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 ]

non-voyant

Le monde tel que l'imaginent ceux qui n'ont jamais vu. (II)

Imaginer les couleurs

L'épineuse question des couleurs offre un autre exemple du "fossé perceptif" qui sépare voyants et aveugles de naissance. Les voyants s'imaginent souvent qu'il leur suffit de fermer les yeux pour se représenter la perception d'un aveugle. En réalité, ce n'est pas parce que nous fermons les yeux que nos yeux cessent de voir : le noir qui nous apparaît n'est rien d'autre que la couleur de nos paupières closes. Il en va tout autrement pour la plupart des aveugles, et à plus forte raison pour les aveugles de naissance. Comme il leur serait difficile de nous expliquer leur perception du monde, tant elle relève pour eux de l'évidence, le mieux est encore de nous tourner vers quelqu'un qui a vu avant de ne plus voir et qui, de ce fait, dispose d'un point de comparaison.

Jean-Marc Meyrat, devenu aveugle à l'âge de 8 ans, raconte son passage du monde des voyants dans celui des aveugles en ces termes : "Cela s'est fait très progressivement. Ce glissement presque impalpable s'est matérialisé par le déplacement de ma chaise de plus en plus près de l'écran de la télévision. Vers la fin du processus, je suis entré dans une sorte de zone grise qui s'est peu à peu assombrie pour virer au noir avant de disparaître. Puis, plus rien. La persistance de la couleur noire, parfois entrecoupée d'éblouissements, peut durer plus ou moins longtemps. Ceci est d'autant plus vrai si la cécité est intervenue brutalement. Après, plus rien, je ne peux pas dire mieux : plus rien.

Voilà qui pose un sérieux problème à ceux que le noir fascine et que la notion de rien effraie.". C'est l'image traditionnelle de l'aveugle errant dans les ténèbres qui se trouve ici battue en brèche... Certains aveugles tardifs regrettent de n'avoir pas même la perception du noir : ainsi, l'écrivain Jorge Luis Borges, devenu aveugle au cours de sa vie, affirmait que le noir lui manquait surtout au moment d'aller se coucher, lui qui avait pris l'habitude de s'endormir dans l'obscurité la plus complète...

Qu'est-ce que c'est que de ne rien voir ? En réalité, il est aussi difficile pour un aveugle de naissance de se représenter les couleurs que pour un voyant d'imaginer une perception absolument dénuée de couleurs, où l'on ne trouve pas même de noir et blanc, ni aucune nuance intermédiaire : autant chercher à imaginer un désert sans sol ni ciel, ou ce fameux couteau dont parle Lichtenberg, dépourvu de lame et auquel manque le manche. "Les gens s'imaginent les choses par rapport à ce qu'ils connaissent, remarque Christine Cloux. Nous qui entendons, nous imaginons à tort que les sourds de naissance sont plongés dans le silence. Or, pour connaître le silence il faut connaître le bruit, ce qui est notre cas mais pas celui des sourds, qui ne connaissent pas plus le bruit que son absence. Ce qu'ils connaissent, c'est un monde privé de ces notions."

Ces considérations posent tout de même plusieurs problèmes logiques : comment un aveugle peut-il se représenter l'image spatiale d'un objet, en considérant qu'il n'a pas même deux couleurs différentes à sa disposition pour distinguer l'objet du fond ? Il suffirait pourtant de nous remémorer certaines images qui nous viennent en rêve, ou en pensée : par exemple, nous voyons l'image d'une femme, mais nous sommes bien incapables de dire quelle est la couleur ou la forme exacte de sa robe. L'image mentale du voyant a rarement la précision d'une image photographique... Ces couleurs flottantes, ces formes incertaines, peuvent sans doute nous donner un aperçu des images non visuelles de l'aveugle. Si les couleurs sont inaccessibles aux sens de l'aveugle, cela ne l'empêche pas de tenter de se les représenter.

"Ca n'empêche même pas d'avoir des préférences, fait remarquer Sophie Massieu. Je m'habille en fonction de ce que j'imagine de la couleur en question. Par exemple, je ne porte jamais de jaune. Allez savoir ce qu'il m'a fait ce pauvre jaune...". "Je me suis créée des représentations mentales des couleurs, exactement comme je me représente les idées ou les concepts qui ne se voient pas, comme un atome par exemple..." explique Christine Cloux.

Mais d'où viennent ces représentations mentales exactement ? Pour la plupart, des commentaires des voyants : "Un jour une copine est arrivée vers moi en s'écriant : "Ouah ! Du rouge ! Ca te va super bien !" D'autres ont confirmé et depuis ce moment-là j'achète plus souvent du rouge.", raconte Christine. Parfois, la couleur peut évoquer à l'aveugle de naissance un souvenir précis : Sophie Massieu associe le bleu Majorelle à un après-midi passé dans le jardin Majorelle à Marrakech. Certains aveugles associeront le noir à la tristesse s'ils ont porté du noir pendant un enterrement, le blanc à la gaieté, puisqu'ils savent que c'est la couleur dont se parent les mariées et les communiants... La couleur dépose son image dans la mémoire affective et non dans la mémoire sensorielle ; le mot s'imprègne de l'émotion, comme un buvard. "Cela rend la sensation plus épaisse." explique Sophie.

Dans ce domaine éminemment subjectif, les "glissements sensoriels" sont légion. Il arrive fréquemment que l'aveugle de naissance prête aux couleurs les propriétés tactiles des objets qui leur sont couramment associés : par exemple, si en se vautrant dans le gazon, l'aveugle en a apprécié la douceur et la mollesse, il attribuera désormais au vert ses propriétés ; de même, le rouge brûle puisque c'est le feu, le blanc est froid comme la neige... L'aveugle de naissance n'hésite jamais à puiser dans des termes empruntés aux autres sens pour décrire l'image qu'il se fait des couleurs. Christine Cloux vous dira que le blanc lui semble "très aérien, léger, comme de la glace, très pur, peut-être parfois trop", alors que le noir lui paraît au contraire "presque encombrant, étouffant".

A ce petit jeu, la langue est pour l'aveugle un vivier de métaphores et d'associations verbales précieuses : ne dit-on pas un éclat tapageur, une teinte agressive ou insolente, un rose fade ? Ecrivains et poètes ne parlent-ils pas de "l'épaisseur des ténèbres", de "ruissellements de lumières" ? La mémoire tactile de l'aveugle est alors à même de lui fournir des repères, aussi abstraits soient-ils. Quand elle lit ou entend les termes "une forêt obscure", Christine Cloux s'imagine "que la forêt est très dense, qu'il y fait frisquet, voire franchement froid parce que le soleil ne passe pas... "Le rayonnement de la chaleur donne une idée très nette à l'aveugle de ce que peut-être le rayonnement de la lumière (on parle d'ailleurs d'une lumière douce et pénétrante...).

Parfois, l'image que l'aveugle se fait d'une couleur se fonde simplement sur le mot qui la désigne. "Enfant, le jaune m'évoquait un clown en train de jouer de la trompette, parce que je trouvais le mot amusant et que je savais que c'est une couleur gaie, voire criarde, explique Christine Cloux. C'est jaune, yellow, gelb... ou même giallo. Ces sonorités participent à ma représentation de cette couleur.". Ce faisant, l'aveugle se comporte en quelque sorte en "cratylien"- du nom de Cratyle, cet interlocuteur de Socrate qui professait que la sonorité des mots pouvait nous renseigner sur la nature même de ce qu'ils désignent.

Un voyant, pourtant, sait bien qu'il est hasardeux de tenter d'établir un lien entre le nom d'une couleur et la couleur elle-même... Et cependant, n'agissons-nous pas de manière analogue quand nous imaginons une ville ou un pays où nous ne sommes jamais allés et dont nous ne savons rien, en nous fondant sur la sonorité de son nom ? Des noms tels que Constantinople, Byzance ou Marrakech ne charrient-ils pas déjà un flot d'images abstraites considérables rien que par leurs propriétés auditives, indépendamment même des images visuelles précises qu'on leur accole ? La plupart des aveugles de naissance n'hésitent pas à puiser dans les impressions auditives pour se représenter les couleurs : "Je me représente le spectre des diverses couleurs un peu comme l'échelle des sons - l'échelle des couleurs est simplement plus grande et plus complexe à se représenter." explique Christine Cloux.

La comparaison n'est pas insensée : couleurs et sons ont en commun de se définir par une certaine fréquence (hauteur pour le son, teinte pour la couleur), une certaine pureté (timbre pour le son, saturation pour la couleur), une certaine intensité (force pour le son, valeur ou luminosité pour la couleur)... Cela explique peut-être les fréquentes associations verbales entre l'ouïe et la vue dans le langage courant : ne parle-t-on pas d'un rouge criard, d'une gamme de couleur, du ton d'un tissu, d'une voix blanche ?

Pour Christine Cloux, si les couleurs émettaient du son, "le jaune, l'orange et le rouge nous casseraient les oreilles alors que le bleu par exemple ferait un bruit aussi soutenu mais moins fort, avec le vert." Cette croyance selon laquelle il pourrait exister une correspondance directe entre la sensation auditive et la sensation visuelle n'est pas propre aux aveugles, elle a longtemps hanté l'oeuvre des symbolistes et des romantiques, et des artistes en général : qu'on songe aux Synesthésies de Baudelaire ("les parfums, les couleurs et les sons se répondent" dans le poème Correspondances), à Rimbaud cherchant à assigner une couleur à chaque voyelle ("A noir, E blanc, I rouge"...), ou à cette très sérieuse table de concordance entre voyelles, couleurs et instruments que tenta d'établir René Ghil, un disciple de Mallarmé, ou encore au plasticien Nicolas Schöffer qui mit des sons en couleur... Bien qu'on sente ce qu'il entre de rêverie poétique dans cette croyance, on ne peut s'empêcher d'imaginer que, si les divers stimuli sensoriels n'étaient que les différents dialectes d'une même langue, toutes sortes de traductions deviendraient possibles...

Que vienne le temps du traducteur couleurs/sons qui permettrait de traduire un tableau de Van Gogh en symphonie ! Imaginer l'art La seule chose que les aveugles de naissance savent des peintres, c'est ce qu'on a bien voulu leur en dire - or le langage est évidemment inapte à rendre compte de ce qui fait la spécificité de cet art. Là encore, l'aveugle doit trouver des analogies où il peut : Christine Cloux imagine la peinture impressionniste en se fondant sur l'impressionnisme musical et littéral, la peinture cubiste en pensant au style de Gertrude Stein - elle imagine les personnages peints par Picasso comme "des corps dont on aurait" découpé" les diverses parties pour les reconstituer n'importe comment.", mais ajoute aussitôt "Je n'aime pas le désordre, ça ne me parle pas.". Quand on lui demande ce que lui évoque une oeuvre comme le Carré blanc sur fond blanc de Malevitch, il lui semble que "ce doit être beau, presque intangible et cependant... Comme une porte d'entrée." 

Natacha de Montmollin est plus sceptique : "Je ne vois pas l'intérêt.". La peinture l'indiffère - Escher est le seul dessinateur dont elle se soit forgée une image précise : "sa technique m'intrigue". Etrange, si l'on considère que les dessins d'Escher reposent la plupart du temps sur des illusions optiques, des perspectives truquées qui, par essence, ne peuvent tromper qu'un voyant... Quel rapport les aveugles de naissance entretiennent-ils avec un art comme la poésie ? Sophie Massieu avoue qu'elle n'y est pas très sensible. "Je ne sais pas si ça relève de mon caractère ou de ma cécité... Peut-être qu'il y a une part de l'image qui m'échappe... "Christine Cloux, pour sa part, ne considère pas que la cécité soit une entrave pour apprécier un poème : selon elle, les images poétiques font autant - si ce n'est davantage - appel à la mémoire affective qu'à la mémoire sensorielle. "Peut-être que parfois je perçois une métaphore un peu autrement que quelqu'un d'autre, mais c'est le cas pour chacun de nous, je pense. Nous comprenons les figures de styles avec notre monde de référence.". Le rapport à l'art de certains aveugles de naissance semble parfois tenir du besoin vital : "C'est une expérience très riche dont je ne saurais me passer, explique Christine Cloux. J'ai peut-être d'autant plus besoin de l'art que je n'ai pas les images "extérieures à moi"".

Si l'aveugle de naissance exige davantage de l'art que le commun des voyants, c'est peut-être parce qu'il attend de lui qu'il lui restitue les beautés de la nature dont la cécité l'a privé. Oscar Wilde, pour expliquer à quel point l'oeuvre d'un artiste pouvait déteindre sur notre vision du monde, disait que ce n'est pas l'art qui imite la nature mais la nature qui imite l'art. Cette phrase a une pertinence toute particulière dans le cas de l'aveugle de naissance, car tout ce qu'il lit à propos de la nature, dans les poèmes ou dans les romans, se mêle intimement dans son imaginaire à la représentation qu'il s'en fait dans la vie de tous les jours - et cette représentation a sans doute plus à voir avec une transfiguration artistique, infiniment subjective, qu'avec, par exemple, une reproduction photographique un peu floue... Imaginer la nature D'une façon générale, la nature - tout du moins sa face visible - constitue pour l'aveugle de naissance une source inépuisable de curiosités. Certains phénomènes auxquels les voyants sont accoutumés demeurent pour lui un mystère - notamment les plus insubstantiels, ceux qu'il ne peut connaître par le toucher. "Un gaz... on risque de ne pas le voir. En revanche on voit la vapeur, ce qui est un peu étrange puisque l'eau est transparente, et pourtant, vous la voyez tout de même... Je le comprends en théorie mais c'est quand même bizarre." avoue Christine Cloux.

La transparence fait partie des notions difficiles à concevoir quand on ignore ce qu'est l'opacité visuelle - en témoigne la fascination qu'exercent les poissons sur de ce jeune aveugle de naissance, interrogé par Sophie Calle (dans le catalogue de l'exposition M'as-tu vue) : "C'est leur évolution dans l'eau qui me plaît, l'idée qu'ils ne sont rattachés à rien. Des fois, je me prends à rester debout des minutes entières devant un aquarium, debout comme un imbécile.". Un autre (toujours cité par Sophie Calle) tente de se représenter les miroitements de la mer : "On m'a expliqué que c'est bleu, vert, que les reflets avec le soleil font mal aux yeux. Cela doit être douloureux à regarder." Certaines reproductions peuvent donner à l'aveugle de naissance une idée approximative de certains phénomènes insubstantiels. Une femme (interrogée par Jane Hervé) se souvient d'un bas-relief du Moyen-Âge : "Il représentait le feu, avec des flammes en pointe comme des épées. Des flammes en pierre. J'étais éblouie. Des stries dans tous les sens, des nervures sur un flanc de rocher. Je n'avais aucune idée de la façon dont on pouvait représenter une flamme. Je ne savais pas que l'on pouvait toucher du feu".

Les aveugles de naissance n'en demeurent pas moins les premiers à reconnaître l'insuffisance de ces palliatifs, qui les induisent parfois d'avantage en erreur qu'ils ne les renseignent vraiment. "Les étoiles, on en a tous dessiné, alors ça empiète sur l'imagination, remarque Christine Cloux. Sauf que les vraies étoiles doivent avoir bien d'autres formes encore..." La difficulté à se représenter un phénomène proprement visuel, quand elle n'arrête pas un aveugle, peut au contraire aiguillonner sa curiosité. Il semble en effet que, pour certains d'entre eux, comme d'ailleurs pour quantité de voyants, moins une chose leur est accessible et plus elle les fascine. Une notion comme l'horizon, par exemple, laisse Christine Cloux rêveuse : "L'horizon, c'est là où la vue ne peut pas aller plus loin. C'est le sens de l'expression "à perte de vue", littéralement. C'est une limite, poétique pour moi... Instinctivement cela m'évoque la mer, le soleil, les océans. L'espace, l'infini presque, la liberté, l'évasion.". Le spectacle des plaines s'étendant à perte de vue, des montagnes dont les sommets se perdent dans les nuages ou des vallées s'abîmant dans des gouffres vertigineux, demeure l'apanage de la vue, mais certaines impressions auditives peuvent en donner de puissants équivalents à l'aveugle. Face à la mer, le bruit de la vague qui vient de loin lui permet de composer, à partir d'images spatiales finies, "une vision indéfinie qui peut lui donner la sensation de l'infini" (Pierre Villey). "Sur un rivage, je me concentre sur le bruit des vagues à en avoir le vertige, et je me livre toute entière à l'instant présent."confie Sophie Massieu.

A la montagne, des bruits légers transportés à de grandes distances, dont l'écho se répercute pendant de longues secondes, élargissent "l'horizon" de l'aveugle dans toutes les directions à la fois. L'aveugle est en outre affranchi de certains aléas liés à l'altitude : "Je ne pense pas que je puisse avoir le vertige, dans la mesure où il me semble qu'il s'agit d'un phénomène en relation avec la vue. "explique Daniel Baud (66 ans, retraité). Christine Cloux assure même aimer "la sensation de vide au bord d'une falaise.". Certains aveuglent de naissance aiment particulièrement se confronter à l'immensité des grands espaces : "Les espaces infinis, je suis allée dans le désert juste pour me plonger dedans..." affirme Sophie Massieu. Sans vouloir généraliser outre mesure, il semble que l'infini soit, pour les aveugles de naissance, moins une source de crainte que de curiosité. Quand, après leur avoir lu la phrase de Pascal : "Le silence éternel des espaces infinis m'effraie.", je leur demande lequel de ces termes leur inspire la plus grande crainte, aucun ne mentionne l'infini.

Pour Sophie Massieu, c'est l'éternité : "Se dire que rien ne va changer pendant toute une vie, ça ne correspond pas du tout à mon caractère". Pour Daniel Baud, c'est le silence éternel - et pour cause, un silence absolu serait, pour l'aveugle, comme une obscurité totale pour un voyant. "Perdre tout point de repère - plus d'espace-temps, plus de son, plus d'espace... - effectivement c'est effrayant, admet Christine Cloux. Nous avons besoin d'un lieu où être ancrés, d'un point de référence pour pouvoir dire :"je suis ici, je suis vivant." Mais sa foi tempère ses craintes : "C'est effrayant pour nous maintenant, Mais lorsque nous serons éternels, nous n'aurons plus besoin de ces notions physiques."

a couleur du "jamais" 

Nous disions plus haut que l'aveugle de naissance ne pouvait pas regretter la vue puisqu'il s'agissait d'un état qu'il n'avait jamais connu... Mais ne leur arrivent-ils jamais de soupirer après ces merveilles de la nature dont ils entendent parler autour d'eux, en songeant à ces beautés qu'ils n'ont jamais vu et, pour la majorité d'entre eux, ne verront jamais ? Ces pensées ne colorent-elles pas ce "jamais" d'une pointe d'amertume ?

"Je regrette la vue comme on peut envier le don de la divination ou les ailes de l'aigle" affirme un aveugle de naissance cité par Pierre Villey. Quand Christine Cloux s'imagine voyante, elle reste songeuse : "Peut-être qu'au lieu d'écrire je ferais des aquarelles... et encore, je pense que non.". La vue semble n'inspirer aux aveugles de naissance que des songes vains ou des désirs abstraits - voire même, parfois, une certaine méfiance : "Tant de gens qui voient sont en fait malheureux, remarque Christine Cloux. Pour sûr, la vue n'apporte ni le bonheur ni rien. Ou peut-être qu'elle apporte trop et qu'on est envahis par tout ce qu'il faut regarder." A l'en croire, la cécité peut même parfois s'avérer un filtre bénéfique : "Je peux éviter de me représenter ce que je ne veux pas, comme nombre d'images que vous subissez aux informations : les catastrophes, les morts... Je les comprends, je les intègre, ça me touche, mais je ne les "vois" pas précisément dans ma tête. L'impact émotionnel est largement suffisant et je ne suis pas masochiste."

En définitive, le rapport que l'aveugle de naissance entretient avec la vue est sans doute semblable à celui que nous entretenons tous vis-à-vis de l'inconnu : un mélange de peur et de désir, d'attirance et de défiance, comme en atteste ce témoignage de Christine Cloux, à qui nous laisserons le mot de la fin : "Oui, il m'arrive de regretter de ne pas voir. Je ne verrai jamais le visage des gens que j'aime, les fleurs, les étoiles, la nature, les petits enfants, les gens qui me sourient, les couleurs, les planètes... Et si je pouvais voir, juste un jour, juste une heure, cela ferait tellement plaisir à ma famille ! Ce serait pour eux un vrai bonheur, je pense, nettement plus que pour moi, puisque que je suis heureuse de ma vie de toute manière. Mais comme je suis curieuse, je voudrais tout voir, quitte à ne rien comprendre : les nuages, les étoiles, les gens. Je voudrais voir les visages changer lorsqu'ils ressentent des émotions. Je voudrais regarder dans un miroir pour voir quel effet ça fait d'être "face à soi-même" littéralement. Mais si vraiment je pouvais, je crois bien que ça me donnerait le vertige. C'est parce que je sais que ça ne risque pas d'arriver que je me dis que ce serait peut-être bien. Mais voir tout le temps... pas sûr. Il faudrait apprendre à voir, puis à regarder, puis à gérer. Et qui saurait m'apprendre comment faire ?"

Auteur: Molard Arthur

Info: http://www.jeanmarcmeyrat.ch/blog/2011/05/12/le-monde-tel-que-limaginent-ceux-qui-nont-jamais-vu

[ réflexion ] [ vacuité ] [ onirisme ] [ mimétisme ] [ imagination ] [ synesthésie ] [ monde mental ]