codage du réel

Dans La Naissance de la Conscience dans l’effondrement de l’esprit, le psychologue américain Julian Jaynes soutient que la conscience réflexive, proprement humaine, est permise par un processus métaphorique enraciné dans le mode de perception visuelle. Jaynes met en place une nouvelle terminologie pour étudier le phénomène métaphorique d'un point de vue phénoménologique et cognitif. Pour lui, à la base de tout langage existe la perception brute, qui est le mode de compréhension premier du monde : il s'agit ensuite de parvenir à une métaphore de cette chose, en lui substituant quelque chose qui nous soit plus familier.

Le travail métaphorique de la compréhension implique :

- des métaphrandes (les choses à décrire) ;

- des métapheurs (les choses aidant à décrire les précédentes) ;

- des parapheurs (les mots associés aux métapheurs, sèmes en quelque sorte contenus dans la connotation) ;

- des paraphrandes (les mots associés aux choses à décrire et que la langue possède).

Pour Jaynes, tout découle de ce processus et même les modèles les plus complexes et abstraits : "Une théorie est donc une métaphore entre un modèle et des données" dit-il. Le langage lui-même vient de la métaphore. En cela Jaynes réalise un point de vue révolutionnaire de la conception couramment admise : la métaphore peut en effet se figer, et former le vocabulaire qui peu à peu perd toute référence à l'analogie première (exemple : les "ailes" de l'avion, ou encore le verbe "être", qui vient du sanscrit bhu ("pousser" ou "faire pousser"), renvoyant à la métaphore d'une action réelle s'appliquant à un élément mental). L'étymologie est ainsi pour Jaynes résultat de métaphores. Le langage a peu à peu, du concret à l'abstrait, monté "les marches qu'étaient les métaphores" et a permis ainsi de spatialiser en conscience le Réel :

"Le lexique du langage, donc, est un ensemble fini de termes qui, par le biais de la métaphore, peut s'étendre sur un ensemble infini de situations, allant même jusqu'à en créer ainsi de nouvelles."

La conscience s'entend pour Julian Jaynes avant tout comme un espace mental métaphorique, que l'expérience agrandit à chaque nouvelle prise de conscience. Le processus corollaire de la narratisation vient ensuite lier ces expériences en un tout logique donnant la réflexivité. Jaynes distingue ainsi plusieurs procédés de métaphorisation

" Il y a donc toujours deux termes dans la métaphore: la chose à décrire, que j'appellerai le métaphrande, et la chose ou le rapport utilisé pour l'élucider, que j'appellerai le métapheur. Une métaphore est toujours un métapheur connu s'appliquant à un métaphrande moins connu. j'ai inventé ces termes hybrides par simple référence à la multiplication où un multiplicande* opère sur un multiplicateur*."

Auteur: Internet

Info: https://fr.wikipedia.org/wiki/Julian_Jaynes. A propos "La Naissance de la Conscience dans l'effondrement de l'esprit bicaméral". *Dans une multiplication, celui des facteurs qui est énoncé le premier.

[ symbolisation ] [ mise en concepts ] [ catachrèses ] [ paréidolie ] [ sémantique ] [ préhension intellectuelle ] [ tétravalence ] [ imagination ] [ priméité-tiercité ]

progrès

En octobre et novembre 2011 1500 fermiers se sont suicidés collectivement en Inde, dans la province de Chattisgarh. Un phénomène récurrent, puisque les chiffres officiels font état de 1000 suicides mensuels... depuis plus de quinze ans. En cause, l'endettement des paysans lié à l'achat de semences OGM miraculeuses... qui se révèlent catastrophiques.
Depuis le milieu des années 80, l'Inde a accepté d'ouvrir totalement son marché en contrepartie de l'aide du Fonds Monétaire International. Une révolution économique s'en suivit, qui en fit un terrain d'expérimentation mondial en matière agricole. Depuis lors, les paysans sont livrés aux promesses des vendeurs de semences magiques : les rendements devaient être exceptionnels, et les insectes et parasites rangés dans les tiroirs de l'histoire. Les variétés traditionnelles ont même été interdites dans de nombreuses banques de semences gouvernementales. Mais pour toucher le Graal, il fallait débourser 10 fois plus pour la même quantité de semences. Le prix de la gloire. Et les paysans se sont massivement endettés.
What a wonderfull world (Company)
Sauf que les semences OGM de coton Bt (de Monsanto, faut-il le préciser) sont tombées malades, infestées par le vers (vorace) de la capsule. Les semenciers avaient juste oublié de préciser que les plantes n'étaient pas résistantes aux maladies locales et qu'il fallait donc épandre des tonnes de pesticides en plus. Ils avaient aussi omis d'indiquer que les variétés en question buvaient deux plus d'eau et dégradaient les sols à grande vitesse. Du coup, les sécheresses ont été amplifiées et les rendements réduits à peau de chagrin. Les paysans se retrouvent à sec, paralysés par leurs dettes et sans le sou pour acheter les semences de l'année suivante, puisque les plantes OGM - dotés d'une technologie révolutionnaire affectueusement nommée "Terminator" - sont calculées pour que les grains ne puissent pas se replanter... D'où de nouvelles dettes. Etc.
Disparition des variétés traditionnelles
"Certains des fermiers qui se sont suicidés avaient réalisé jusqu'à cinquante pulvérisations d'herbicide et de pesticide sur leurs champs de coton, mais cela n'a pas empêché leur récolte de dépérir", affirme le professeur Nanjundaswamy, fondateur du Mouvement pour la Défense des Fermiers du Karnataka (Karnataka Rajya Ryota Sangha - KRRS). Autre conséquence, l'utilisation de ce coton génétiquement modifié aurait "éliminé par pollinisation nombre de nos plantes indigènes qui possédaient par exemple des qualités de résistance à la sécheresse et à certains parasites propres à l'Inde, résistance que n'ont pas les plantes hybrides" affirme le même spécialiste. Pour les défenseurs des OGM, les vraies raisons de cette catastrophe sont la pauvreté rurale, l'alcoolisme, les sécheresses et le "désespoir agraire".
En 2006, le ministère indien de l'agriculture déclarait que la moitié des foyers paysans étaient endettés. Selon les ONG, le taux de suicide parmi les fermiers pauvres atteint actuellement des records. 150 000 d'entre eux se seraient donnés la mort depuis 1993. Entre 60% et 75% de la population indienne (contre 10% pour la France et 2% pour les États-Unis), qui compte plus d'un milliard d'habitants, vit de l'agriculture, qui représente un quart du Produit intérieur brut indien.

Auteur: Internet

Info:

[ USA ]

manipulation des masses

La mise en scène de la "démocratie technique", consistant à réunir des experts et des contre-experts sous les yeux d’un public considéré comme ignare, à éduquer, ne dupe plus grand-monde. Mais au moins cela donne-t-il du travail aux sociologues et aux agences de communication. 

Au sein du "comité d’expertise et de suivi de la démarche d’information et de consultation" de l’Andra siège Michel Callon "directeur de recherche, professeur de sociologie à l’école des Mines", nous dit le site de l’agence. Complétons ce CV minimaliste.

Callon s’est fait connaître comme théoricien de la "démocratie technique" avec un livre paru en 2001. Agir dans un Monde Incertain, Essai sur la démocratie technique, co-écrit avec Lascoumes et Barthes, expose les concepts qui, en quelques années, ont colonisé les institutions scientifiques et politiques. Ce livre enjolive le risque en "incertitude", les conflits politiques en "controverses socio-techniques", et propose une nouvelle façon de résoudre ceux-ci par des "forums hybrides" - pseudo espaces ouverts dans lesquels se réunissent experts, politiques et "profanes" pour mettre en œuvre une "démocratie dialogique" et trouver un compromis sur les sciences et les technologies.

Mode d'emploi : n'entrez pas dans la confrontation directe, tâchez d' "organiser, maîtriser les débordements sans vouloir pour autant les empêcher." Multipliez les débats publics. Admirez le résultat avec ce cas concret : "Le nucléaire qui en sortira sera socialement, politiquement et même techniquement complètement différent du nucléaire qui aurait été décidé en dehors des forums hybrides. Parler "du" nucléaire en général n'a aucun sens. Jouer au jeu de ceux qui sont pour et de ceux qui sont contre est encore plus inepte." Ce miracle qui transforme votre problème-nucléaire en solution-nucléaire s'appelle une forfaiture.

Il n'y a pas plus de "démocratie technique" que de "science citoyenne" ou de roue carrée : la démocratie est la participation de tous aux choix politiques, quand la technique est l'affaire des spécialistes. Ayant vendu les sciences humaines à "l’innovation", Callon et ses semblables ne recommandent jamais d’introduire le politique dans le technique, ni de rappeler aux scientifiques leur responsabilité sociale. Leur solution au contraire consiste à imposer la logique technicienne au corps social, à encourager chacun à faire valoir son expertise. Ce ne sont pas les technologies qui doivent être soumises à la décision démocratique, mais les individus politiques que l’on contraint à endosser l’éthos technocrate. La "démocratie technique", c'est la négation du politique. Et un aveu : la technologie étant la poursuite de la politique par d’autres moyens, seul un simulacre de démocratie peut tenter de maintenir l’illusion d’une participation de tous aux choix collectifs.

Agir dans un monde incertain est devenu la bible des décideurs. La chimère politique de la "démocratie technique", bricolée par des experts pour vendre leurs services à une démocratie "en crise", a créé un fromage pour des chercheurs en sciences sociales, sociologues des "usages" et de l’acceptabilité, et autres fourgueurs de "procédures de dialogue avec le peuple" clés en main. Cette chimère a contaminé le monde social et la nuée d’associations citoyennistes prêtes à se jeter sur n’importe quel dispositif leur donnant de l’importance et des financements. Et qui collaborent sans ciller aux manipulations de la "citoyenneté technique", de l’"expertise profane", de la "co-construction" de nécrotechnologies "citoyennes"

Magali Bicaïs a passé plusieurs années dans un laboratoire R&D (Recherche et développement) de France Telecom. Selon elle, "l’acceptabilité sociale est associée aux nouvelles technologies, car elles transforment nos manières de vivre. On parle d’acceptabilité sociale quand on travaille sur une technologie susceptible d’avoir des conséquences sur l’organisation sociale elle-même. Avec les techniques d’acceptabilité, on a franchi un nouveau pas : il s’agit d’anticiper ce qui peut être toléré. La question n’est plus celle des besoins ni des envies, mais de savoir ce que les consommateurs, ou les citoyens, ne vont pas supporter". (revue Z, n°1, printemps 2009).

Les sociologues des usages (chargés de l’acceptabilité des nouvelles technologies) employés par France Telecom R&D ont eux-mêmes donné leur recette : "Faire participer, c’est faire accepter", disent-ils. Participer, c'est accepter, par un effet mécanique de connivence et de coopération qui aboutit toujours au plus petit dénominateur commun. Vous faire participer aux pseudo-débats de la CNDP, c’est vous faire accepter l’enfouissement des déchets nucléaires.

En outre, en participant à ces mascarades, vous aidez décideurs et communicants à peaufiner leurs argumentaires pour mieux étouffer la contestation. Voyez vous-mêmes : "Un défi majeur pour les porteurs de projet est de pourvoir identifier les opposants pour trouver un interlocuteur privilégié avec qui négocier. (…) C’est à travers une grille d’analyse des systèmes d’acteurs que les décideurs peuvent caractériser les opposants et leur mode d’intervention afin de définir une réponse adaptée à chacune de leurs interrogations, voire de les impliquer dans le projet in fine." ("De l’acceptabilité à l’adhésion", projet universitaire réalisé pour la Fabrique de la Cité)

Auteur: PMO Pièces et main-d'oeuvre

Info: https://www.piecesetmaindoeuvre.com/IMG/pdf/electronucle_aire-.pdf

[ technocritique ] [ repolitisation ] [ participative ]

confusion

1 Je lis en page quatre de mon quotidien que les campagnes de mesures au-dessus de l'Antarctique ne sont pas bonnes cette année : le trou de la couche d’ozone s’y agrandit dangereusement. En lisant plus avant, je passe des chimistes de la haute atmosphère aux P-DG d’Atochem et de Monsanto, lesquels modifient leurs chaînes de production pour remplacer les innocents chlorofluorocarbones, accusés de crime contre l’écosphère. Quelques paragraphes plus loin, ce sont les chefs d’État des grands pays industrialisés qui se mêlent de chimie, de réfrigérateurs, d’aérosols et de gaz inertes. Mais en bas de la colonne, voici que les météorologues ne sont plus d’accord avec les chimistes et parlent de fluctuations cycliques. Du coup, les industriels ne savent plus que faire. Les têtes couronnées hésitent elles aussi. Faut-il attendre ? Est-il déjà trop tard ? Plus bas, les pays du tiers monde et les écologistes ajoutent leur grain de sel et parlent de traités internationaux, de droit des générations futures, de droit au développement et de moratoires.

2 Le même article mêle ainsi réactions chimiques et réactions politiques. Un même fil attache la plus ésotérique des sciences et la plus basse politique, le ciel le plus lointain et telle usine dans la banlieue de Lyon, le danger le plus global et les prochaines élections, ou le prochain conseil d’administration. Les tailles, les enjeux, les durées, les acteurs ne sont pas comparables et pourtant les voilà engagés dans la même histoire.

3 En page six de mon quotidien, j’apprends que le virus du sida de Paris a contaminé celui du laboratoire du professeur Gallo, que MM. Chirac et Reagan avaient pourtant juré solennellement de ne pas remettre en cause l’historique de cette découverte, que les industries chimiques tardent à mettre sur le marché des médicaments réclamés à hauts cris par des malades organisés en associations militantes, que l’épidémie se répand en Afrique noire. De nouveau, des têtes couronnées, des chimistes, des biologistes, des patients désespérés, des industriels se trouvent engagés dans une même histoire incertaine.

4 En page huit, il s’agit d’ordinateurs et de puces contrôlées par les Japonais, en page neuf d’embryons congelés, en page dix de forêt qui brûle entraînant dans ses colonnes de fumées des espèces rares que certains naturalistes veulent protéger ; en page onze, de baleines munies de colliers auxquels sont accrochées des radios balises ; toujours en page onze, c’est un terril du Nord, symbole de l’exploitation ouvrière, que l’on vient de classer comme réserve écologique à cause de la flore rare qui s’y est développée. En page douze, le pape, les évêques, Roussel-Uclaf, les trompes de Fallope, les fondamentalistes texans s’assemblent autour du même contraceptif en une étrange cohorte. En page quatorze, c’est le nombre de lignes de la télévision haute définition qui rattache M. Delors, Thomson, la CEE, les commissions de standardisation, les Japonais encore, et les producteurs de téléfilms. Changez de quelques lignes le standard de l’écran, et les milliards de francs, les millions de téléviseurs, les milliers d’heures de téléfilms, les centaines d’ingénieurs, les dizaines de P-DG valsent.

5 Heureusement qu’il y a dans le journal quelques pages reposantes où l’on parle de pure politique (une réunion du parti radical), et le supplément des livres où les romans relatent les aventures exaltantes du moi profond (je t’aime, moi non plus). Sans ces pages lisses, on attraperait le tournis. C’est qu’ils se multiplient, ces articles hybrides qui dessinent des imbroglios de science, de politique, d’économie, de droit, de religion, de technique, de fiction. Si la lecture du journal quotidien est la prière de l’homme moderne, alors c’est un homme bien étrange qui prie aujourd’hui en lisant ces affaires embrouillées. Toute la culture et toute la nature s’y trouvent rebrassées chaque jour.

6 Pourtant, nul ne paraît s’en soucier. Les pages Économie, Politique, Sciences, Livres, Culture, Religion, Faits divers se partagent les maquettes comme si de rien n’était. Le plus petit virus du sida vous fait passer du sexe à l’inconscient, à l’Afrique, aux cultures de cellules, à l’ADN, à San Francisco, mais les analystes, les penseurs, les journalistes et les décideurs vous découperont le fin réseau que le virus dessine en petits compartiments propres où l’on ne trouvera que de la science, que de l’économie, que des représentations sociales, que des faits divers, que de la pitié, que du sexe. Pressez le plus innocent aérosol et vous serez dirigés vers l'Antarctique, et de là vers l’université de Californie à Irvine, les chaînes de montage de Lyon, la chimie des gaz inertes, et de là peut-être vers l’ONU, mais ce fil fragile sera rompu en autant de segments qu’il y a de disciplines pures : ne mélangeons pas la connaissance, l’intérêt, la justice, le pouvoir. Ne mélangeons pas le ciel et la terre, le global et le local, l’humain et l’inhumain. "Mais ces imbroglios font le mélange, direz-vous, ils tissent notre monde ?" — "Qu’ils soient comme s’ils n’existaient pas", répondent les analystes. Ils ont tranché le nœud gordien avec un glaive bien affuté. Le timon est rompu : à gauche la connaissance des choses, à droite l’intérêt, le pouvoir et la politique des hommes.

Auteur: Latour Bruno

Info: Nous n'avons jamais été modernes. La prolifération des hybrides. Incipit

[ binarisme simplificateur ] [ infobésité ]

évolution biologique

Une nouvelle étude de Yale sur la levure montre comment des facteurs non génétiques sont impliqués dans l'évolution en temps réel.

Dans l'étude, publiée dans la revue Cell Reports du 27 octobre, des chercheurs de l'Institut de biologie systémique de Yale ont montré comment les mécanismes épigénétiques - des modifications du phénotype d'un organisme non causées par des altérations de sa séquence d'ADN - contribuent à l'évolution du réseau de gènes chez la levure qui est responsable de la régulation de l'utilisation du sucre galactose. L'étude a montré qu'un changement épigénétique dans l'activité des gènes se transmettait à travers des centaines de générations de levure, et elle a des implications plus larges concernant le rôle de l'épigénétique dans l'évolution.

"La nature est futée", a déclaré Murat Acar, auteur principal de l'article et professeur associé de biologie moléculaire, cellulaire et du développement, ainsi que de physique. "Elle trouve toujours une solution chaque fois qu'elle est mise au défi par quelque chose. Vous voulez avoir une sorte de gagnant parmi votre population pour surmonter cet environnement difficile".

Jusqu'à récemment, l'explication de l'évolution reposait uniquement sur des mutations génétiques spontanées stimulant des adaptations avantageuses dans les organismes, selon David Moreno Fortuno, associé postdoctoral à l'Institut de biologie des systèmes et l'un des co-auteurs de l'article. Il a expliqué que cette théorie est connue sous le nom de néodarwinisme parce que la nature des gènes n'avait pas encore été découverte à l'époque de Darwin.

La théorie darwinienne de l'évolution contraste avec l'idée de Jean-Baptiste Lamarck, autrefois largement discréditée, selon laquelle l'évolution consiste à transmettre de petits changements qui sont acquis au cours de la vie d'un organisme, selon le PBS. Lamarck a publié sa théorie au début du 19ème siècle en France, et l'exactitude de cette théorie est toujours débattue aujourd'hui, surtout au vu de la résurgence, au cours des deux dernières décennies, de l'étude des influences épigénétiques - ou pas - sur l'évolution.

Les chercheurs ont utilisé un marquage fluorescent dans les cellules de levure pour suivre l'expression des gènes codant du galactose, des cellules plus brillantes correspondant à une plus grande expression de ces gènes. Ils ont observé les niveaux de fluorescence sur une période de sept jours et ont sélectionné à plusieurs reprises les cellules les plus faibles de la population. Les chercheurs nomment cette séparation des cellules plus faibles de la population générale de "pression sélective". Par rapport à la population de levure d'origine, ils ont constaté une diminution dans le temps de la quantité d'expression de ces marqueurs au sein de la population expérimentale.

 "Cette diminution s'est maintenue, même lorsque  la pression sélective fut supprimée pendant plus de 200 générations", a déclaré M. Fortuno.

Du fait que le génome de la levure soit si petit - seulement 12 millions de paires de bases contre 3 milliards pour l'homme - l'analyse de l'ensemble du génome de l'organisme pour les mutations génétiques est beaucoup plus facile à réaliser dans les cellules de levure.

Certaines des cellules de levure qui avaient modifié l'expression du gène codant pour le galactose ne présentèrent aucune mutation dans le réseau de gènes spécifié. Les chercheurs ont donc pu exclure les contributions génétiques à leurs observations.

"En fin de compte, nous avons vu que les théories darwiniennes de l'évolution génétique ne sont pas en mesure d'expliquer ces résultats par elles-mêmes", a déclaré M. Acar. "Il est nécessaire d'y inclure la théorie évolutionniste lamarckienne pour expliquer tout le spectre de nos résultats".

M. Fortuno a abordé les implications potentielles de l'étude, en prédisant que les cellules cancéreuses malignes sont similaires aux cellules de levure dans la mesure où les deux types de cellules sont en "évolution constante". Il a ajouté que la compréhension du rôle des mécanismes épigénétiques dans les génomes des cellules de levure pourrait ouvrir des pistes de recherche pour développer des traitements contre le cancer ou déterminer le stade du cancer dont souffre un patient.

Il note également que certains scientifiques pensent que la culture est un mécanisme épigénétique. Bien que la culture soit non génétique, il est possible qu'elle ait un impact mesurable sur nos marques épigénétiques si ces experts ont raison.

Le document indique également que les mécanismes génétiques et épigénétiques "n'ont pas à s'exclure mutuellement". 

"En réponse à une condition environnementale particulière, les deux types de mécanismes peuvent jouer un rôle et se compléter l'un l'autre", peut-on lire dans le document.

Le document explique également que les mécanismes épigénétiques peuvent provoquer des adaptations plus rapides à un environnement changeant, ils agissent généralement sur une échelle de temps plus courte que les mécanismes génétiques. À l'inverse, les mécanismes génétiques sont en jeu sur des périodes plus longues et entraînent des changements plus permanents dans un organisme.

M. Acar souligne que cette étude n'est qu'une première étape vers une meilleure compréhension du rôle des facteurs épigénétiques et qu'il attend avec impatience de voir des expériences similaires être réalisées sur d'autres organismes.

"Ce n'est qu'alors que nous verrons si ces résultats peuvent être généralisés, qu'ils soient darwiniens, lamarckiens ou hybrides - une théorie unifiée de l'évolution régissant l'évolution des organismes", a-t-il déclaré.

Les cellules de levure se reproduisent de manière asexuée toutes les 90 à 100 minutes.

Auteur: Jalbert Jonathan

Info: https://yaledailynews.com/ NOV 12, 2020

[ biophysique ]

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

Une nouvelle approche du calcul réinvente l'intelligence artificielle

Par l'imprégnation d'énormes vecteurs de sens sémantique, nous pouvons amener les machines à raisonner de manière plus abstraite et plus efficace qu'auparavant.

Malgré le succès retentissant de ChatGPT et d'autres grands modèles de langage, les réseaux de neurones artificiels (ANN) qui sous-tendent ces systèmes pourraient être sur la mauvaise voie.

D'une part, les ANN sont "super gourmands en énergie", a déclaré Cornelia Fermüller , informaticienne à l'Université du Maryland. "Et l'autre problème est [leur] manque de transparence." De tels systèmes sont si compliqués que personne ne comprend vraiment ce qu'ils font, ou pourquoi ils fonctionnent si bien. Ceci, à son tour, rend presque impossible de les amener à raisonner par analogie, ce que font les humains - en utilisant des symboles pour les objets, les idées et les relations entre eux.

Ces lacunes proviennent probablement de la structure actuelle des RNA et de leurs éléments constitutifs : les neurones artificiels individuels. Chaque neurone reçoit des entrées, effectue des calculs et produit des sorties. Les RNA modernes sont des réseaux élaborés de ces unités de calcul, formés pour effectuer des tâches spécifiques.

Pourtant, les limites des RNA sont évidentes depuis longtemps. Considérez, par exemple, un ANN qui sépare les cercles et les carrés. Une façon de le faire est d'avoir deux neurones dans sa couche de sortie, un qui indique un cercle et un qui indique un carré. Si vous voulez que votre ANN discerne également la couleur de la forme - bleu ou rouge - vous aurez besoin de quatre neurones de sortie : un pour le cercle bleu, le carré bleu, le cercle rouge et le carré rouge. Plus de fonctionnalités signifie encore plus de neurones.

Cela ne peut pas être la façon dont notre cerveau perçoit le monde naturel, avec toutes ses variations. "Vous devez proposer que, eh bien, vous avez un neurone pour toutes les combinaisons", a déclaré Bruno Olshausen , neuroscientifique à l'Université de Californie à Berkeley. "Donc, vous auriez dans votre cerveau, [disons,] un détecteur Volkswagen violet."

Au lieu de cela, Olshausen et d'autres soutiennent que l'information dans le cerveau est représentée par l'activité de nombreux neurones. Ainsi, la perception d'une Volkswagen violette n'est pas codée comme les actions d'un seul neurone, mais comme celles de milliers de neurones. Le même ensemble de neurones, tirant différemment, pourrait représenter un concept entièrement différent (une Cadillac rose, peut-être).

C'est le point de départ d'une approche radicalement différente de l'informatique connue sous le nom d'informatique hyperdimensionnelle. La clé est que chaque élément d'information, comme la notion d'une voiture, ou sa marque, son modèle ou sa couleur, ou tout cela ensemble, est représenté comme une seule entité : un vecteur hyperdimensionnel.

Un vecteur est simplement un tableau ordonné de nombres. Un vecteur 3D, par exemple, comprend trois nombres : les coordonnées x , y et z d'un point dans l'espace 3D. Un vecteur hyperdimensionnel, ou hypervecteur, pourrait être un tableau de 10 000 nombres, par exemple, représentant un point dans un espace à 10 000 dimensions. Ces objets mathématiques et l'algèbre pour les manipuler sont suffisamment flexibles et puissants pour amener l'informatique moderne au-delà de certaines de ses limites actuelles et favoriser une nouvelle approche de l'intelligence artificielle.

"C'est ce qui m'a le plus enthousiasmé, pratiquement de toute ma carrière", a déclaré Olshausen. Pour lui et pour beaucoup d'autres, l'informatique hyperdimensionnelle promet un nouveau monde dans lequel l'informatique est efficace et robuste, et les décisions prises par les machines sont entièrement transparentes.

Entrez dans les espaces de grande dimension

Pour comprendre comment les hypervecteurs rendent le calcul possible, revenons aux images avec des cercles rouges et des carrés bleus. Nous avons d'abord besoin de vecteurs pour représenter les variables SHAPE et COLOR. Ensuite, nous avons également besoin de vecteurs pour les valeurs pouvant être affectées aux variables : CERCLE, CARRÉ, BLEU et ROUGE.

Les vecteurs doivent être distincts. Cette distinction peut être quantifiée par une propriété appelée orthogonalité, ce qui signifie être à angle droit. Dans l'espace 3D, il existe trois vecteurs orthogonaux entre eux : un dans la direction x , un autre dans la direction y et un troisième dans la direction z . Dans un espace à 10 000 dimensions, il existe 10 000 vecteurs mutuellement orthogonaux.

Mais si nous permettons aux vecteurs d'être presque orthogonaux, le nombre de ces vecteurs distincts dans un espace de grande dimension explose. Dans un espace à 10 000 dimensions, il existe des millions de vecteurs presque orthogonaux.

Créons maintenant des vecteurs distincts pour représenter FORME, COULEUR, CERCLE, CARRÉ, BLEU et ROUGE. Parce qu'il y a tellement de vecteurs presque orthogonaux possibles dans un espace de grande dimension, vous pouvez simplement assigner six vecteurs aléatoires pour représenter les six éléments ; ils sont presque garantis d'être presque orthogonaux. "La facilité de créer des vecteurs presque orthogonaux est une raison majeure d'utiliser la représentation hyperdimensionnelle", a écrit Pentti Kanerva , chercheur au Redwood Center for Theoretical Neuroscience de l'Université de Californie à Berkeley, dans un article influent de 2009.

L'article s'appuyait sur des travaux effectués au milieu des années 1990 par Kanerva et Tony Plate, alors étudiant au doctorat avec Geoff Hinton à l'Université de Toronto. Les deux ont développé indépendamment l'algèbre pour manipuler les hypervecteurs et ont fait allusion à son utilité pour le calcul en haute dimension.

Étant donné nos hypervecteurs pour les formes et les couleurs, le système développé par Kanerva et Plate nous montre comment les manipuler à l'aide de certaines opérations mathématiques. Ces actions correspondent à des manières de manipuler symboliquement des concepts.

La première opération est la multiplication. C'est une façon de combiner les idées. Par exemple, multiplier le vecteur FORME par le vecteur CERCLE lie les deux en une représentation de l'idée "LA FORME est CERCLE". Ce nouveau vecteur "lié" est presque orthogonal à la fois à SHAPE et à CIRCLE. Et les composants individuels sont récupérables - une caractéristique importante si vous souhaitez extraire des informations à partir de vecteurs liés. Étant donné un vecteur lié qui représente votre Volkswagen, vous pouvez dissocier et récupérer le vecteur pour sa couleur : VIOLET.

La deuxième opération, l'addition, crée un nouveau vecteur qui représente ce qu'on appelle une superposition de concepts. Par exemple, vous pouvez prendre deux vecteurs liés, "SHAPE is CIRCLE" et "COLOR is RED", et les additionner pour créer un vecteur qui représente une forme circulaire de couleur rouge. Là encore, le vecteur superposé peut être décomposé en ses constituants.

La troisième opération est la permutation ; cela implique de réorganiser les éléments individuels des vecteurs. Par exemple, si vous avez un vecteur tridimensionnel avec des valeurs étiquetées x , y et z , la permutation peut déplacer la valeur de x vers y , y vers z et z vers x. "La permutation vous permet de construire une structure", a déclaré Kanerva. "Ça permet de gérer des séquences, des choses qui se succèdent." Considérons deux événements, représentés par les hypervecteurs A et B. Nous pouvons les superposer en un seul vecteur, mais cela détruirait les informations sur l'ordre des événements. La combinaison de l'addition et de la permutation préserve l'ordre ; les événements peuvent être récupérés dans l'ordre en inversant les opérations.

Ensemble, ces trois opérations se sont avérées suffisantes pour créer une algèbre formelle d'hypervecteurs permettant un raisonnement symbolique. Mais de nombreux chercheurs ont été lents à saisir le potentiel de l'informatique hyperdimensionnelle, y compris Olshausen. "Cela n'a tout simplement pas été pris en compte", a-t-il déclaré.

Exploiter le pouvoir

En 2015, un étudiant d'Olshausen nommé Eric Weiss a démontré un aspect des capacités uniques de l'informatique hyperdimensionnelle. Weiss a compris comment représenter une image complexe comme un seul vecteur hyperdimensionnel contenant des informations sur tous les objets de l'image, y compris leurs propriétés, telles que les couleurs, les positions et les tailles.

"Je suis pratiquement tombé de ma chaise", a déclaré Olshausen. "Tout d'un coup, l'ampoule s'est allumée."

Bientôt, d'autres équipes ont commencé à développer des algorithmes hyperdimensionnels pour reproduire des tâches simples que les réseaux de neurones profonds avaient commencé à effectuer environ deux décennies auparavant, comme la classification d'images.

Considérons un ensemble de données annotées composé d'images de chiffres manuscrits. Un algorithme analyse les caractéristiques de chaque image en utilisant un schéma prédéterminé. Il crée ensuite un hypervecteur pour chaque image. Ensuite, l'algorithme ajoute les hypervecteurs pour toutes les images de zéro pour créer un hypervecteur pour l'idée de zéro. Il fait ensuite la même chose pour tous les chiffres, créant 10 hypervecteurs "de classe", un pour chaque chiffre.

Maintenant, l'algorithme reçoit une image non étiquetée. Il crée un hypervecteur pour cette nouvelle image, puis compare l'hypervecteur aux hypervecteurs de classe stockés. Cette comparaison détermine le chiffre auquel la nouvelle image ressemble le plus.

Pourtant, ce n'est que le début. Les points forts de l'informatique hyperdimensionnelle résident dans la capacité de composer et de décomposer des hypervecteurs pour le raisonnement. La dernière démonstration en date a eu lieu en mars, lorsqu'Abbas Rahimi et ses collègues d'IBM Research à Zurich ont utilisé l'informatique hyperdimensionnelle avec des réseaux de neurones pour résoudre un problème classique de raisonnement visuel abstrait - un défi important pour les RNA typiques, et même certains humains. Connu sous le nom de matrices progressives de Raven, le problème présente des images d'objets géométriques dans, disons, une grille 3 par 3. Une position dans la grille est vide. Le sujet doit choisir, parmi un ensemble d'images candidates, l'image qui correspond le mieux au blanc.

"Nous avons dit:" C'est vraiment ... l'exemple qui tue pour le raisonnement abstrait visuel, allons-y "", a déclaré Rahimi.

Pour résoudre le problème à l'aide de l'informatique hyperdimensionnelle, l'équipe a d'abord créé un dictionnaire d'hypervecteurs pour représenter les objets dans chaque image ; chaque hypervecteur du dictionnaire représente un objet et une combinaison de ses attributs. L'équipe a ensuite formé un réseau de neurones pour examiner une image et générer un hypervecteur bipolaire - un élément peut être +1 ou -1 - aussi proche que possible d'une superposition d'hypervecteurs dans le dictionnaire ; l'hypervecteur généré contient donc des informations sur tous les objets et leurs attributs dans l'image. "Vous guidez le réseau de neurones vers un espace conceptuel significatif", a déclaré Rahimi.

Une fois que le réseau a généré des hypervecteurs pour chacune des images de contexte et pour chaque candidat pour l'emplacement vide, un autre algorithme analyse les hypervecteurs pour créer des distributions de probabilité pour le nombre d'objets dans chaque image, leur taille et d'autres caractéristiques. Ces distributions de probabilité, qui parlent des caractéristiques probables à la fois du contexte et des images candidates, peuvent être transformées en hypervecteurs, permettant l'utilisation de l'algèbre pour prédire l'image candidate la plus susceptible de remplir l'emplacement vacant.

Leur approche était précise à près de 88 % sur un ensemble de problèmes, tandis que les solutions de réseau neuronal uniquement étaient précises à moins de 61 %. L'équipe a également montré que, pour les grilles 3 par 3, leur système était presque 250 fois plus rapide qu'une méthode traditionnelle qui utilise des règles de logique symbolique pour raisonner, car cette méthode doit parcourir un énorme livre de règles pour déterminer la bonne prochaine étape.

Un début prometteur

Non seulement l'informatique hyperdimensionnelle nous donne le pouvoir de résoudre symboliquement des problèmes, mais elle résout également certains problèmes épineux de l'informatique traditionnelle. Les performances des ordinateurs d'aujourd'hui se dégradent rapidement si les erreurs causées, par exemple, par un retournement de bit aléatoire (un 0 devient 1 ou vice versa) ne peuvent pas être corrigées par des mécanismes de correction d'erreurs intégrés. De plus, ces mécanismes de correction d'erreurs peuvent imposer une pénalité sur les performances allant jusqu'à 25 %, a déclaré Xun Jiao , informaticien à l'Université de Villanova.

Le calcul hyperdimensionnel tolère mieux les erreurs, car même si un hypervecteur subit un nombre important de retournements de bits aléatoires, il reste proche du vecteur d'origine. Cela implique que tout raisonnement utilisant ces vecteurs n'est pas significativement impacté face aux erreurs. L'équipe de Jiao a montré que ces systèmes sont au moins 10 fois plus tolérants aux pannes matérielles que les ANN traditionnels, qui sont eux-mêmes des ordres de grandeur plus résistants que les architectures informatiques traditionnelles. "Nous pouvons tirer parti de toute [cette] résilience pour concevoir du matériel efficace", a déclaré Jiao.

Un autre avantage de l'informatique hyperdimensionnelle est la transparence : l'algèbre vous indique clairement pourquoi le système a choisi la réponse qu'il a choisie. Il n'en va pas de même pour les réseaux de neurones traditionnels. Olshausen, Rahimi et d'autres développent des systèmes hybrides dans lesquels les réseaux de neurones cartographient les éléments du monde physique en hypervecteurs, puis l'algèbre hyperdimensionnelle prend le relais. "Des choses comme le raisonnement analogique vous tombent dessus", a déclaré Olshausen. "C'est ce que nous devrions attendre de tout système d'IA. Nous devrions pouvoir le comprendre comme nous comprenons un avion ou un téléviseur.

Tous ces avantages par rapport à l'informatique traditionnelle suggèrent que l'informatique hyperdimensionnelle est bien adaptée à une nouvelle génération de matériel extrêmement robuste et à faible consommation d'énergie. Il est également compatible avec les "systèmes informatiques en mémoire", qui effectuent le calcul sur le même matériel qui stocke les données (contrairement aux ordinateurs von Neumann existants qui transfèrent inefficacement les données entre la mémoire et l'unité centrale de traitement). Certains de ces nouveaux appareils peuvent être analogiques, fonctionnant à très basse tension, ce qui les rend économes en énergie mais également sujets aux bruits aléatoires. Pour l'informatique de von Neumann, ce caractère aléatoire est "le mur que vous ne pouvez pas franchir", a déclaré Olshausen. Mais avec l'informatique hyperdimensionnelle, "vous pouvez simplement percer".

Malgré ces avantages, l'informatique hyperdimensionnelle en est encore à ses balbutiements. "Il y a un vrai potentiel ici", a déclaré Fermüller. Mais elle souligne qu'il doit encore être testé contre des problèmes du monde réel et à des échelles plus grandes, plus proches de la taille des réseaux de neurones modernes.

"Pour les problèmes à grande échelle, cela nécessite un matériel très efficace", a déclaré Rahimi. "Par exemple, comment [faites-vous] une recherche efficace sur plus d'un milliard d'articles ?"

Tout cela devrait venir avec le temps, a déclaré Kanerva. "Il y a d'autres secrets [que] les espaces de grande dimension détiennent", a-t-il déclaré. "Je vois cela comme le tout début du temps pour le calcul avec des vecteurs."

Auteur: Ananthaswamy Anil

Info: https://www.quantamagazine.org/ Mais 2023

[ machine learning ]