laisser-aller

Une polémique contre notre culture de surmenage et un manifeste d'être plutôt que de faire... Apprenons des paresseux.

En 1765, Jean-Jacques Rousseau passa deux mois sur une île suisse à se consacrer à "mon précieux farniente" (ne rien faire). Il traînait, ramassait des plantes, dérivait dans un bateau, s'asseyait pendant des heures pour une "Délicieuse rêverie.. Plaisamment conscient de mon existence sans me soucier de ma pensée" : une oisiveté qu'il qualifia plus tard de "bonheur le plus complet et parfait" de sa vie.

Rousseau est l'un des héros de Not Working, avec Thoreau, Emily Dickinson et un lapin nommé Rr dont Josh Cohen s'est brièvement occupé. Le livre s'ouvre sur Rr qui se balade autour de son clapier, sa sérénité insensée déclenchant chez Cohen une reconnaissance empathique de son propre "vide secret et clos", ses fréquents accès de "rêverie lapine". Comme Rousseau sur son île, Rr ne fait pas, il est, tout simplement. Sa passivité interpelle Cohen qui, à différents moments de son livre, se décrit lui-même comme un slob, un fainéant, un feignant. Enfant, on le réprimandait régulièrement pour sa paresse ; à l'âge adulte, chaque jour lui apporte son moment de farniente : "Ça arrive souvent la nuit, quand je suis affalé sur le canapé... mon livre repose face contre terre, mes chaussures enlevées ; à côté de moi se trouvent deux télécommandes, un bol de cacahuètes et une bouteille de bière à moitié vide...

Sortir de cette léthargie... Ressemble à un trouble physique, métaphysique même, une violation de la justice cosmique..." "Pourquoi devrais-je ?" La protestation enfantine est désarmante ; on s'imagine lapin intérieur de Cohen attaché à un tapis roulant ou, pire encore, transformé en lapin très différent : le lapin Duracell, dont le "mouvement d'horloge" et le "sourire aux yeux morts" en font le symbole parfait de l'acharnement de la vie moderne, sa "nerveuse et constante contrainte à agir" que Cohen n'aime pas et à laquelle il résiste.

Not Working est une polémique contre notre culture du surmenage et une méditation sur ses alternatives. "Qu'est-ce qui fait que la vie vaut la peine d'être vécue ?" Cohen est psychanalyste. Chaque jour son cabinet de consultation résonne d'histoires d'activité ininterrompue, d'épuisement, de dépression, de "fantasmes d'une cessation complète de l'activité". Certains de ces conteurs apparaissent dans le livre, soigneusement déguisés, en compagnie d'une foule d'autres anti-travailleurs, réels et fictifs, dont le philosophe grec Pyrrho, Homer Simpson et Cohen lui-même à différents moments de sa vie. La distribution est majoritairement masculine, regroupée en quatre "types inertiels" : le burnout, le slob (fuyard), le rêveur, le fainéant. Certains s'enfoncent dans l'inertie, d'autres, comme Cohen, y sombrent.

Il s'avère que tous sont prennent des risques, car "en résistant au travail... chacun de ces types est susceptible de tomber dans une ou plusieurs impasses" : lassitude débilitante, dépression, solitude, ennui. Le farniente, en d'autres termes, a son prix, qui peut être très élevé pour certaines personnes, y compris trois hommes dont Cohen souligne les histoires - Andy Warhol, Orson Welles et David Foster Wallace.

Warhol aspirait à ce que les stoïciens appelaient l'apathie (l'absence de passion), une nostalgie qui se traduisait par un engourdissement mécanique, un état de "ne rien être et ne rien ressentir", avec laquelle alternaient de féroces et mécaniques activités, suivies d'un effondrement inertiel : un lapin Duracell avec des batteries à plat. Welles combinait des efforts herculéens avec de longues retraites dans son lit, qui devinrent de plus en plus fréquentes à mesure que son corps et son esprit cédaient sous son style de vie de fou. L'éblouissante carrière littéraire de Foster Wallace fut ponctuée de périodes où il s'effondrait devant la télévision aux prises avec une dépression aiguë : torpeur mortelle qui prit fin par son suicide.

Cohen qualifie ces hommes différemment (Warhol le burnout, Welles le reveur, Foster Wallace le fainéant) mais ce qui frappe chez les trois, c'est comment cette fuite de l'hyperactivité vers l'inertie autodestructrice implique un mouvement vers une solitude radicale, farniente de cancéreux en isolement. La solitude fut longtemps associée à l'énervement dépressif. On disait des solitaires spirituels médiévaux qu'ils souffraient d'acédie, une paresse mélancolique de l'esprit et du corps. "Ne soyez pas solitaire, ne restez pas inactif ", conseille Robert Burton, un érudit du XVIIe siècle, dans The Anatomy of Melancholy (1621), un ouvrage extrêmement influent. La psychiatrie moderne considère la réclusivité comme pathologique et de nombreux collègues psychanalystes de Cohen sont du même avis. Il s'en défend, se tournant plutôt vers la tradition alternative de la Renaissance, qui valorise la solitude comme lieu de création.

L'analyste d'après-guerre Donald Winnicott fut un éloquent porte-parole de cette tradition. Pour Winnicott, - la créativité dépendait du maintien du contact avec le "point mort et silencieux" au cœur de la psyché - Cohen prend pour exemple la célèbre recluse Emily Dickinson, qui se retira de la société pour les "infinies limites de sa propre chambre et de son cerveau" et qui produisit une poésie à l'éclatante originalité". Renonçant à l'amour sexuel et au mariage pour l'"intimité polaire" de sa vie intérieure, "elle ne faisait rien" aux yeux du monde, alors que dans son propre esprit, elle "faisait tout", voyageant sans peur jusqu'aux extrêmes de l'expérience possible.

Dans une brillante série de textes, Cohen montre comment ce voyage intrépide a produit une poésie qui se déplace entre des images bouleversantes d'acédie et des évocations extatiques du désir non consommé, la "gloire privée et invisible" de Dickinson. Le rêve et les produits du rêve l'emportent sur l'actualité contraignante. "Pour Dickinson, rêvasser n'était pas une retraite dans l'inactivité, mais le socle de la plus haute vocation." La manière dont Cohen traite Dickinson est révélatrice. Les lâches et autres fainéants qui peuplent Not Working sont des hommes selon son cœur, mais c'est l'artiste qui est son ideal, qui dédaigne la vie du monde réel ("prose" était l'étiquette méprisante de Dickinson pour cela) au bénéfice de la vie de l'imagination.

Une artiste "ne fait rien", ne produit rien "d'utile", elle incarne en cela la "dimension sabbatique de l'être humain", la partie la plus riche de nous-mêmes. Mais est-ce que cela fait de l'artiste un "type de poids mort" ? Dans ses Confessions, Rousseau écrit "L'oisiveté que j'aime n'est pas celle du fainéant qui reste les bras croisés dans une totale inactivité", mais "celle de l'enfant sans cesse en mouvement". Le jeu n'est pas non plus un travail, mais il est tout sauf inerte. Pour Winnicott, le jeu était expérience la créative primordiale, la source de toute créativité adulte. Cohen est passionné par Winnicott, il est donc intéressant qu'il n'en parle pas, contrairement à Tracey Emin qui, lors d'une interview en 2010, décrivit les jeux d'enfants comme la source de son art.

Dans une discussion éclairante de sur My Bed d'Emin, Cohen fait l'éloge de l'œuvre pour sa représentation puissante de "l'inertie et de la lassitude". Mais contrairement à l'inertie des hommes dont il parle, Emin elle-même semble aller de force en force. Jouer est-il le secret ? Emin et Dickinson sont parmi les rares femmes qui apparaissent dans Not Working. Nous apprenons quand à leur représentation artistique de l'inertie féminine, mais sans rencontrer de femme paresseuse ou feignante. Alors que font-elle pendant que les hommes paressent ?

En regardant de plus près les paresseux préférés de Cohen - Rousseau, Thoreau, Homer Simpson - nous avons un indice. Les jours de farniente de Rousseau sont ponctués par les repas préparés par sa femme. La lessive de Thoreau était faite par sa mère. Marge Simpson fait le ménage pendant qu'Homer boit de la bière devant la télé. Quel genre de révolution faudrait-il pour mettre Marge devant la télé pendant que Homer nettoie la cuisine ? La lutte contre le surmenage existe depuis des siècles (rejointe plus récemment par des protestations féministes contre le "double travail"). Il en va de même pour les luttes pour un travail décent, décemment rémunéré, luttes que Cohen et moi aimons tous deux.

Pourtant, aujourd'hui, dans la vie réelle, les Marges se précipitent toujours de leur maison vers leur emploi au salaire minimum chez Asda. Les Homer enquillent des 12 heures de travail à la suite pour Uber. Et s'ils s'épuisent, comme beaucoup ils se retrouvent souvent dans les banques alimentaires. Que faire à ce sujet ? "Idiorythmie" était le terme de Roland Barthes pour vivre selon ses propres rythmes intérieurs, sans contrainte. Cohen veut qu'on imagine ce que serait une telle vie. Il est sceptique quand aux propositions "pour changer ça", qui n'y parviennent jamais, soutenant que si "les objectifs de la justice juridique, politique et économique ne s'occupent plus de la question de savoir ce qui fait qu'une vie vaut la peine d'être vécue, ils sont susceptibles de devenir des trucs en plus sur la déjà longue liste des choses à faire sans joie...".

Parallèlement aux droits liés au travail, nous avons besoin d'un droit au non travail, a-t-il affirmé récemment. C'est un argument utopique et pas pire pour autant, même affaibli par un rejet ironique de toute action politique en faveur du relâchement et de la paresse. Cependant Not Working n'est pas un manifeste révolutionnaire. Il s'agit plutôt d'une ré-imagination très personnelle et éloquente de nos vies en tant qu'espace de farniente dans toute son idiosyncrasie sans entraves, et d'un rappel précieux du prix exorbitant d'une existence de lapin Duracell.

Auteur: Taylor Bradford Barbara

Info: critique de "Not Working" de Josh Cohen - les bienfaits de l'oisiveté. https://www.theguardian.com. 12 janv. 2019

[ créativité ] [ insouciance ] [ flemme ] [ écrivain-sur-écrivains ] [ femmes-hommes ]

homme-machine

Comment l'IA comprend des trucs que personne ne lui lui a appris

Les chercheurs peinent à comprendre comment les modèles d'Intelligence artificielle, formés pour perroquetter les textes sur Internet, peuvent effectuer des tâches avancées comme coder, jouer à des jeux ou essayer de rompre un mariage.

Personne ne sait encore comment ChatGPT et ses cousins ​​de l'intelligence artificielle vont transformer le monde, en partie parce que personne ne sait vraiment ce qui se passe à l'intérieur. Certaines des capacités de ces systèmes vont bien au-delà de ce pour quoi ils ont été formés, et même leurs inventeurs ne savent pas pourquoi. Un nombre croissant de tests suggèrent que ces systèmes d'IA développent des modèles internes du monde réel, tout comme notre propre cerveau le fait, bien que la technique des machines soit différente.

"Tout ce que nous voulons faire avec ces systèmes pour les rendre meilleurs ou plus sûrs ou quelque chose comme ça me semble une chose ridicule à demander  si nous ne comprenons pas comment ils fonctionnent", déclare Ellie Pavlick de l'Université Brown,  un des chercheurs travaillant à combler ce vide explicatif.

À un certain niveau, elle et ses collègues comprennent parfaitement le GPT (abréviation de generative pretrained transformer) et d'autres grands modèles de langage, ou LLM. Des modèles qui reposent sur un système d'apprentissage automatique appelé réseau de neurones. De tels réseaux ont une structure vaguement calquée sur les neurones connectés du cerveau humain. Le code de ces programmes est relativement simple et ne remplit que quelques pages. Il met en place un algorithme d'autocorrection, qui choisit le mot le plus susceptible de compléter un passage sur la base d'une analyse statistique laborieuse de centaines de gigaoctets de texte Internet. D'autres algorithmes auto-apprenants supplémentaire garantissant que le système présente ses résultats sous forme de dialogue. En ce sens, il ne fait que régurgiter ce qu'il a appris, c'est un "perroquet stochastique", selon les mots d'Emily Bender, linguiste à l'Université de Washington. Mais les LLM ont également réussi à réussir l'examen pour devenir avocat, à expliquer le boson de Higgs en pentamètre iambique (forme de poésie contrainte) ou à tenter de rompre le mariage d'un utilisateurs. Peu de gens s'attendaient à ce qu'un algorithme d'autocorrection assez simple acquière des capacités aussi larges.

Le fait que GPT et d'autres systèmes d'IA effectuent des tâches pour lesquelles ils n'ont pas été formés, leur donnant des "capacités émergentes", a surpris même les chercheurs qui étaient généralement sceptiques quant au battage médiatique sur les LLM. "Je ne sais pas comment ils le font ou s'ils pourraient le faire plus généralement comme le font les humains, mais tout ça mes au défi mes pensées sur le sujet", déclare Melanie Mitchell, chercheuse en IA à l'Institut Santa Fe.

"C'est certainement bien plus qu'un perroquet stochastique, qui auto-construit sans aucun doute une certaine représentation du monde, bien que je ne pense pas que ce soit  vraiment de la façon dont les humains construisent un modèle de monde interne", déclare Yoshua Bengio, chercheur en intelligence artificielle à l'université de Montréal.

Lors d'une conférence à l'Université de New York en mars, le philosophe Raphaël Millière de l'Université de Columbia a offert un autre exemple à couper le souffle de ce que les LLM peuvent faire. Les modèles avaient déjà démontré leur capacité à écrire du code informatique, ce qui est impressionnant mais pas trop surprenant car il y a tellement de code à imiter sur Internet. Millière est allé plus loin en montrant que le GPT peut aussi réaliser du code. Le philosophe a tapé un programme pour calculer le 83e nombre de la suite de Fibonacci. "Il s'agit d'un raisonnement en plusieurs étapes d'un très haut niveau", explique-t-il. Et le robot a réussi. Cependant, lorsque Millière a demandé directement le 83e nombre de Fibonacci, GPT s'est trompé, ce qui suggère que le système ne se contentait pas de répéter ce qui se disait sur l'internet. Ce qui suggère que le système ne se contente pas de répéter ce qui se dit sur Internet, mais qu'il effectue ses propres calculs pour parvenir à la bonne réponse.

Bien qu'un LLM tourne sur un ordinateur, il n'en n'est pas un lui-même. Il lui manque des éléments de calcul essentiels, comme sa propre mémoire vive. Reconnaissant tacitement que GPT seul ne devrait pas être capable d'exécuter du code, son inventeur, la société technologique OpenAI, a depuis introduit un plug-in spécialisé -  outil que ChatGPT peut utiliser pour répondre à une requête - qui remédie à cela. Mais ce plug-in n'a pas été utilisé dans la démonstration de Millière. Au lieu de cela, ce dernier suppose plutôt que la machine a improvisé une mémoire en exploitant ses mécanismes d'interprétation des mots en fonction de leur contexte -  situation similaire à la façon dont la nature réaffecte des capacités existantes à de nouvelles fonctions.

Cette capacité impromptue démontre que les LLM développent une complexité interne qui va bien au-delà d'une analyse statistique superficielle. Les chercheurs constatent que ces systèmes semblent parvenir à une véritable compréhension de ce qu'ils ont appris. Dans une étude présentée la semaine dernière à la Conférence internationale sur les représentations de l'apprentissage (ICLR), le doctorant Kenneth Li de l'Université de Harvard et ses collègues chercheurs en intelligence artificielle, Aspen K. Hopkins du Massachusetts Institute of Technology, David Bau de la Northeastern University et Fernanda Viégas , Hanspeter Pfister et Martin Wattenberg, tous à Harvard, ont créé leur propre copie plus petite du réseau neuronal GPT afin de pouvoir étudier son fonctionnement interne. Ils l'ont entraîné sur des millions de matchs du jeu de société Othello en alimentant de longues séquences de mouvements sous forme de texte. Leur modèle est devenu un joueur presque parfait.

Pour étudier comment le réseau de neurones encodait les informations, ils ont adopté une technique que Bengio et Guillaume Alain, également de l'Université de Montréal, ont imaginée en 2016. Ils ont créé un réseau de "sondes" miniatures pour analyser le réseau principal couche par couche. Li compare cette approche aux méthodes des neurosciences. "C'est comme lorsque nous plaçons une sonde électrique dans le cerveau humain", dit-il. Dans le cas de l'IA, la sonde a montré que son "activité neuronale" correspondait à la représentation d'un plateau de jeu d'Othello, bien que sous une forme alambiquée. Pour confirmer ce résultat, les chercheurs ont inversé la sonde afin d'implanter des informations dans le réseau, par exemple en remplaçant l'un des marqueurs noirs du jeu par un marqueur blanc. "En fait, nous piratons le cerveau de ces modèles de langage", explique Li. Le réseau a ajusté ses mouvements en conséquence. Les chercheurs ont conclu qu'il jouait à Othello à peu près comme un humain : en gardant un plateau de jeu dans son "esprit" et en utilisant ce modèle pour évaluer les mouvements. Li pense que le système apprend cette compétence parce qu'il s'agit de la description la plus simple et efficace de ses données pour l'apprentissage. "Si l'on vous donne un grand nombre de scripts de jeu, essayer de comprendre la règle qui les sous-tend est le meilleur moyen de les comprimer", ajoute-t-il.

Cette capacité à déduire la structure du monde extérieur ne se limite pas à de simples mouvements de jeu ; il apparaît également dans le dialogue. Belinda Li (aucun lien avec Kenneth Li), Maxwell Nye et Jacob Andreas, tous au MIT, ont étudié des réseaux qui jouaient à un jeu d'aventure textuel. Ils ont introduit des phrases telles que "La clé est dans le coeur du trésor", suivies de "Tu prends la clé". À l'aide d'une sonde, ils ont constaté que les réseaux encodaient en eux-mêmes des variables correspondant à "coeur" et "Tu", chacune avec la propriété de posséder ou non une clé, et mettaient à jour ces variables phrase par phrase. Le système n'a aucun moyen indépendant de savoir ce qu'est une boîte ou une clé, mais il a acquis les concepts dont il avait besoin pour cette tâche."

"Une représentation de cette situation est donc enfouie dans le modèle", explique Belinda Li.

Les chercheurs s'émerveillent de voir à quel point les LLM sont capables d'apprendre du texte. Par exemple, Pavlick et sa doctorante d'alors, l'étudiante Roma Patel, ont découvert que ces réseaux absorbent les descriptions de couleur du texte Internet et construisent des représentations internes de la couleur. Lorsqu'ils voient le mot "rouge", ils le traitent non seulement comme un symbole abstrait, mais comme un concept qui a une certaine relation avec le marron, le cramoisi, le fuchsia, la rouille, etc. Démontrer cela fut quelque peu délicat. Au lieu d'insérer une sonde dans un réseau, les chercheurs ont étudié sa réponse à une série d'invites textuelles. Pour vérifier si le systhème ne faisait pas simplement écho à des relations de couleur tirées de références en ligne, ils ont essayé de le désorienter en lui disant que le rouge est en fait du vert - comme dans la vieille expérience de pensée philosophique où le rouge d'une personne correspond au vert d'une autre. Plutôt que répéter une réponse incorrecte, les évaluations de couleur du système ont évolué de manière appropriée afin de maintenir les relations correctes.

Reprenant l'idée que pour remplir sa fonction d'autocorrection, le système recherche la logique sous-jacente de ses données d'apprentissage, le chercheur en apprentissage automatique Sébastien Bubeck de Microsoft Research suggère que plus la gamme de données est large, plus les règles du système faire émerger sont générales. "Peut-être que nous nous constatons un tel bond en avant parce que nous avons atteint une diversité de données suffisamment importante pour que le seul principe sous-jacent à toutes ces données qui demeure est que des êtres intelligents les ont produites... Ainsi la seule façon pour le modèle d'expliquer toutes ces données est de devenir intelligent lui-même".

En plus d'extraire le sens sous-jacent du langage, les LLM sont capables d'apprendre en temps réel. Dans le domaine de l'IA, le terme "apprentissage" est généralement réservé au processus informatique intensif dans lequel les développeurs exposent le réseau neuronal à des gigaoctets de données et ajustent petit à petit ses connexions internes. Lorsque vous tapez une requête dans ChatGPT, le réseau devrait être en quelque sorte figé et, contrairement à l'homme, ne devrait pas continuer à apprendre. Il fut donc surprenant de constater que les LLM apprennent effectivement à partir des invites de leurs utilisateurs, une capacité connue sous le nom d'"apprentissage en contexte". "Il s'agit d'un type d'apprentissage différent dont on ne soupçonnait pas l'existence auparavant", explique Ben Goertzel, fondateur de la société d'IA SingularityNET.

Un exemple de la façon dont un LLM apprend vient de la façon dont les humains interagissent avec les chatbots tels que ChatGPT. Vous pouvez donner au système des exemples de la façon dont vous voulez qu'il réponde, et il obéira. Ses sorties sont déterminées par les derniers milliers de mots qu'il a vus. Ce qu'il fait, étant donné ces mots, est prescrit par ses connexions internes fixes - mais la séquence de mots offre néanmoins une certaine adaptabilité. Certaines personnes utilisent le jailbreak à des fins sommaires, mais d'autres l'utilisent pour obtenir des réponses plus créatives. "Il répondra mieux aux questions scientifiques, je dirais, si vous posez directement la question, sans invite spéciale de jailbreak, explique William Hahn, codirecteur du laboratoire de perception de la machine et de robotique cognitive à la Florida Atlantic University. "Sans il sera un meilleur universitaire." (Comme son nom l'indique une invite jailbreak -prison cassée-, invite à  moins délimiter-verrouiller les fonctions de recherche et donc à les ouvrir, avec les risques que ça implique) .

Un autre type d'apprentissage en contexte se produit via l'incitation à la "chaîne de pensée", ce qui signifie qu'on demande au réseau d'épeler chaque étape de son raisonnement - manière de faire qui permet de mieux résoudre les problèmes de logique ou d'arithmétique en passant par plusieurs étapes. (Ce qui rend l'exemple de Millière si surprenant  puisque le réseau a trouvé le nombre de Fibonacci sans un tel encadrement.)

En 2022, une équipe de Google Research et de l'École polytechnique fédérale de Zurich - Johannes von Oswald, Eyvind Niklasson, Ettore Randazzo, João Sacramento, Alexander Mordvintsev, Andrey Zhmoginov et Max Vladymyrov - a montré que l'apprentissage en contexte suit la même procédure de calcul de base que l'apprentissage standard, connue sous le nom de descente de gradient". 

Cette procédure n'était pas programmée ; le système l'a découvert sans aide. "C'est probablement une compétence acquise", déclare Blaise Agüera y Arcas, vice-président de Google Research. De fait il pense que les LLM peuvent avoir d'autres capacités latentes que personne n'a encore découvertes. "Chaque fois que nous testons une nouvelle capacité que nous pouvons quantifier, nous la trouvons", dit-il.

Bien que les LLM aient suffisamment d'angles morts et autres défauts pour ne pas être qualifiés d'intelligence générale artificielle, ou AGI - terme désignant une machine qui atteint l'ingéniosité du cerveau animal - ces capacités émergentes suggèrent à certains chercheurs que les entreprises technologiques sont plus proches de l'AGI que même les optimistes ne l'avaient deviné. "Ce sont des preuves indirectes que nous en sommes probablement pas si loin", a déclaré Goertzel en mars lors d'une conférence sur le deep learning à la Florida Atlantic University. Les plug-ins d'OpenAI ont donné à ChatGPT une architecture modulaire un peu comme celle du cerveau humain. "La combinaison de GPT-4 [la dernière version du LLM qui alimente ChatGPT] avec divers plug-ins pourrait être une voie vers une spécialisation des fonctions semblable à celle de l'homme", déclare Anna Ivanova, chercheuse au M.I.T.

Dans le même temps, les chercheurs s'inquiètent de voir leur capacité à étudier ces systèmes s'amenuiser. OpenAI n'a pas divulgué les détails de la conception et de l'entraînement de GPT-4, en partie du à la concurrence avec Google et d'autres entreprises, sans parler des autres pays. "Il y aura probablement moins de recherche ouverte de la part de l'industrie, et les choses seront plus cloisonnées et organisées autour de la construction de produits", déclare Dan Roberts, physicien théoricien au M.I.T., qui applique les techniques de sa profession à la compréhension de l'IA.

Ce manque de transparence ne nuit pas seulement aux chercheurs, il entrave également les efforts qui visent à comprendre les répercussions sociales de l'adoption précipitée de la technologie de l'IA. "La transparence de ces modèles est la chose la plus importante pour garantir la sécurité", affirme M. Mitchell.

Auteur: Musser Georges

Info: https://www.scientificamerican.com,  11 mai 2023. *algorithme d'optimisation utilisé dans l'apprentissage automatique et les problèmes d'optimisation. Il vise à minimiser ou à maximiser une fonction en ajustant ses paramètres de manière itérative. L'algorithme part des valeurs initiales des paramètres et calcule le gradient de la fonction au point actuel. Les paramètres sont ensuite mis à jour dans la direction du gradient négatif (pour la minimisation) ou positif (pour la maximisation), multiplié par un taux d'apprentissage. Ce processus est répété jusqu'à ce qu'un critère d'arrêt soit rempli. La descente de gradient est largement utilisée dans la formation des modèles d'apprentissage automatique pour trouver les valeurs optimales des paramètres qui minimisent la différence entre les résultats prédits et les résultats réels. Trad et adaptation Mg

[ singularité technologique ] [ versatilité sémantique ]