performances de l’IA neuronale valident ou invalident en bloc tel ou tel cadre théorique. Une piste plus intéressante, du point de vue de l’étude de la cognition et du langage humains, consiste à comparer ces productions sur plusieurs niveaux : les mécanismes d’acquisition ; les régularités sémantiques dans leur diversité, sans les réduire aux questions de référence et faisant par exemple intervenir la conceptualisation métaphorique des entités et situations désignées ; la capacité à naviguer entre les registres et les variétés d’une même langue, qui fait partie intégrante de la maîtrise d’un système ; l’adaptation à des ontologies spécifiques ou à des contraintes communicatives circonstancielles… La formule du " perroquet stochastique ", prise au pied de la lettre, indique un modèle de ce que peut être une comparaison scientifique du langage des IA et du langage humain.

Il existe en effet depuis plusieurs décennies maintenant une linguistique, une psycholinguistique et une pragmatique de la communication animale, qui inclut des recherches comparant l’humain et l’animal. Les progrès de l’étude de la communication animale ont permis d’affiner la compréhension de la faculté de langage, des modules qui la composent, de ses prérequis cognitifs et physiologiques. Ces travaux ne nous disent pas si " les animaux parlent ", pas plus qu’ils ne nous disent si la communication des corbeaux est plus proche de celle des humains que celle des perroquets. En revanche ils nous disent comment diverses caractéristiques éthologiques, génétiques et cognitives sont distribuées entre espèces et comment leur agencement produit des modes de communication spécifiques. Ces travaux nous renseignent, en nous offrant un terrain d’expérimentation inédit, sur ce qui fait toujours système et sur ce qui peut être disjoint dans la faculté de langage. Loin des " fausses promesses ", les grands modèles de langage et les IA neuronales nous offrent peut-être l’occasion d’étendre le domaine de la réflexion sur l’architecture des systèmes possibles de cognition, de communication et d’interaction. 

Auteur: Modicom Pierre-Yves

Info: https://aoc.media/ 14 nov 2023

[ onomasiologie bayésienne ] [ sémiose homme-animal ] [ machine-homme ] [ tiercités hors-sol ] [ signes fixés externalisables ]