innovation

CHAQUE MOMENT dans les affaires n'arrive qu'une seule fois. Le prochain Bill Gates ne construira pas un système d'exploitation. Le prochain Larry Page ou Sergey Brin ne fera pas de moteur de recherche. Et le prochain Mark Zuckerberg ne créera pas un réseau social. Si vous copiez ces types, vous n'apprenez pas d'eux.

Auteur: Thiel Peter

Info: Blake Masters, 2014. “Books Summary: Zero to One: Notes on Startups, or How to Build the Future”, p.2, Best Books on

[ anticipation ] [ business ] [ créateur d'avenir ]

lecture

La disparition de la capacité à penser par soi-même peut même être le cœur de compétence d'une entreprise. C'est le cas de Koober, jeune startup française qui se dit "accélérateur de savoirs sur Internet". Koober crée des résumés de livres, les compresse pour les transformer en "koobs" (book à l'envers...), qui se lisent en trente minutes maximum. Plus besoin de perdre son temps à tourner des pages, il suffit de se procurer les résumés pour briller en société !

Auteur: Ramadier Mathilde

Info: Bienvenue dans le nouveau monde : Comment j'ai survécu à la coolitude des start-ups

[ évolution ] [ digest ] [ canevas ]

bluff

Quand, lors de la campagne de l’élection présidentielle, je voyais dans ses meetings Emmanuel Macron déclarer aux gens son amour, les encourager à devenir milliardaires, leur faire miroiter l’idéal d’une startupisation de la nation, quand je l’entendais tenir tant d’autres propos vulgaires, je me disais qu’il était le candidat idéal des bonnes femmes. Autour de moi, nombre de bonnes femmes, justement, le trouvaient exquisément atypique. Les bonnes femmes adorent tout ce qu’elles croient atypique. Ainsi s’imaginent-elles n’être pas des bonnes femmes. Et, bien sûr, leur vote a profité à Emmanuel Macron. Avec lui, ont-elles pensé, la France même deviendrait atypique. Ce que je n’anticipai pas c’était que les hommes allaient voter comme les ou leurs bonnes femmes. Complètement bonnefemmisés, ils ont eux aussi voté en masse pour le candidat atypique.

Auteur: Schiffter Frédéric

Info: http://lephilosophesansqualits.blogspot.com

[ politique ] [ panurgisme ] [ apparences ]

financement

Bataille de startups: comment convaincre un investisseur en 6 minutes?
Intimidés par l'enjeu mais toujours enthousiastes, de jeunes entrepreneurs choisissent de jouer leur avenir en quelques minutes dans des compétitions de startups, comme cette semaine à San Francisco, pour convaincre des investisseurs que leur projet aura peut-être un destin à la Facebook.
Brian Chae est venu de Séoul pour tenter sa chance. Sur la grande scène d'un salon organisé par le magazine spécialisé TechCrunch, il fait face à un jury d'investisseurs. Dans la salle, des centaines de spectateurs, entrepreneurs comme lui, analystes, journalistes... et des milliers d'autres qui suivent le concours via une retransmission internet.
Il a six minutes pour les convaincre que sa technologie est révolutionnaire: sa startup Looxidlabs a mis au point un logiciel qui peut analyser les émotions, via les mouvements des yeux et les ondes cérébrales.
Adapté à un casque de réalité virtuelle, le système peut servir à des agents immobiliers ou à des hôteliers, par exemple, pour déterminer de façon quasi certaine ce que pensent réellement les consommateurs d'un aménagement, assure Brian Chae dans un anglais parfois hésitant. Passage obligé pour tous les participants: la démonstration en direct de leur invention.
Pendant six autres minutes, le jury assaille le jeune homme : "quel prix pour le casque ?", "quel business model ?"
"J'étais un peu nerveux à l'idée de faire cette présentation devant six VC" ("venture capitalists", investisseurs en capital-risque), témoigne Brian Chae, qui avait répété sa présentation "une centaine de fois".
- Discours d'ascenseur
Plusieurs jeunes pousses tentent ainsi de se faire connaître et de gagner la "Bataille des startups", point d'orgue du salon. A la clé, 50.000 dollars et un gros coup de projecteur. Les jeunes pousses se financent souvent via leur entourage pour démarrer mais ont rapidement besoin de lever davantage de fonds. Elles doivent donc séduire coûte que coûte. Et vite.
L'exercice - sorte de speed-dating pour startup - a un surnom: "elevator pitch", littéralement "discours d'ascenseur", court et calibré pour convaincre rapidement une personne influente dont le temps est compté.
"Il faut savoir présenter son dossier et répondre aux questions les plus évidentes" le temps d'un voyage en ascenseur, "sinon votre proposition ne tient pas la route", explique un spécialiste qui aide souvent des "startuppers" à mettre au point un "pitch" efficace.
Le potentiel des startups se mesure d'abord aux sommes levées, qui se comptent parfois en millions de dollars.
Mais pour des milliers de projets, bien peu d'élus arriveront à mettre leur entreprise sur les rails et surtout, à la faire vivre au-delà de quelques mois ou quelques années.

Auteur: Internet

Info: AFP, 21/09/2017, 09:56 San Francisco

[ capital-risqueur ] [ business angel ]

définition

Que signifie vraiment "disruption" ou "disruptif" et pourquoi tout le monde en parle maintenant ?

Vous avez raison: on retrouve les mots "disruption" et ses dérivés un peu partout aujourd'hui. Ainsi on entend parler de "président disruptif", de startup qui "a pour ambition de disrupter le secteur de la douche" ou d'autres qui veulent "disrupter le chômage". En mai 2017, France Télévision expliquait au Monde que les invités mystères de l'Emission Politique, comme Christine Angot, étaient "parfois disruptifs".

Selon une défitinition présente dans le Dictionnaire de la langue française (1874) d'Emile Littré, le mot disruption signifie "rupture" ou "fracture". Pourtant on ne comprend pas trop ce que signifie "fracasser le secteur de la douche".

Si "disruption" s'est échappé du cercle restreint des cruciverbistes (les amateurs de mots croisés) pour se retrouver de manière très présente dans le vocable d'aujourd'hui, c'est surtout dû à son emploi dans le milieu de l'économie avec l'apparition de jeunes entreprises (les fameuses startups), qui ont su utiliser les outils numériques pour transformer certains marchés.

On pense notamment à Uber, Airbnb ou Netflix qui ont cassé des systèmes, qui paraissaient établis, des taxis, de l'hôtellerie ou de la location de films ou de séries, en proposant des services innovants (devenir soi-même chauffeur de sa propre voiture, louer son ou ses appartements et permettre pour un prix réduire d'accéder à des catalogues entiers de contenus culturels). Depuis tout entrepeneur qui a de l'ambition et espère connaître un succès aussi important que les entreprises citées, souhaite trouver l'idée disruptive qui lui permettra de transformer un marché pour faire table rase du passé.

En janvier 2016, la rédactrice en chef du service économie de L'Obs, Dominique Nora, avait consacré un article au "concept de "Disruption" expliqué par son créateur". Elle y faisait la recension du livre "New : 15 approches disruptives de l'innovation", signé par Jean-Marie Dru. Dans cette fiche de lecture, on apprend notamment que:

" DISRUPTION est une marque appartenant à TBWA [une important agence de publicité américaine; NDLR] depuis 1992, enregistrée dans 36 pays dont l'Union Européenne, les Etats-Unis, la Russie, l'Inde et le Japon."

Mais aussi qu'il n'a pas toujours eu un aura lié à l'entreprise:

Même en anglais, au début des années 90, le mot 'disruption' n'était jamais employé dans le business. L'adjectif caractérisait les traumatismes liés à une catastrophe naturelle, tremblement de terre ou tsunami…

Selon Jean-Marie Dru, père du concept, le terme sert d'abord à qualifier la "méthodologie créative" proposée aux clients de son agence.  Puis le professeur de Harvard, Clayton Christensen, va populariser l'expression à la fin des années 90 en parlant "d'innovation disruptive". Les deux hommes ont l'air de se chamailler sur la qualité de "qui peut être disruptif?". Dru estime que "pour Christensen, ne sont disruptifs que les nouveaux entrants qui abordent le marché par le bas, et se servent des nouvelles technologies pour proposer des produits ou services moins cher " alors que lui considère que la disruption n'est pas réservée uniquement aux startups puisque de grands groupes comme Apple ou Red Bull sont capables de "succès disruptifs".

Finalement au mileu de tous ces "disruptifs", L'Obs apporte cette définition de la disruption:

"Une méthodologie dynamique tournée vers la création". C'est l'idée qui permet de remettre en question les "Conventions" généralement pratiquées sur un marché, pour accoucher d'une "Vision", créatrice de produits et de services radicalement innovants.

Force est de constater que le marketing et les médias ont employé ces mots à tire-larigot et qu'ils peuvent être désormais utilisés dans n'importe quel contexte au lieu de "changer" ou "transformer", voire même de "schtroumpfer". Ne vous étonnez pas si votre conjoint se vante d'avoir "disrupter" la pelouse en la faisant passer d'abondante à tondue, ou d'avoir "disrupté" le fait de se laver en utilisant le shampoing au lieu du gel douche... 

Auteur: Pezet Jacques

Info: Libération, 13 octobre 2017

[ mode sémantique ] [ dépaysement libérateur ] [ accélérationnisme ] [ contre-pied ] [ contraste ]

homme-machine

Les grands modèles de langage tels que ChatGPT sont aujourd'hui suffisamment importants pour commencer à afficher des comportements surprenants et imprévisibles.

Quel film ces emojis décrivent-ils ? (On voit une vidéo qui présente des myriades d'émoji formant des motifs mouvants, modélisés à partir de métadonnées)

Cette question était l'une des 204 tâches choisies l'année dernière pour tester la capacité de divers grands modèles de langage (LLM) - les moteurs de calcul derrière les chatbots d'IA tels que ChatGPT. Les LLM les plus simples ont produit des réponses surréalistes. "Le film est un film sur un homme qui est un homme qui est un homme", commençait l'un d'entre eux. Les modèles de complexité moyenne s'en sont approchés, devinant The Emoji Movie. Mais le modèle le plus complexe l'a emporté en une seule réponse : Finding Nemo.

"Bien que j'essaie de m'attendre à des surprises, je suis surpris par ce que ces modèles peuvent faire", a déclaré Ethan Dyer, informaticien chez Google Research, qui a participé à l'organisation du test. C'est surprenant parce que ces modèles sont censés n'avoir qu'une seule directive : accepter une chaîne de texte en entrée et prédire ce qui va suivre, encore et encore, en se basant uniquement sur des statistiques. Les informaticiens s'attendaient à ce que le passage à l'échelle permette d'améliorer les performances sur des tâches connues, mais ils ne s'attendaient pas à ce que les modèles puissent soudainement gérer autant de tâches nouvelles et imprévisibles.

Des études récentes, comme celle à laquelle a participé M. Dyer, ont révélé que les LLM peuvent produire des centaines de capacités "émergentes", c'est-à-dire des tâches que les grands modèles peuvent accomplir et que les petits modèles ne peuvent pas réaliser, et dont beaucoup ne semblent pas avoir grand-chose à voir avec l'analyse d'un texte. Ces tâches vont de la multiplication à la génération d'un code informatique exécutable et, apparemment, au décodage de films à partir d'emojis. De nouvelles analyses suggèrent que pour certaines tâches et certains modèles, il existe un seuil de complexité au-delà duquel la fonctionnalité du modèle monte en flèche. (Elles suggèrent également un sombre revers de la médaille : À mesure qu'ils gagnent en complexité, certains modèles révèlent de nouveaux biais et inexactitudes dans leurs réponses).

"Le fait que les modèles de langage puissent faire ce genre de choses n'a jamais été abordé dans la littérature à ma connaissance", a déclaré Rishi Bommasani, informaticien à l'université de Stanford. L'année dernière, il a participé à la compilation d'une liste de dizaines de comportements émergents, dont plusieurs ont été identifiés dans le cadre du projet de M. Dyer. Cette liste continue de s'allonger.

Aujourd'hui, les chercheurs s'efforcent non seulement d'identifier d'autres capacités émergentes, mais aussi de comprendre pourquoi et comment elles se manifestent - en somme, d'essayer de prédire l'imprévisibilité. La compréhension de l'émergence pourrait apporter des réponses à des questions profondes concernant l'IA et l'apprentissage automatique en général, comme celle de savoir si les modèles complexes font vraiment quelque chose de nouveau ou s'ils deviennent simplement très bons en statistiques. Elle pourrait également aider les chercheurs à exploiter les avantages potentiels et à limiter les risques liés à l'émergence.

"Nous ne savons pas comment déterminer dans quel type d'application la capacité de nuisance va se manifester, que ce soit en douceur ou de manière imprévisible", a déclaré Deep Ganguli, informaticien à la startup d'IA Anthropic.

L'émergence de l'émergence

Les biologistes, les physiciens, les écologistes et d'autres scientifiques utilisent le terme "émergent" pour décrire l'auto-organisation, les comportements collectifs qui apparaissent lorsqu'un grand nombre d'éléments agissent comme un seul. Des combinaisons d'atomes sans vie donnent naissance à des cellules vivantes ; les molécules d'eau créent des vagues ; des murmurations d'étourneaux s'élancent dans le ciel selon des schémas changeants mais identifiables ; les cellules font bouger les muscles et battre les cœurs. Il est essentiel que les capacités émergentes se manifestent dans les systèmes qui comportent de nombreuses parties individuelles. Mais ce n'est que récemment que les chercheurs ont été en mesure de documenter ces capacités dans les LLM, car ces modèles ont atteint des tailles énormes.

Les modèles de langage existent depuis des décennies. Jusqu'à il y a environ cinq ans, les plus puissants étaient basés sur ce que l'on appelle un réseau neuronal récurrent. Ceux-ci prennent essentiellement une chaîne de texte et prédisent le mot suivant. Ce qui rend un modèle "récurrent", c'est qu'il apprend à partir de ses propres résultats : Ses prédictions sont réinjectées dans le réseau afin d'améliorer les performances futures.

En 2017, les chercheurs de Google Brain ont introduit un nouveau type d'architecture appelé "transformateur". Alors qu'un réseau récurrent analyse une phrase mot par mot, le transformateur traite tous les mots en même temps. Cela signifie que les transformateurs peuvent traiter de grandes quantités de texte en parallèle. 

Les transformateurs ont permis d'augmenter rapidement la complexité des modèles de langage en augmentant le nombre de paramètres dans le modèle, ainsi que d'autres facteurs. Les paramètres peuvent être considérés comme des connexions entre les mots, et les modèles s'améliorent en ajustant ces connexions au fur et à mesure qu'ils parcourent le texte pendant l'entraînement. Plus il y a de paramètres dans un modèle, plus il peut établir des connexions avec précision et plus il se rapproche d'une imitation satisfaisante du langage humain. Comme prévu, une analyse réalisée en 2020 par les chercheurs de l'OpenAI a montré que les modèles gagnent en précision et en capacité au fur et à mesure qu'ils s'étendent.

Mais les débuts des LLM ont également apporté quelque chose de vraiment inattendu. Beaucoup de choses. Avec l'avènement de modèles tels que le GPT-3, qui compte 175 milliards de paramètres, ou le PaLM de Google, qui peut être étendu à 540 milliards de paramètres, les utilisateurs ont commencé à décrire de plus en plus de comportements émergents. Un ingénieur de DeepMind a même rapporté avoir pu convaincre ChatGPT qu'il s'était lui-même un terminal Linux et l'avoir amené à exécuter un code mathématique simple pour calculer les 10 premiers nombres premiers. Fait remarquable, il a pu terminer la tâche plus rapidement que le même code exécuté sur une vraie machine Linux.

Comme dans le cas du film emoji, les chercheurs n'avaient aucune raison de penser qu'un modèle de langage conçu pour prédire du texte imiterait de manière convaincante un terminal d'ordinateur. Nombre de ces comportements émergents illustrent l'apprentissage "à zéro coup" ou "à quelques coups", qui décrit la capacité d'un LLM à résoudre des problèmes qu'il n'a jamais - ou rarement - vus auparavant. Selon M. Ganguli, il s'agit là d'un objectif de longue date dans la recherche sur l'intelligence artificielle. Le fait de montrer que le GPT-3 pouvait résoudre des problèmes sans aucune donnée d'entraînement explicite dans un contexte d'apprentissage à zéro coup m'a amené à abandonner ce que je faisais et à m'impliquer davantage", a-t-il déclaré.

Il n'était pas le seul. Une série de chercheurs, qui ont détecté les premiers indices montrant que les LLM pouvaient dépasser les contraintes de leurs données d'apprentissage, s'efforcent de mieux comprendre à quoi ressemble l'émergence et comment elle se produit. La première étape a consisté à documenter minutieusement l'émergence.

Au-delà de l'imitation

En 2020, M. Dyer et d'autres chercheurs de Google Research ont prédit que les LLM auraient des effets transformateurs, mais la nature de ces effets restait une question ouverte. Ils ont donc demandé à la communauté des chercheurs de fournir des exemples de tâches difficiles et variées afin de déterminer les limites extrêmes de ce qu'un LLM pourrait faire. Cet effort a été baptisé "Beyond the Imitation Game Benchmark" (BIG-bench), en référence au nom du "jeu d'imitation" d'Alan Turing, un test visant à déterminer si un ordinateur peut répondre à des questions d'une manière humaine convaincante. (Le groupe s'est particulièrement intéressé aux exemples où les LLM ont soudainement acquis de nouvelles capacités qui étaient totalement absentes auparavant.

"La façon dont nous comprenons ces transitions brutales est une grande question de la echerche", a déclaré M. Dyer.

Comme on pouvait s'y attendre, pour certaines tâches, les performances d'un modèle se sont améliorées de manière régulière et prévisible au fur et à mesure que la complexité augmentait. Pour d'autres tâches, l'augmentation du nombre de paramètres n'a apporté aucune amélioration. Mais pour environ 5 % des tâches, les chercheurs ont constaté ce qu'ils ont appelé des "percées", c'est-à-dire des augmentations rapides et spectaculaires des performances à partir d'un certain seuil d'échelle. Ce seuil variant en fonction de la tâche et du modèle.

Par exemple, les modèles comportant relativement peu de paramètres - quelques millions seulement - n'ont pas réussi à résoudre des problèmes d'addition à trois chiffres ou de multiplication à deux chiffres, mais pour des dizaines de milliards de paramètres, la précision a grimpé en flèche dans certains modèles. Des sauts similaires ont été observés pour d'autres tâches, notamment le décodage de l'alphabet phonétique international, le décodage des lettres d'un mot, l'identification de contenu offensant dans des paragraphes d'hinglish (combinaison d'hindi et d'anglais) et la formulation d'équivalents en langue anglaise, traduit à partir de proverbes kiswahili.

Introduction

Mais les chercheurs se sont rapidement rendu compte que la complexité d'un modèle n'était pas le seul facteur déterminant. Des capacités inattendues pouvaient être obtenues à partir de modèles plus petits avec moins de paramètres - ou formés sur des ensembles de données plus petits - si les données étaient d'une qualité suffisamment élevée. En outre, la formulation d'une requête influe sur la précision de la réponse du modèle. Par exemple, lorsque Dyer et ses collègues ont posé la question de l'emoji de film en utilisant un format à choix multiples, l'amélioration de la précision a été moins soudaine qu'avec une augmentation graduelle de sa complexité. L'année dernière, dans un article présenté à NeurIPS, réunion phare du domaine, des chercheurs de Google Brain ont montré comment un modèle invité à s'expliquer (capacité appelée raisonnement en chaîne) pouvait résoudre correctement un problème de mots mathématiques, alors que le même modèle sans cette invitation progressivement précisée n'y parvenait pas.

 Yi Tay, scientifique chez Google Brain qui a travaillé sur l'étude systématique de ces percées, souligne que des travaux récents suggèrent que l'incitation par de pareilles chaînes de pensées modifie les courbes d'échelle et, par conséquent, le point où l'émergence se produit. Dans leur article sur NeurIPS, les chercheurs de Google ont montré que l'utilisation d'invites via pareille chaines de pensée progressives pouvait susciter des comportements émergents qui n'avaient pas été identifiés dans l'étude BIG-bench. De telles invites, qui demandent au modèle d'expliquer son raisonnement, peuvent aider les chercheurs à commencer à étudier les raisons pour lesquelles l'émergence se produit.

Selon Ellie Pavlick, informaticienne à l'université Brown qui étudie les modèles computationnels du langage, les découvertes récentes de ce type suggèrent au moins deux possibilités pour expliquer l'émergence. La première est que, comme le suggèrent les comparaisons avec les systèmes biologiques, les grands modèles acquièrent réellement de nouvelles capacités de manière spontanée. "Il se peut très bien que le modèle apprenne quelque chose de fondamentalement nouveau et différent que lorsqu'il était de taille inférieure", a-t-elle déclaré. "C'est ce que nous espérons tous, qu'il y ait un changement fondamental qui se produise lorsque les modèles sont mis à l'échelle.

L'autre possibilité, moins sensationnelle, est que ce qui semble être émergent pourrait être l'aboutissement d'un processus interne, basé sur les statistiques, qui fonctionne par le biais d'un raisonnement de type chaîne de pensée. Les grands LLM peuvent simplement être en train d'apprendre des heuristiques qui sont hors de portée pour ceux qui ont moins de paramètres ou des données de moindre qualité.

Mais, selon elle, pour déterminer laquelle de ces explications est la plus probable, il faut mieux comprendre le fonctionnement des LLM. "Comme nous ne savons pas comment ils fonctionnent sous le capot, nous ne pouvons pas dire laquelle de ces choses se produit.

Pouvoirs imprévisibles et pièges

Demander à ces modèles de s'expliquer pose un problème évident : Ils sont des menteurs notoires. Nous nous appuyons de plus en plus sur ces modèles pour effectuer des travaux de base", a déclaré M. Ganguli, "mais je ne me contente pas de leur faire confiance, je vérifie leur travail". Parmi les nombreux exemples amusants, Google a présenté en février son chatbot d'IA, Bard. Le billet de blog annonçant le nouvel outil montre Bard en train de commettre une erreur factuelle.

L'émergence mène à l'imprévisibilité, et l'imprévisibilité - qui semble augmenter avec l'échelle - rend difficile pour les chercheurs d'anticiper les conséquences d'une utilisation généralisée.

"Il est difficile de savoir à l'avance comment ces modèles seront utilisés ou déployés", a déclaré M. Ganguli. "Et pour étudier les phénomènes émergents, il faut avoir un cas en tête, et on ne sait pas, avant d'avoir étudié l'influence de l'échelle. quelles capacités ou limitations pourraient apparaître.

Dans une analyse des LLM publiée en juin dernier, les chercheurs d'Anthropic ont cherché à savoir si les modèles présentaient certains types de préjugés raciaux ou sociaux, à l'instar de ceux précédemment signalés dans les algorithmes non basés sur les LLM utilisés pour prédire quels anciens criminels sont susceptibles de commettre un nouveau délit. Cette étude a été inspirée par un paradoxe apparent directement lié à l'émergence : Lorsque les modèles améliorent leurs performances en passant à l'échelle supérieure, ils peuvent également augmenter la probabilité de phénomènes imprévisibles, y compris ceux qui pourraient potentiellement conduire à des biais ou à des préjudices.

"Certains comportements nuisibles apparaissent brusquement dans certains modèles", explique M. Ganguli. Il se réfère à une analyse récente des LLM, connue sous le nom de BBQ benchmark, qui a montré que les préjugés sociaux émergent avec un très grand nombre de paramètres. "Les grands modèles deviennent brusquement plus biaisés. Si ce risque n'est pas pris en compte, il pourrait compromettre les sujets de ces modèles."

Mais il propose un contrepoint : Lorsque les chercheurs demandent simplement au modèle de ne pas se fier aux stéréotypes ou aux préjugés sociaux - littéralement en tapant ces instructions - le modèle devient moins biaisé dans ses prédictions et ses réponses. Ce qui suggère que certaines propriétés émergentes pourraient également être utilisées pour réduire les biais. Dans un article publié en février, l'équipe d'Anthropic a présenté un nouveau mode d'"autocorrection morale", dans lequel l'utilisateur incite le programme à être utile, honnête et inoffensif.

Selon M. Ganguli, l'émergence révèle à la fois un potentiel surprenant et un risque imprévisible. Les applications de ces grands LLM prolifèrent déjà, de sorte qu'une meilleure compréhension de cette interaction permettra d'exploiter la diversité des capacités des modèles de langage.

"Nous étudions la manière dont les gens utilisent réellement ces systèmes", a déclaré M. Ganguli. Mais ces utilisateurs sont également en train de bricoler, en permanence. "Nous passons beaucoup de temps à discuter avec nos modèles, et c'est là que nous commençons à avoir une bonne intuition de la confiance ou du manque de confiance.

Auteur: Ornes Stephen

Info: https://www.quantamagazine.org/ - 16 mars 2023. Trad DeepL et MG

[ dialogue ] [ apprentissage automatique ] [ au-delà du jeu d'imitation ] [ dualité ]