progression philosophique

Je vais vous dire trois métamorphoses de l’esprit : comment l’esprit devient chameau, comment le chameau devient lion, et comment enfin le lion devient enfant.

Il est maint fardeau pesant pour l’esprit, pour l’esprit patient et vigoureux en qui domine le respect : sa vigueur réclame le fardeau pesant, le plus pesant.

Qu’y a-t-il de pesant ? ainsi interroge l’esprit robuste ; et il s'agenouille comme le chameau et veut un bon chargement.

Qu’y a-t-il de plus pesant ! ainsi interroge l’esprit robuste, dites-le, ô héros, afin que je le charge sur moi et que ma force se réjouisse.

N’est-ce pas cela : s’humilier pour faire souffrir son orgueil ? Faire luire sa folie pour tourner en dérision sa sagesse ?

Ou bien est-ce cela : déserter une cause, au moment où elle célèbre sa victoire ? Monter sur de hautes montagnes pour tenter le tentateur ?

Ou bien est-ce cela : se nourrir des glands et de l’herbe de la connaissance, et souffrir la faim dans son âme, pour l’amour de la vérité ?

Ou bien est-ce cela : être malade et renvoyer les consolateurs, se lier d’amitié avec des sourds qui n’entendent jamais ce que tu veux ?

Ou bien est-ce cela : descendre dans l’eau sale si c’est l’eau de la vérité et ne point repousser les grenouilles visqueuses et les purulents crapauds ?

Ou bien est-ce cela : aimer qui nous méprise et tendre la main au fantôme lorsqu’il veut nous effrayer ?

L’esprit robuste charge sur lui tous ces fardeaux pesants : tel le chameau qui sitôt chargé se hâte vers le désert, ainsi lui se hâte vers son désert.

Mais au fond du désert le plus solitaire s’accomplit la seconde métamorphose : ici l’esprit devient lion, il veut conquérir la liberté et être maître de son propre désert.

Il cherche ici son dernier maître : il veut être l’ennemi de ce maître, comme il est l’ennemi de son dernier dieu ; il veut lutter pour la victoire avec le grand dragon.

Quel est le grand dragon que l’esprit ne veut plus appeler ni dieu ni maître ? "Tu dois", s’appelle le grand dragon. Mais l’esprit du lion dit : "Je veux."

"Tu dois" le guette au bord du chemin, étincelant d’or sous sa carapace aux mille écailles, et sur chaque écaille brille en lettres dorées : "Tu dois !"

Des valeurs de mille années brillent sur ces écailles et ainsi parle le plus puissant de tous les dragons : "Tout ce qui est valeur — brille sur moi."

Tout ce qui est valeur a déjà été créé, et c’est moi qui représente toutes les valeurs créées. En vérité il ne doit plus y avoir de "Je veux" ! Ainsi parle le dragon.

Mes frères, pourquoi est-il besoin du lion de l’esprit ? La bête robuste qui s’abstient et qui est respectueuse ne suffit-elle pas ?

Créer des valeurs nouvelles — le lion même ne le peut pas encore : mais se rendre libre pour la création nouvelle — c’est ce que peut la puissance du lion.

Se faire libre, opposer une divine négation, même au devoir : telle, mes frères, est la tâche où il est besoin du lion.

Conquérir le droit de créer des valeurs nouvelles — c’est la plus terrible conquête pour un esprit patient et respectueux. En vérité, c’est là un acte féroce, pour lui, et le fait d’une bête de proie.

Il aimait jadis le "Tu dois" comme son bien le plus sacré : maintenant il lui faut trouver l’illusion et l’arbitraire, même dans ce bien le plus sacré, pour qu’il fasse, aux dépens de son amour, la conquête de la liberté : il faut un lion pour un pareil rapt.

Mais, dites-moi, mes frères, que peut faire l’enfant que le lion ne pouvait faire ? Pourquoi faut-il que le lion ravisseur devienne enfant ?

L’enfant est innocence et oubli, un renouveau et un jeu, une roue qui roule sur elle-même, un premier mouvement, une sainte affirmation.

Oui, pour le jeu divin de la création, ô mes frères, il faut une sainte affirmation : l’esprit veut maintenant sa propre volonté, celui qui a perdu le monde veut gagner son propre monde.

Je vous ai nommé trois métamorphoses de l’esprit : comment l’esprit devient chameau, comment l’esprit devient lion, et comment enfin le lion devient enfant.

Auteur: Nietzsche Friedrich

Info: Dans "Ainsi parlait Zarathoustra", Traduction par Henri Albert, Société du Mercure de France, 1903 (Œuvres complètes de Frédéric Nietzsche, vol. 9, p. 33-36)

[ métaphores animales ] [ allègement ] [ mouvement cyclique ] [ triade ]

écrivain-sur-écrivain

Mais l’éclectisme de Gacougnol est attesté surtout par la présence de Folantin*, le peintre naturaliste et préalable dont le succès, longtemps captif, se déchaîne.

On trouverait malaisément une chose plus instructive que le calendrier de ses produits.

Après une série liminaire de petits paysages pisseux égratignés avec labeur dans des banlieues sans verdure ; après le demi-triomphe d’un tableau de genre, où les amours indécises d’un jeune maçon et d’une brocheuse dessalée, au sein d’un garno, se coagulaient sous les yeux en mastic blafard, ainsi qu’un fromage visité déjà ; Folantin, lassé de ne paraître point un penseur, s’avisa de répandre un peu de morale philosophique sur ses enduits.

On vit poindre alors, à l’inexprimable découragement de plusieurs fantoches de l’appui-main, la surprenante image d’un cocu en cassonade reconduisant, bougeoir en main, avec la plus froide politesse, un individu sébacé qu’il vient de surprendre, après minuit, aux bras de sa femme. Cela s’appelait : En ménage !. Mais la louange fut moindre que pour le garno dont la vogue, hélas ! périclitait, et il fallut trouver autre chose.

Changeant tout à fait son tube d’épaule, il peignit, décidément, un grand seigneur, un enfant de tous les preux dont il étudia le type chez un authentique gentilhomme qui s’est donné la fonction de ramasser les bouts de cigares de la Poésie contemporaine sans parchemins.

L’optimate fut représenté, bien malgré lui, sur un bidet, lisant des vers de vingt-cinq pieds. Or, il arriva, contre toute attente sublunaire, que ce portrait allégorique fut une manière de bas chef-d’œuvre, et la noblesse de France, — la première du monde, jadis, — une fois de plus, se vérifia si charogne que le simulacre engendré par Folantin, confronté à l’original, procura quelques instants, l’hallucination de la force.

L’heureux peintre érigea son front parmi les étoiles et put s’annexer quelques disciples. Impossible de le nier. Si ennemi qu’on pût être de Folantin et de son odieuse peinture documentée à la manière d’un roman de la sotte école, son personnage avait une tenue équestre sur ce vase devenu comme un piédestal.

À partir de cet instant, le maître nouveau repoussa du pied les châssis de faible étendue et se précipita aux vastes toiles.

On s’est bousculé autour de sa Messe noire et de ses Trappistes en prière, crépis énormes, léchotés au petit blaireau, qu’il faut scruter par centimètre carré, au moyen d’une loupe de géologue ou de numismate, sans espoir de réaliser la vision béatifique d’un ensemble.

Le premier de ces engins paraît avoir été calculé pour le branle et pour le brandon d’une récente portée de bourgeois que démange la convoitise des lubricités de l’enfer. L’habile homme, toutefois, se croyant, quand même, désigné pour instruire ses contemporains, c’est, en même temps, le prodige d’une sorte de jocrisserie peinturière s’exaspérant jusqu’à devenir tourbillon, mais tourbillon noir, combien fétide et profanant !

Les Trappistes en prière ont voulu être le contre-pied, le rebrousse-poil de la précédente révélation. Folantin, dont la crête augmente et dont la moutarde s’affiche de plus en plus, tenait à montrer comment un artiste assez audacieux pour baiser le croupion du Diable savait, en revanche, tripoter l’extase.

Folantin, tout à coup sorcier, découvrit le Catholicisme !

Clairvoyance peu récompensée. La vindicative bondieuserie de Saint-Sulpice, appelée en duel, lui passa son goupillon au travers du cœur. Cette fois encore, pourtant, il bénéficia du renouveau de crédit que semblent avoir les préoccupations religieuses, aux approches de la fin du siècle, et sa robe d’initiateur n’est pas devenue l’humble veste qu’on aurait pu croire, après un tel coup.

La forme extérieure de ce pontife est analogue à celle d’un de ces arbres très pauvres, noyers d’Amérique ou vernis du Japon, dont l’ombre est pâle et le fruit vénéneux ou illusoire. Il est fier, surtout, de ses mains qu’il juge extraordinaires, "des mains de très maigre infante, aux doigts fluets et menus". Telles sont ses amicales expressions, car il ne se veut aucun mal.

— Je me fais à moi-même, déclarait-il à un reporter, l’effet d’un chat courtois, très poli, presque aimable, mais nerveux, prêt à sortir ses griffes au moindre mot.

Le chat paraît être, en effet, sa bête, moins la grâce de ce félin. Il est capable de guetter indéfiniment sa proie, et même la proie des autres, avec une douceur féroce que ne déconcerte nul outrage. Il accueille tout sur la pointe d’un demi-sourire figé, laissant tomber, de loin en loin, quelques minces phrases métalliques et tréfilées qui font, parfois, les auditeurs incertains d’écouter un être vivant.

Il est celui qui "ne s’emballe pas". Le pli dédaigneux de sa lèvre est acquis, pour l’éternité, à tout lyrisme, à tout enthousiasme, à toute véhémence du cœur, et sa plus visible passion est de paraître un fil de rasoir dans un torrent.

— Celui-là, c’est l’Envieux ! dit, un jour, avec précision, Barbey d’Aurevilly qui l’assomma de ce mot.

Sa malignité, cependant, est circonspecte. Très soigneux de sa renommée, qu’il cultive en secret, comme un cactus frileux et rare, il ne néglige pas de prendre contact avec des journalistes qu’il pense avoir le droit de mépriser ou avec certains confrères pleins de candeur dont il subtilise les conceptions. On tient pour sûre l’histoire malpropre de cette esquisse de la Messe noire carottée pour quelques louis à un artiste mourant de misère, — ébauche superbe qu’il se hâta d’avilir de son pinceau, après avoir ignominieusement congédié le malheureux qui lui faisait une telle aumône.

Auteur: Bloy Léon

Info: A propos de *Joris-Karl Huysmans, dans "La femme Pauvre", Mercure de France, 1972, pages 193-196

[ résumé de l'œuvre ] [ description ] [ critique ] [ dénigrement ]

intelligence artificielle

La vérité sur la soupe acronymique de l'IA (ANI, AGI, ASI)

(désambiguïser le jargon et les mythes qui entourent l'IA.)

L'IA est souvent expliquée à l'aide des catégories suivantes : intelligence artificielle étroite (ANI), intelligence artificielle générale (AGI) et superintelligence artificielle (ASI)[1]. Bien que ce cadre conceptuel étrange n'apporte aucune valeur réelle, il se retrouve dans de nombreuses discussions[2]. Si vous n'êtes pas familier avec ces catégories, considérez-vous chanceux et passez à un autre article, plus conséquent. Sinon, je vous invite à poursuivre votre lecture.

Tout d'abord, déplorer les catégorisations - comme je m'apprête à le faire - n'a qu'une valeur limitée car les catégories sont arbitrairement similaires et distinctes, en fonction de la manière dont nous classons les choses. Par exemple, le théorème du vilain petit canard démontre que les cygnes et les canetons sont identiques si l'on souhaite manipuler les propriétés à des fins de comparaison. Toutes les différences n'ont pas de sens si nous n'avons pas de connaissances préalables sur ces différences. Hélas, cet article décortique ces catégories suspectes d'un point de vue commercial.

L'intelligence artificielle étroite (ANI) est souvent confondue avec l'intelligence artificielle faible. John Searle, philosophe et professeur à l'université de Californie, a expliqué dans son article fondateur de 1980, "Minds, Brains, and Programs", que l'intelligence artificielle faible serait toute solution à la fois étroite et ressemblant superficiellement à l'intelligence. Searle explique qu'une telle recherche serait utile pour tester des hypothèses sur des segments d'esprits mais ne serait pas des esprits[3]. L'ANI réduit cela de moitié et permet aux chercheurs de se concentrer sur l'étroitesse et la superficialité et d'ignorer les hypothèses sur les esprits. En d'autres termes, l'ANI purge l'intelligence et les esprits et rend l'intelligence artificielle "possible" sans rien faire. Après tout, tout est étroit, et si l'on louche suffisamment, tout peut ressembler superficiellement à de l'intelligence.

L'intelligence artificielle générale (AGI) est la solution idéalisée que beaucoup imaginent lorsqu'ils pensent à l'IA. Alors que les chercheurs travaillent plus sur l'étroitesse et la superficialité, ils parlent de l'AGI, comme une représentation histoirique, d'une IA unique qui remonte aux années 1950, avec un renouveau au cours de la dernière décennie. L'AGI implique deux choses à propos d'une solution qui ne devraient pas s'appliquer à la résolution de problèmes centrés sur l'entreprise. Primo, un tel programme possède l'aptitude générale à l'intelligence humaine (voire toute l'intelligence humaine). Deuxio l'AGI peut résoudre des problèmes généraux ou remplir une ardoise vierge, ce qui signifie que toute connaissance d'un problème est rhétorique et indépendante d'une stratégie de résolution de ce problème[4]. Au lieu de cela, la connaissance dépend d'une aptitude vague et mal définie liée à la structure multidimensionnelle de l'intelligence naturelle. Si cela semble ostentatoire, c'est parce que c'est le cas.

La superintelligence artificielle (ASI) est un sous-produit de la réalisation de l'objectif de l'AGI. L'idée communément admise est que l'intelligence générale déclenchera une "explosion de l'intelligence" qui entraînera rapidement l'apparition de la superintelligence. On pense que l'ASI est "possible" en raison de l'auto-amélioration récursive, dont les limites ne sont limitées que par l'imagination débridée d'un programme. L'ASI s'accélère pour atteindre et dépasser rapidement l'intelligence collective de l'humanité. Le seul problème pour ASI est qu'il n'y a plus de problèmes. Quand ASI résout un problème, elle en demande un autre avec le dynamisme d'un Newton au berceau. Une accélération de ce type se demandera quelle est la prochaine étape à l'infini, jusqu'à ce que les lois de la physique ou de l'informatique théorique s'imposent.

Nick Bostrom, chercheur à l'Université d'Oxford, affirme que nous aurons atteint l'ASI lorsque les machines sont plus intelligentes que les meilleurs humains dans tous les domaines, y compris la créativité scientifique, la sagesse générale et les compétences sociales[5]. La description de l'ASI par Bostrom a une signification religieuse. Comme leurs homologues religieux, les adeptes de l'ASI prédisent même des dates précises auxquelles le second avènement révélera notre sauveur. Curieusement, Bostrom n'est pas en mesure d'expliquer comment créer une intelligence artificielle. Son argument est régressif et dépend de lui-même pour son explication. Qu'est-ce qui créera l'ASI ? Eh bien, l'AGI. Qui créera l'AGI ? Quelqu'un d'autre, bien sûr. Les catégories d'IA suggèrent un faux continuum à l'extrémité duquel se trouve l'ASI, et personne ne semble particulièrement contrarié par son ignorance. Cependant, le fanatisme est un processus d'innovation douteux.

Une partie de notre problème collectif lorsque nous parlons d'IA est que nous ancrons notre pensée dans des dichotomies prévalentes mais inutiles[6]. Les fausses dichotomies créent un sentiment artificiel qu'il existe une alternative. L'ANI, l'AGI et l'ASI suggèrent un faux équilibre entre diverses technologies en présentant plusieurs aspects d'un argument qui n'existe pas. Même si nous acceptons la définition de l'ANI et ignorons sa trivialité, l'AGI et l'ASI n'ont rien de convaincant. Mentionner quelque chose qui n'existera pas pour évaluer la technologie d'aujourd'hui avec un nom plus accrocheur comme ANI est étrange. Nous ne comparons pas les oiseaux aux griffons, les chevaux aux licornes ou les poissons aux serpents de mer. Pourquoi comparerions-nous (ou mettrions-nous à l'échelle) l'informatique à l'intelligence humaine ou à l'intelligence de tous les humains ?

Toute explication qui inclut l'AGI ou l'ASI déforme la réalité. L'ancrage est un biais cognitif dans lequel un individu se fie trop à un élément d'information initial (connu sous le nom d'"ancre") lorsqu'il prend des décisions. Des études ont montré qu'il est difficile d'éviter l'ancrage, même en le recherchant[7]. Même si nous reconnaissons que l'AGI et l'ASI sont significativement erronées ou mal placées, elles peuvent encore déformer la réalité et créer des désalignements. Nous ne devons pas nous laisser abuser par une fausse dichotomie et un faux équilibre.

L'IA ne se résume pas à trois choses. Ce n'est pas quelque chose qui s'échelonne en fonction de l'"intelligence" ou qui se range proprement dans trois catégories. Ces catégories ne délimitent pas des technologies spécifiques, ne mettent pas en évidence des domaines de recherche ou ne représentent pas un continuum où l'on commence par travailler sur l'ANI et où l'on termine avec l'ASI. Elles sont absurdes. L'IA est une chose : un objectif singulier et sans précédent de recréer l'intelligence ex nihilo. Cependant, cet objectif est en décalage permanent avec le monde des affaires.

Les objectifs commerciaux ne peuvent pas être totalisés et absorber tout ce qui les entoure, car la communication d'entreprise, qui comprend toutes les stratégies, n'est efficace que lorsqu'elle ne peut pas être mal comprise. À moins que vous n'envisagiez d'aligner votre entreprise sur l'objectif unique et sans précédent de l'IA, vous devez faire attention lorsque vous appelez vos objectifs "IA", car vous ne pouvez pas dire "IA" de nos jours si vous voulez être compris. Comme nous appelons de plus en plus de choses "IA", la tâche de communiquer un but et une direction devient encore plus difficile. Cependant, dire ANI, AGI ou ASI n'arrange pas les choses. Cela nuit à la communication. Le meilleur conseil que l'on puisse donner aux responsables techniques est d'éviter les faux continuums, les fausses dichotomies et les faux équilibres. Comme l'explique Jay Rosen, critique des médias, en empruntant une phrase au philosophe américain Thomas Nagel, "le faux équilibre est un point de vue de nulle part'".

Auteur: Heimann Richard

Info: 3 novembre 2022

[ limitation consumériste ] [ rationalisation restrictive ] [ normalisation commerciale ] [ délimitation normative ] [ bridage marchand ] [ chambre chinoise mercantile ] [ impossibilité holistique ]

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 ]