Bonjour et bienvenue

Une recherche ?

Affichage des articles dont le libellé est GAFA. Afficher tous les articles
Affichage des articles dont le libellé est GAFA. Afficher tous les articles

L'intelligence en 2019...

Pas de bases de données sans ordinateurs dont les performances, au fil des décennies, sont devenues illimitées en regard des premiers appareils développés dans les années 1960.

Comment était Paris en 1960 ?



2019 : Nous sommes entrés dans "l'ère du Big Data". 



Grâce au développement d'internet et la multiplication des objets connectés d'une part et l'augmentation des capacités de stockage et de calcul d'autre part, des quantités astronomiques de données -on parle de zettaoctets- sont récoltées, croisées et analysées grâce à des algorithmes toujours plus complexes.

2019 : Nous discutons toujours de la "bonne définition" de l'intelligence comme le rappelait l'émission d'Arte dans le documentaire L'intelligence dévoilée, que la chaine avait déjà diffusé lors d'une édition de la semaine du cerveau.

2019 : L'intelligence artificielle interroge  avec notamment le cas de la Chine et le "Contrôle social" qui sera instauré en 2020, dans 9 mois.

2019 : Le débat entre le Docteur Alexandre et le Philosophe Cespedès

2019 : Le Machine Learning avec Internet à portée de tous ? Du trou dans le mur à l'école dans les nuages.

Toutes les ressources en un clic
Bon visionnage, bonne lecture

https://www.pearltrees.com/7h99/l-intelligence-2019/id24401172



Et l'Intelligence Biaisée créa la Femme




Comme annoncé et avec un retard, la suite de notre article.

Qu'est-ce que le féminisme peut apprendre de l'Intelligence Artificielle, du Deep et du Machine Learning ?

L'Intelligence Artificielle IA est « l'ensemble des théories et des techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence ».

Promettant Monts et Merveilles dans le secteur de la médecine, diagnostiques plus précoces et plus fiables aux thérapies et traitements assistées et personnalisées avec l'IA ou de l'automobile avec un taux d'accident proche du zéro.

Mais aussi transformant de manière radicale le monde du travail avec la disparition de nombreux métiers automatisées et l'émergence de nouveaux métiers au cœur de l'IA et des apprentissages de la Machine, de l'Homme et de leurs interactions. Et n'évoquons même pas l'apprentissage et la formation professionnelle.

 

En 2019, le féminisme en France est axée sur les discriminations et inégalités avec un plan "Le Féminisme de Marlène" à 120 millions d'euros. Le féminisme français continue d'avoir recours à la réunion en non-mixité et à considérer que chaque secteur professionnel se doit d'être paritaire : 50 % d'hommes, 50 % de femmes.
Cette exigence ne concerne que les secteurs où les femmes sont sous-représentées et non pas les secteurs où les femmes sont sur-représentées école, beauté, santé. Un premier biais de conception qui lorsqu'il va se propager va générer un surplus de tensions où les sur-représentations des unes et des autres associées aux distorsions sémantiques amplifieront les conflits et inégalités.
.
Exemple Concret : Google surpaie les femmes.

https://www.numerama.com/politique/469051-discriminations-salariales-google-choisit-de-mettre-en-avant-des-hommes-moins-payes-que-des-femmes.html


En 2019, le féminisme en France comme les autres secteurs de lutte contre les discriminations comme l'anti-racisme, les LGBT,... ont recours à l'outil : Réunion en non-mixité.

Des réunions où un critère biologique ou religieux primera sur le critère de l'intelligence humaine, à savoir la capacité de chaque humain à comprendre des causalités et des corrélations ainsi que des mécanismes et environnement complexes et simplexe grâce à la physique, la biologie, la psychologie, les neurosciences et l'IA. 
Le deuxième critère argumentatif pour autoriser à perpétuer la réunion en non-mixité  étant que la personne en parole dans ces réunions ne serait pas capable de s'exprimer face à une autre ayant un avis divergent. Elle serait obligatoirement au choix : intimidée ou agressée. Quel beau tropisme et inscription de la méfiance comme postulat humain. Un deuxième biais et la liste est longue

Ainsi, la réunion en non-mixité serait si elle était intégrée à une solution de Deep et Machine Learning nécessaires au bon fonctionnement d'une IA en charge de lutte contre les discriminations actuelles et les inégalités héritées du passé commun de l'Humanité, serait considérée comme un lieu de collectes de données biaisées générant un effet de contagion dans la représentation de l'autre, sa qualification et son devenir dans le protocole de l'IA.

Exemple : IA de reconnaissance faciale.

Les programmes de reconnaissance, quand ils ne collectent que des visages chinois, auront des difficultés à reconnaitre les autres appartenances ethniques comme des humains. 

La sur-représentation du faciès chinois dans la phase d'apprentissage générera des inégalités de fait.

L'avantage de l'IA est qu'elle multiplie les calculs, gardent en mémoire le résultat et vérifie. Ensuite, l'humain peut rapidement voir si le système qu'il a crée va générer des biais, des inégalités et même appréhender les impacts éthiques chez l'Homme.

La prise de décision, de la bonne identification à la bonne proposition reposant sur des calculs mathématiques et les groupes de données associées. Or, il est compliqué de rendre l'équité, la parité de traitement, l'égalité des probabilités ou chance en une formule mathématique comme il l'est déjà dans un dialogue entre deux humains étant donné la confusion des registres actuels.

Prenons l'exemple de la mortalité. Avec le 8 mars, Journée Mondiale de la Femme, nombreux journaux ont évoqué le nombre de femmes tuées au sein des couples avec le terme féminicide.

Le jeu de données est le nombre de mort dans les couples : Morts Hommes + Morts Femmes = Mort Humains.  Plus de femmes mortes dans ce cas donc les femmes sont discriminées et les hommes plus violents.

Admettons 100 morts : 50 hommes + 50 femmes. Égalité parfaite, tout va bien ?

Le problème est la violence et non le genre ! Car, il existe un autre jeu de données, celui des couples homosexuels. Les violences au sein des couples de même sexe sont plus élevées que chez les couples hétérosexuels. Est- ce que cela fait des homosexuels, des individus plus violents que les hétérosexuels ?
Ce qui vient contredire la vérité établit précédemment par l'étude du premier jeu de données


Exemple concret des erreurs mécanistes classiques avec l’intelligence générale et la taille du cerveau:



Le cerveau des hommes est plus grand de celui des femmes + 9%
La taille du cerveau des femmes diminue avec l'âge plus rapidement que celle des hommes.
La taille du cerveau est corrélée à l'intelligence QI d'après la méta-analyse de Mc Daniel en 2005.

Mais, il faut savoir aussi que lorsque l'on fait passer des tests de QI aux hommes et aux femmes, ils obtiennent des résultats identiques Étude Gur et Al 1999 et à condition de dire aux femmes qu'il ne s'agissait pas d'un test de QI lors de la passation du test.

La réponse est ailleurs, on sait qu'il existe des différences cognitives entre hommes et femmes mais à quoi sont-elles dues, personne ne le sait construction sociale, prophéties auto-réalisatrices, préjugés, hormones,  ..., les neurosciences sont une jeune science qui a besoin de temps pour se consolider.

Comment rend-on l'IA éthiquement responsable ?

 Déclaration Éthique de L'IA

Codex des Biais Cognitifs

https://fr.wikipedia.org/wiki/Biais_cognitif#/media/File:The_Cognitive_Bias_Codex_(French)_-_John_Manoogian_III_(jm3).svg

Comment faire ?

Le principe du rasoir d'Ockham a été formalisé dans les domaines de la théorie d'apprentissage statistique et la théorie d'apprentissage computationnel.



Ces domaines ont défini des limites de généralisation, c'est-à-dire une description de la capacité d'un modèle à généraliser sur des nouvelles données sur la base de facteurs tels que :
  • la complexité du modèle ;
  • les performances du modèle au niveau des données d'apprentissage.
Bien que l'analyse théorique fournisse des garanties formelles dans le cadre d'hypothèses idéalisées, dans la pratique, leur application peut s'avérer difficile. Le cours d'initiation au Machine Learning est plutôt axé sur l'évaluation empirique à juger la capacité d'un modèle à généraliser sur de nouvelles données.
L'objectif d'un modèle de Machine Learning est de formuler des prédictions exactes sur de nouvelles données qui n'étaient pas visibles précédemment. Mais comment obtenir ces données si vous construisez un modèle à partir de votre ensemble de données ? Une solution consiste à diviser votre ensemble de données en deux sous-ensembles :
  • Ensemble d'apprentissage : sous-ensemble destiné à l'apprentissage d'un modèle.
  • Ensemble d'évaluation : sous-ensemble destiné à l'évaluation du modèle.
L'obtention de bons résultats sur l'ensemble d'évaluation indique généralement de bonnes performances sur les nouvelles données, dans l'hypothèse où :
  • l'ensemble d'évaluation est suffisamment vaste ;
  • vous ne trichez pas en réutilisant sans cesse le même test d'évaluation.

Twitter, le réseau social préféré des terroristes musulmans, des homophobes et des antisémites.

La modération de Twitter France n'aime pas les athées et les homosexuels, elle préfère les musulmans radicaux, les homophobes et les antisémites.

Comme nous l'avions déjà écrit la modération de Twitter questionne, interroge sur sa contribution au développement du Soft Power de Daesh.

Plusieurs exemples où la modération de twitter bloque ou suspend des comptes de #LGBT, d'#Athées et d'exemples où des appels au meurtre ne sont pas bloqués par une modération musulmane ignorante de la législation française.

Ainsi, un juif a reçu un message d'un compte twitter qui lui explique qu'Hitler n'a pas fini son travail.
"Je suis assis avec mon berger allemand, toi t'es dans mon four d'incinération"
La Modération twitter considère ce message comme normal.

Encore ce jour 4 janvier, même motif, même absence de réaction


Autre exemple : 
"Bon assez rigolé, nique les PD, nique les LGBT, nique les féministes, vous allez rien faire bande de salopes"
La modération twitter considère ce message comme normal.

Encore autre exemple de propos racistes venant d'une personne à la peau noire, on va dire


Mais une caricature du prophète Mahomed  : Suspension du compte.


A titre personnel, l'un de nos membres a fait l'objet de 2 menaces de mort sur twitter par un musulman radical, aucune réaction de twitter.

Nos Articles par Mail