Nikolaos a écrit :



Je confirme Jean_Peuplus mais j’ai pas bien compris ton explication.



Donc non 30%, c’est pas mal: il faut voir les 50% comme étant un résultat “parfait” et non 100%. Si on admet que les personnes sont incapables de faire la différence entre un enfant de 13 ans et un ordinateur, alors ils répondront au hasard: le hasard fait que l’on tendra vers les 50%.







SI tu ne sais pas faire la différence entre un humain et une machine, alors c’est que tu penses que les deux sont humains. A mon sens, dans un tel système, on demande au juge s’il pense avoir parlé à un humain ou à une machine. De même que je suis en train de te répondre, si tu es une machine, je pense tout de même que tu es un humain, et je ne vais pas affirmer au pif que tu es ceci ou cela.



Si on prend le principe qu’un sujet incapable de faire la différence entre un humain et une machine répond au pif, alors le test est complètement faussé, car dans ce cas, s’il parle à un humain, il peut penser qu’il s’agit d’une machine non différentiable d’un humain, et donc répondre au pif… La question est donc plutot : “pensez vous avoir parlé à un humain?” et la réponse oui ou non.

En fin de test on peut donc calculer le taux de vrais positifs, faux positifs, vrais négatifs, faux négatifs, et à partir de la voir dans quelle mesure le système trompe les juges.

La statistique importante ne sera pas combien d’humains ont été détectés comme humains, mais combien de machines ont été détectées comme humaines. Donc à priori,

nb_machines_classes_humaines/nb_machines, qui donne bien la probabilité pour une machine de se faire passer pour humaine.









Lafisk a écrit :



non pas du tout, je ne parle pas du tout de RDN mais bien d’ordi a adn, qui sont des ordinateurs qui ne reposent pas sur des echanges electriques mais dont le resultat est donne par une reaction chimique. L’homme est plutot dans cette categorie.



Pas les biologistes que je connais alors en tout cas, et a la fac l’etage de la biologie etait juste en dessous de celui de l’info, j’en ai regulierement parle avec certains qui niait farouchement qu’un ordi puissent etre considerer comme un etre vivant a part entiere… apres, peut etre que d’autre le font, mais pas ceux que j’ai rencontrer ;)





Bonjour,

Je suis d’accord avec toi sur le fait que l’humain est une machine moléculaire, et qu’une partie de sa machinerie est un énorme système basé sur des réactions chimiques, pour toutes sortes d’interactions de base, par exemple l’absorbtion de ressources nutritives, ou toute la machinerie cellulaire. Maintenant, si tu parles de la partie plus “haut niveau” de l’homme, à savoir son intelligence, elle repose bien sur des réseaux de neurones. Des interactions chimiques ont bien entendu cours, notamment au niveau des synapses; d’autre part, les potentiels électriques circulant sur les axones ont très certainement une composante chimique à un moment ou un autre. Mais les processus cognitifs ne font pas intervenir, à priori, l’ADN, autrement qu’en modelant la topologie initiale du cerveau, et donc des réseaux de neurones. La plasticité du cerveau est importante, et on se rend compte que le génotype de fait pas tout, le phénotype est également primordial.

Donc en pratique, le génome pose les limites maximales et minimales des capacités cognitives, mais c’est bel et bien le réseau de neurones qui est au coeur des performances de celui ci.



Les ordinateurs à ADN sont de jolies choses, mais ils ont une utilité pour des domaines spécifiques, principalement pour le traitement parallèle de masses de données. En revanche, en terme d’IA et d’intelligence tout court, je n’ai jamais entendu parler d’une utilisation de tels systèmes.



L’important, je dirais même l’essentiel dans le domaine de l’intelligence artificielle, c’est la capacité d’apprentissage. La finalité de la plupart des systèmes d’IA est de pouvoir apprendre des problèmes.



La problématique qui se pose en recherche dans l’IA, c’est donc d’être capable d’apprendre chaque problème correctement, de façon à pouvoir généraliser sur des cas inconnus. Je peux donc utiliser divers systèmes apprenants pour produire un système capable de te reconnaître visuellement, mais il m’en faudra un autre pour reconnaître ta voix, et encore un autre pour chaque problème.

(c’est une simplification, car par exemple un réseau de neurones peut avoir plusieurs sorties, mais l’idée générale est bien là : chaque système apprenant sera à priori capable de reconnaitre certains types de problèmes, et pas d’autres).



L’avantage du cerveau tient à sa taille immense : en matière de neurones, on est à plusieurs ordres de grandeur d’écart avec ce qui se fait en recherche pour les réseaux de neurones. Le problème principal est que si on veut entrainer un réseau de neurones, il faut des exemples. Plus le réseau est vaste, plus il faut d’exemples.



De plus les algorithmes d’apprentissage pour les réseaux de neurones sont coûteux, et plus le réseau croît, plus le coût augmente. De fait, il est exponentiellement plus difficile de faire croitre la taille du réseau, jusqu’au point ou il soit assez grand pour pouvoir apprendre de nouvelles classes de problème sans difficulté majeure.



Il y a sans doute une limitation dans les algorithmes d’apprentissage utilisés, car on ne connait pas l’algorithme d’apprentissage utilisé dans les réseaux de neurones biologiques.



Enfin, dernier point, les réseaux de neurones les plus utilisés sont de type MLP (perceptron multi-couches, ou Multi-Layer Perceptron), et dans ces réseaux la durée de propagation de l’influx nerveux n’est pas prise en compte. Il n’y a pas non plus de boucles. Il existe d’autres types de réseaux de neurones artificiels, comme les réseaux de hopfield (topologie plus complète), ou les réseaux à spikes (qui simulent les influx nerveux, l’affaiblissement, et la durée de propagation du signal, et d’autres phénomènes physiques), mais on à bien plus de difficultés à entraîner de tels réseaux.

Ils sont de fait moins utilisés pour des problèmes concrets que le classique perceptron multi-couches avec rétro-propagation du gradient (LE modèle qu’on utilisera par défaut pour un problème quelconque, car il fonctionne bien, est efficace, et on sait bien l’entaîner).

A noter qu’il existe plein d’autres modèles connexionnistes, avec par exemples les machines a vecteur de support, super à la mode en recherche, car l’apprentissage est super rapide, et les perfs excellentes.



Les réseaux de neurones continuent toutefois à évoluer, avec notamment le “deep learning”, qui s’intéresse à une notion plus évoluée de l’intelligence qu’avec les méthodes d’apprentissage classique, mais je n’en parlerai pas, car je ne maîtrise pas particulièrement ce domaine de recherche.

WikipediaConcernant la vie, et savoir si ce programme est vivant, au sens biologique premier, la réponse est clairement non, car la vie à diverses définitions bien précises:

WikipediaTout le monde n’est pas d’accord dessus, mais certaines choses, comme la capacité à se reproduire, sont très fréquentes. Ce système est seulement capable de mimer le comportement de conversation d’un humain.

SI je transfère mes processus cognitifs dans une machine, de sorte que je reste moi, j’existerai, mais je ne serai plus “vivant” au sens biologique.



Maintenant la question intéressante serait plutôt de savoir si le système est “sentient” comme disent les anglophones, ou un équivalent en français “conscient” (même si le mot français a un sens plus complexe).

Ici, c’est plus difficile à déterminer, car comment déterminer précisément la conscience, et ce que ça implique?



S’agit il d’une modélisation symbolique de haut niveau des informations reçues?

A mon sens, ce système n’est pas conscient, car c’est probablement un système d’inférences, ou encore un système apprenant, sans nécessairement plus derrière.

Mais en est on réellement si loin?



Je pense qu’il faudrait un second test, un test de conscience, pour lequel il faudrait que la machine elle même puisse déterminer si elle est consciente ou non (pas juste le dire, mais avoir le raisonnement qui nous permet de dire que nous sommes des êtres conscients).



On peut imaginer qu’une machine programmée pour penser qu’elle pense librement, et qu’elle est consciente, ne serait pas si différente d’un cerveau humain. Si cela se trouve, ma pensée actuelle est la cause totalement prévisible de l’état électrique de mon cerveau, et peut-être ne suis-je qu’une simple machine biologique totalement déterministe, bien que si complexe qu’on aie l’impression qu’elle est imprévisible.



Pour le savoir il faudrait pouvoir me confronter à deux situations totalement identiques, avec exactement la même mémoire, le même état electo-chimique de mon cerveau, ce qui est malheureusement impossible pour le moment…



Enfin bref, bisous aux Inpacticiens, c’est toujours drole, sur ce genre de news, on se pose des questions bien particulières :)

HarmattanBlow a écrit :



Le truc bien avec l’IA c’est que beaucoup des algorithmes et techniques existants (ou du moins publics) sont loin d’être optimaux. Du coup ça ouvre des perspectives pour un esprit ingénieux.





Logiquement tous les algos reconnus par la communauté scientifique ont été publiés, vu que c’est comme ça que fonctionne la recherche. Maintenant, l’IA, c’est une science qui a un certain nombre d’années (le perceptron de rosenblatt, ça remonte aux années 40!), et vu la masse de bonhommes costauds qui sont passés dessus, c’est difficile de prétendre améliorer significativement le domaine sans être chercheur à plein temps dans le domaine… Si on regarde les SVM, Vapnik et ses copains ont passé plus d’une décennie à faire des publications majeures sur le sujet pour amener les SVM à un niveau comparable à celui des MLP en terme de capacités d’apprentissage, et c’est pas n’importe qui (donc ça implique des moyens, sans doute plein de thésards, etc :) )







Lafisk a écrit :



Qu’est ce que tu entends par optimaux ? Non car deformation professionel oblige, pour moi optimisation d’un algo c’est le temps d’execution, et ca, en IA, je dirais qu’on s’en fiche un peu (pas vraiment vu les calculs a faire vaut mieux que ca aille vite mais c’est pas le principe numero 1 de l’ia) ce qui compte c’est avant tout le resultat, c’est a dire, est-ce que l’IA remplit le but de ce pourquoi elle a ete faite ? si oui, alors tu peux optimiser apres, sinon tu jettes a la poubelle.





Si tu veux faire de l’IA sur des problèmes très complexes, l’optimisation devient vite le problème numéro 1. En effet, plus le problème est complexe, plus tes données ont une dimension importante, c’est à dire beaucoup de variables. Pour plein de modèles connexionnistes, ça impactera directement la taille de ton système, et donc la encore plus la durée d’apprentissage. Sachant qu’en plus il y a des “hyper-paramètres” à optimiser, donc qu’il faut recommencer l’apprentissage plusieurs fois, et que tu dois faire de la validation croisée pour évaluer ton système et éviter le sur-apprentissage, tu finis vite par atteindre des durées de calcul si importantes qu’elles en deviennent impossibles.



Un exemple concret : pendant ma thèse, j’ai travaillé sur un système d’IA visant à utiliser des réseaux de neurones pour estimer l’alcoolémie de quelqu’un en utilisant des données décrivant sa façon de conduire dans un simulateur de conduite (donc sans éthylomètre). J’avais seulement 25 variables possibles, et je voulais déterminer la meilleure combinaison de ces 4 variables. Donc je prends 4 variables, et je teste mon réseau de neurones, et je note son taux de bonnes estimations. je teste une autre combinaison, et je vois si c’est mieux, et ainsi de suite.

Dans ce contexte, si je faisais une exploration systématique de toutes les combinaisons possibles, j’en aurais eu pour plusieurs mois de calcul, sur un I3 dual core avec hyperthreading (mon algo est parallélisé). J’aurais pu le faire tourner sur un cluster, mais ça aurait quand même pris des jours.

Et pourtant ma base d’exemples fait dans ce contexte 100 exemples, et mon réseau de neurones n’est pas trop gros.



Donc imagine si tu pars sur des problèmes a 10 000 variables!



Bien sur, il existe des techniques pour effectuer ce genre de sélection plus rapidement.

Mais le but de cette anecdote est d’illustrer le fait que l’optimisation n’est pas du tout anodine, sauf petit problème simple. Quand je vais dans des confs sur l’IA, il y a des mecs dont l’intégralité des travaux de recherche consiste non pas à utiliser des systèmes apprenants, mais à en optimiser un petit point pour gagner un peu de perfs. La sélection d’attributs (les variables à donner au système) est un domaine de recherche en soi, l’optimisation de la topologie des modèles aussi.



Cette optimisation peut parfois rendre des problèmes qui étaient impossibles à traiter du fait de la complexité trop lourde en terme de calculs solubles par des systèmes apprenants, grâce à des méthodes d’optimisation nouvelles.



Pendant ma thèse, un des trucs qui m’ont le plus ennuyé, c’était justement d’attendre que le réseau finisse de s’entrainer, pour voir si la configuration testée etait bonne ou pourrie. C’est assez pénible d’attendre 5 minutes un calcul pour voir qu’en fait c’est tout nul :)

yvo2m a écrit :



relis l’énoncé :



Le juge parle à 2 personnes et sait que l’une d’elle seulement est un humain et que l’autre est une machine.

Si la machine est parfaite il sera incapable de différencier les deux et sera réduit à désigner au hasard qui est la machine (ou sur des arguments non pertinents).

Dans le meilleurs des cas on a donc statistiquement 50%. C’est pas moi qui le dit, c’est l’énoncé et la méthodologie du problème qui l’impose.





Dans ce cas, je comprends ton raisonnement!



Du coup, à mon sens, ça pose un biais : si on peut s’appuyer sur le résultat des précédents tests, dans quelle mesure le test est il fiable?

il semble qu’il y ait pas mal d’implémentations de ce test, ceci dit, je reconnais que c’est un problème difficile, et qu’il n’y a probablement pas une méthodologie parfaite!