intelligence artificielle

Les neurosciences auront été d'une grande contribution quant à l'évolution de l'IA, par exemple avec la mémoire replay, le deep learning, la mémoire épisodique, l'apprentissage par renforcement, etc., tous  en quelque sorte inspirés des neurosciences... Mais de nos jours, depuis que tout ceci est devenu fortement industrialisés, nous sommes en train de nous éloigner du fonctionnement du cerveau. En outre ce n'est plus vraiment de langage dont on s'occupe, mais de quelque chose de multi-modal.

Auteur: Hassabis Demis

Info: Sur youtube nov 2023

[ expansion ]

bipolarité

La personnalité humaine ressemble à un récif de corail: une grande structure dure et morte construite et habitée par de minuscules animaux mous-vivants. La partie dure et morte consistant en des habitudes, des souvenirs et des compulsions ; elle sera probablement expliquée un jour via quelque métaphore informatique bien développée. La partie molle-vivante étant une expérience directe de l'"être". Cet aspect-là de la personnalité est familier mais en quelque sorte inexprimable, il échappe à toutes les tentatives d'explication physique.

Auteur: Herbert Nick

Info: in Nick Herbert, Gale Cengage Learning, Contemporary Authors Online, 2002

[ chair-esprit ] [ rationalisme ] [ mythologie ] [ incarnation ]

prescience

L'intuition implique l'acte de saisir le sens ou la signification ou la structure d'un problème sans se fier explicitement à l'appareil analytique de ses compétences. C'est le mode intuitif qui produit rapidement des hypothèses, qui produit d'intéressantes combinaisons d'idées avant que leur valeur ne soit connue. Elle précède la preuve : en effet, les techniques d'analyse et de démonstration sont conçues pour tester et vérifier. Elle se fonde sur une sorte d'espièglerie combinatoire qui n'est possible que lorsque les conséquences d'une erreur ne sont pas accablantes ou dénuées de sens. Par-dessus tout, il s'agit d'une forme d'activité qui dépend de la confiance dans la valeur du processus de l'activité mathématique plutôt que dans l'importance d'avoir des bonnes réponses en tout temps.

Auteur: Bruner Jerome

Info: On Learning Mathematics. Mathematics Teacher, Volume 53, December 1960 (p. 613)

[ définie ] [ voir ]

apprentissage automatique

Cette dicipline du traitement des métadonnées a connu plusieurs périodes de transition depuis le milieu des années 90. De 1995 à 2005, l'accent a été mis sur le langage naturel, la recherche et la récupération d'informations. Les outils de machine learning étaient plus simples que ceux que nous utilisons aujourd'hui ; avec des éléments comme la régression logistique, les SVM (machines à vecteurs de support), les noyaux avec SVM et le PageRank. Google a connu un immense succès grâce à ces technologies, en élaborant des produits phares tels que Google News et le classificateur de spam Gmail via des algorithmes faciles à distribuer pour le classement et la classification de textes - c'est à dire des technologies déjà au point au milieu des années 90.

Auteur: Zadeh Reza

Info:

[ historique ]

FLP non TAL*

Nous inversons le processus de l'intelligence artificielle (IA) et du machine learning via un processus communautaire homme-machine (nourri par l'homme), plutôt que machine-homme...

C'est ainsi que nous travaillons à désambiguer, voire développer/accompagner une sémantique consensuelle qui ne se refuse pas à la complexité. Ceci au travers, si possible, d'une approche collective translangue (avec les intraduisibles), même si la base de données est francophone. 

Processus qui, via quelques règles et grâce aux moyens du numérique, développe une base de données intelligente au sens où auteurs et textes sont paramétrés précisément, tagués et modéré collectivement. Ainsi, par les souples et puissantes possibilité du moteur de recherche toutes sortes d'investigations s'offrent, quasi multi-dimensionelles, statistiques aussi,  mélangeant allègrement objectivité et subjectivité au sein d'un corpus, en évolution constante, sur base de mots et de citations. 

Au final une application très exigeante, qui pourra s'avérer dérangeante parce que très ouverte.

Auteur: Mg

Info: En réponse (négative) à une étude universitaire (via test time) qui interrogeait les entreprises numériques, précisément quant à l'impact écologique du développement de l'intelligence artificielle dans leur fonctionnement. *TAL = traitement automatique du langage

[ mutation numérique ] [ slow thinking ] [ dictionnaire analogique intriqué ] [ sérendipité ]

FLP défini 2

Nous nous proposons de défendre la lecture via une application accompagnatrice des changements d'habitudes amenées par le numérique en la matière.

Au-delà de la collecte de textes aimés et intégré dans sa complexe base de données, FLP, instrument statistique et ludique sur base francophone, invite à jouer avec le juste sens des mots (ici Internet permet de vérifier beaucoup de choses), et surtout de leurs combinaisons.

Nouvelle manière de lire qui "force" à réfléchir, c'est à dire à confronter la subjectivité de ses sensations de lecteur avec  l'objectivité sémantique démultipliée par les possibilités de l'informatique - tout en respectant les règles d'insertion de cette application. C'est un agrégateur à l'opposé du machine learning.

Divertissement qui demande un effort, les Fils de La Pensée, peuvent être appréhendés comme une sorte de dictionnaire communautaire - voire une intelligence collective - en constante évolution et quête de dépassement.

Auteur: Mg

Info: 29 juillet 2021. Non Tal, signifie, qui ne fait pas partie des applications de traitement automatique du langage

[ lecture analytique ] [ non Tal ]

marchandisation débridée

Imaginez que vous ayez un marteau. C'est l'apprentissage automatique (machine learning). Il vous a aidé à gravir une montagne éreintante pour atteindre le sommet. C'est la domination de l'apprentissage automatique sur les données en ligne. Au sommet de la montagne, vous trouvez un vaste tas de clous, moins chers que tout ce qui était imaginable auparavant. C'est la nouvelle technologie des capteurs intelligents. Un panorama de planches vierges s'étend devant vous à perte de vue. C'est le monde de la stupidité. Puis vous apprenez que chaque fois que vous plantez un clou dans une planche avec votre marteau machine learning, vous pouvez extraire de la valeur de cette planche autrefois stérile et muette. C'est la monétisation des données. Et que faites-vous ? Vous commencez à marteler comme un fou et vous ne vous arrêtez jamais, à moins que quelqu'un ne vous y oblige. Mais il n'y a personne ici pour nous faire arrêter. C'est pourquoi "l'internet de tout" est inévitable.

Auteur: Zuboff Shoshana

Info: The Age of Surveillance Capitalism

[ régulation nécessaire ] [ métadonnées ] [ publicité ]

apprentissage automatique

Il nous est facile pour d'expliquer ce que l'on voit sur une photo, mais programmer une fonction qui n'entre rien d'autre que les couleurs de tous les pixels d'une image et peut produire une légende précise telle que "groupe de jeunes gens jouant une partie de frisbee" échappait à tous les chercheurs en IA du monde depuis des décennies. Pourtant, une équipe de Google dirigée par Ilya Sutskever y est parvenu en 2014.

Introduisez un nouvel ensemble de pixels de couleur, et l'ordinateur répond "troupeau d'éléphants traversant un champ d'herbe sèche",  presque toujours correctement. Comment y sont-ils parvenus ? À la manière de Deep Blue, en programmant des algorithmes artisanaux pour détecter les frisbees, les visages, etc ?

Non, en créant un réseau neuronal relativement simple, sans la moindre connaissance du monde physique ou de son contenu, puis en le laissant apprendre en l'exposant à des quantités massives de données. Le visionnaire de l'IA Jeff Hawkins écrivait en 2004 qu'"aucun ordinateur ne pourrait... voir aussi bien qu'une souris", mais cette époque est désormais révolue.

Auteur: Tegmark Max

Info: Life 3.0: Being Human in the Age of Artificial Intelligence

[ machine learning ] [ visualisation ] [ sémantique mécanique ] [ homme-machine ]

apprentissage numérique

En France, a été ouverte, en 2013, l'École 42. Ses salles ne sont garnies que de rangées répétées de longues tables, sur lesquelles les étudiants, installées les uns à côté des autres, "tapent du code" jour et nuit face à leurs écrans de façon quasi autiste. Apprentissage de la programmation façon Les Temps Modernes. Ici nul professeur, seulement un "encadrement pédagogique" , nul livre, ni bibliothèque, seules prévalent l'illumination des pixels et l’"idée" de chacun que "l’école" va permettre de développer. Modèle éducatif qui, selon son fondateur, Xavier Niel, procède d'une "rupture" et vise tout autant à favoriser la "rupture" : "Que sortent de l'École 42 dix ou vingt king coders qui vont cracker le système". Telle est l'ambition ouvertement déclarée, d'esprit anarcho-capitaliste donc, entendant "former" de jeunes individus affranchis de toute limite : "42, c'est no-limit!" On mesure l'écart abyssal avec l'Université humaniste qui, elle, ne cherchait pas à "cracker" quoi que ce soit, mais à ériger patiemment, par la réflexion, l'échange, les livres, le savoir et la culture, une civilisation fondée sur la responsabilité, la politique et le droit.

Auteur: Sadin Éric

Info: La silicolonisation du monde. Pub de l'école : "Sa pédagogie, c'est le peer-to-peer learning : un fonctionnement participatif qui permet aux étudiants de libérer toute leur créativité grâce à l'apprentissage par projets".

[ cadre innovant ] [ humanisme autistique ]

intelligence artificielle

Notre article "Precision Machine Learning" montre que les réseaux neuronaux surpassent l'interpolation simplex uniquement dans plus de 2 dimensions, en exploitant la modularité. Nous développons des astuces de formation pour un ML de haute précision, utiles pour la science et l'interprétabilité.

Résumé : Nous explorons les considérations particulières impliquées dans l'ajustement des modèles ML aux données demandant une très grande précision, comme c'est souvent le cas pour les applications scientifiques. Nous comparons empiriquement diverses méthodes d'approximation de fonctions et étudions leur évolution en fonction de l'augmentation des paramètres et des données. Nous constatons que les réseaux neuronaux peuvent souvent surpasser les méthodes d'approximation classiques pour les exemples à dimensions élevées, en découvrant et en exploitant automatiquement les structures modulaires qu'ils contiennent. Cependant, les réseaux neuronaux dressés-formés avec des optimiseurs courants sont moins puissants pour les cas à basse dimension, ce qui nous motive à étudier les propriétés uniques des zones de déperdition des réseaux neuronaux et les défis d'optimisation qui se présentent et correspondent dans le régime de haute précision. Pour résoudre le problème de l'optimisation en basse dimension, nous développons des astuces d'entraînement-formation qui nous permettent de faire fonctionner les réseaux neuronaux avec une déperdition extrêmement faibles, proche des limites permises par la précision numérique.

Auteur: Tegmark Max

Info: Écrit avec Eric J. Michaud et Ziming Liu, oct 2022

[ mathématiques appliquées ] [ apprentissage automatique ] [ physique computationnelle ] [ machine-homme ] [ affinements mécaniques ] [ sémantique élargie ]