(dernière modification : )

La modélisation du monde

Qu’est-ce qu’un modèle?

Il y a une infrastructure intellectuelle immense qui se déploie de manière matérielle dans des dispositifs informatiques. Les ordinateurs ne sont peut-être pas la conséquence, mais la cause de nos modélisations…

Trois étapes à la modélisation

Objectif: un modèle qui représente à la même chose que le réel.

Nous ne nous étendrons pas sur les rapports philosophiques entre la chose et la mimésis (reproduction du réel).

(Les trois étapes ne sont pas étanches.)

==Il n’y a rien que ne soit pas modélisable.== (cf. Marcello Vitali-Rosati – différence de point de vue avec J-G Meunier.) Il y a des modèles différents, certains sont bons et d’autres ne le sont pas.

Jean-Guy souligne des limites de la modélisation.

Modélisation: décrire quelque chose (en langue naturelle).

Par exemple: comment modéliser l’amour? (Décrire par rapport à son point de vue.) Le résultat matériel dépendra de la qualité de notre modélisation.

Les «limites» de la machine?

Topos typique: l’humain et la machine. Nous avons le sentiment que certains sentiments proprement humains (comme l’amour) ne sont pas modélisables par la machine; on a une impression de réductionnisme.

On met l’accent sur ce qu’une machine «ne peut pas faire»

Est-ce qu’une machine peut «penser comme un humain»? La question serait très mal posée, selon Marcello.

Il n’existe pas une machine sans humain, et les humains n’excitent pas sans les machines. Il y a une interdépendance fondamentale, de nature philosophique.

Nous avons envie de nous définir par contraposition avec les machines. Dans l’histoire de l’humanité, on s’est par exemple souvent définis en contraposition avec les animaux pour dégager notre humanité spécifique.

L’«être humain» aujourd’hui ne renvoie pas à la même chose selon l’époque.

Modèle fonctionnel vs modèle physique: machine de Turing idéale vs représentation physique qui n’est pas une véritable machine de Turing.

Peut-on vraiment distinguer être humain et machine, comme si les deux étaient complètement différentes? Sur une plateforme en ligne (comme un site de rencontres), quelle est la part «humaine», quelle est la part «machine» (algorithmes, programmés par des êtres humains, mais ceux-ci sont aussi conditionnés par leur propre environnement technique).

Différence entre une machine mécanique et les oracles (soulignée par Turing):

With the help of the oracle we could form a new kind of machine (call them o-machines), having as one of its fundamental processes that of solving a given number-theoretic problem.

(Turing, 1939 : 161)

Le modèle représentationnel

Le modèle représentationnel: donner une description de quelque chose (une situation, un objet, un son, un concept, la liberté, etc.).

Lorsque quelque chose «échappe à un langage», on ne peut pas le dire. Marcello trouve cela très problématique (ce qu’on ne peut pas dire dans un langage, on peut probablement le dire dans un autre).

Exemple:

Andrea et Camille s’aiment. S’aimer signifie…

Cette phrase pourrait être bien davantage explicitée. (Sexe d’Andrea et Camille? ambigu. «S’aimer»? érotiquement, amicalement, maternellement? Ce n’est pas précisé.)

La modélisation crée des catégories (ex. hétérosexuelle, homosexuelle, bisexuelle, etc.): les catégories impliquent – ou non – certaines catégoires conceptuelles.

Une intelligence artificielle pourrait-elle prédire un motif qui n’a jamais existé par le passé? Certains disent que non (puisque l’intelligence artificielle est souvent modélisée à partir d’exemples existant; mais une modélisation différente pourrait donner une réponse différente).

Le succès de Proust aurait-il pu être prédit avant sa publication par une intelligence artificielle? Cela dépend de la modélisation. Une certaine représentation aurait pu ne pas le prédire, puisque ses patterns n’existaient pas auparavant. Une autre représentation aurait pu déceler la singularité de ses patterns – et donc considérer Proust comme innovant.

Que signifie «être un grand écrivain»? Si cela signifie être abondamment cité ou acclamé par la critique, c’est bien différent.

Tout modèle est biaisé: c’est entre autres pourquoi il existe une multiplicité de modèles – voire une infinité de modèles.

Par exemple, comment qualifier la vieillesse? À partir d’un certain âge (par exemple, un musée ou une société de transport collectif pour attribuer le rabais de la catégorie «âge d’or» 65+ ans), mais on pourrait le faire à partir d’autres critères (l’apparence, l’état de santé, le nombre de fois où on a mangé, etc.).

On pourrait le faire par sondage auprès de 2000 personnes et calculer la moyenne. On pourrait également pondérer cette moyenne selon la région ou de l’activité sociale.

Le fait d’être biaisé n’est pas seulement une question d’adhérence politique (gauche-droite): c’est ce qu’on regarde pour la modélisation.

Le modèle est souvent ignoré: on pense qu’il est transparent, voire qu’il n’existe pas ou qu’il est neutre.

La «pertinence» est modélisée différemment par Google ou un autre moteur de recherche (comme Isidore).

Objectif du modèle fonctionnel:

Transformer la représentation en unités atomiques discrètes et définir des fonctions pour les traiter.

Exemple:

Entrelacement d’un modèle représentationnel (déplacement) et d’un modèle fonctionnel (valeurs discrètes).


Exemple:


Comment transformer l’amour en quelque chose de quantifiable?

Le modèle physique

==Implémenter le calcul fonctionnel dans une machine de Turing réelle.==

Si une fonction est calculable, alors il existe une machine (de Turing, un automate) qui peut la computer (voir la séance 5 sur les algorithmes).

Il y a identité entre calculabilité et computabilité.

calculable = computable

Une machine de Turing peut être plusieurs choses: un ordinateur bien sûr, mais aussi une calculette ou un automate actionnée mécaniquement par rouages.

Le numérique est un modèle qui permet la calculabilité – mais l’implémentation physique peut être différente d’un ordinateur.

Les limites des machines

Les limites sont bien réelles (physiques). Mais si on raisonne différemment, ces limites ne sont plus aussi pertinentes: ==la limite physique n’est pas la limitation à modéliser==.

Limitations d’espace et de temps

Limitations d’espace et de temps: espace de stockage.

Le jeu d’échecs est un bon exemple: c’est un jeu facilement computable (il y a peu de règles, le déplacement des pièces est bien défini).

Mais on peut facilement se le représenter aussi.

Le problème, ce serait de calculer toutes les possibilités – ce qui n’est pas théoriquement impossible, mais nécessiterait des millions d’années de calcul. Il y a des limites physiques et temporelles: la machine ne peut pas tout calculer.

Limitations computationnelles

Il existe des limites computationnelles: certains problèmes mathématiques ne sont pas computables, pas modélisables: une machine de Turing ne serait pas capable de trouver la solution.

Machine à oracle (oracle machine): un système formel est connecté à une boîte noire externe qui lui donne des informations – peut importe comment elle lui donne ces informations.

L’article de Soar propose que ces bases de données seraient en quelque sorte des oracle machines – elles se situent à l’extérieur du système formel.

Les ordinateurs dans le monde réel fonctionnent justement comme ça: les machines ne fonctionnent pas en isolation, tout comme nous ne pensons pas en isolation.

Distinction entre syntaxe et sémantique

Il y a une distinction entre syntaxe et sémantique. Les ordinateurs ne traitent que la syntaxe (ensemble de signes et de règles formelles). Pour Searle, cette distinction est insurmontable.

Expérience de la chambre chinoise: un individu dans une chambre isolée ne connaît pas le chinois, mais il a accès à un tableau de correspondance pour traduire un texte en chinois vers l’anglais, mais il n’a aucune idée du sens (ni la question, ni la réponse). Il peut manipuler la syntaxe, mais pas en comprendre le sens.

Cette rupture nette, absolute, peut être erronée: elle ignore le fait que le sens peut être créé à partir de la syntaxe.

La syntaxe peut être plus complexe. Bien sûr, si on ne donne qu’un tableau du langage à un niveau d’abstraction très élevé, l’expérience de Searle se confirme; mais dès que la syntaxe se complique un peu, on peut en déduire davantage (ex. quand les enfants apprennent à parler en se faisant pointer des images correspondantes, comme des ombres ou des objets qu’ils tiennent).