Jean Rohmer est Ingénieur ENSIMAG et Docteur ès Sciences. Il est président de l'Institut Fredrik Bull, et chercheur associé au De Vinci Research Center
 

 "On nous somme d’utiliser l’intelligence artificielle pour, selon la formule rabâchée  « nous libérer des tâches routinières pour nous concentrer sur des activités à haute valeur ajoutée ».
Cependant philosophes et essayistes sont divisés, entre ceux annonçant  la plus grande révolution de l’humanité, ceux disant « même pas peur »,  jusqu’à ceux redoutant la disparition prochaine de la civilisation. Toutes  choses pas forcément contradictoires.

Discussion entre un directeur général et son responsable de veille sur une note stratégique que ce dernier vient de lui envoyer. Le DG est un peu gêné, car son  IA vient de lui dire «je l’ai lue,  rien d’urgent, je vous alerterai le cas échéant en fonction de l’actualité », et donc il n’est pas très disert.
Le  veilleur est soulagé, car de son côté c’est son IA à lui qui a rédigé la note qu’ il n’a pas pris le temps de relire. Tous les deux sont devenus des travailleurs du vide.
 

 Et si les grands modèles de langage n’étaient pas  des perroquets mais des coucous ?

On sent bien que, plus l’IA sera imposante ou imposée, plus il faudra mettre en place des limites. L’hypothèse d’une  Loi de Séparation du Numérique et de l’Humain (LSNH) mérite  l’attention.

L’IA générative accélère le réchauffement sémantique car elle « produit les mots suivants ».
Sa capacité exponentielle à amplifier  l’information nous pousse à en rajouter, via des prompts, ou en publiant notre grain de sel et nos vidéos à tout propos, en espérant des milliers de clics flattant notre vanité. Réaction en chaine, qui à la fin peut tous nous griller.
Ce n’est plus juste une bulle financière qui risque d’exploser. La jeune Mila déclarait récemment : « Nous n’aurions jamais dû avoir les réseaux sociaux ».
 

Une Loi de Séparation du Numérique et de l'Humain - LSNH - doit se différentier des actuelles réglementations: ne pas simplement limiter ce que l’IA peut faire, mais dire ce que l’humain doit rester en capacité de faire, voire élargir ce périmètre.

Revenons sur ces « tâches répétitives » que l’IA doit nous épargner. Un pianiste virtuose ne passe pas son temps à donner des récitals, il le passe à faire des gammes. Un champion de marathon ne court que deux ou trois marathons par an, le reste du temps, il s’entraine, il se soigne, il se repose.  Imaginons le cauchemar d’un brillant décideur si, « libéré » du temps perdu à tourner les pages, à lire jusqu’au bout  des articles difficiles, il avait non plus dix décisions à prendre par jour, mais cent. Pour courir le 100 mètres en 10 secondes, il faut 10 ans.

Si les machines nous dispensent de ces temps essentiels d’étude, d’effort, d’exercice, elles nous privent en fait de notre temps de construction intellectuelle, elles nous enlèvent cet apprentissage que nous sommes diaboliquement tentés de leur déléguer.
Wittgenstein disait que les grandes théories naissent dans les halls de gare. Qui n’a jamais eu en voyage des idées inattendues  qui ne se seraient jamais présentées en Zoom ou à la lecture du résultat d’un prompt ?
 

Face au réchauffement sémantique, les professionnels des systèmes d’information  sont au cœur du réacteur. Une Loi de Séparation du Numérique et de l'Humain - LSNH - les légitimerait à mettre en place les principes suivants qu’au fond d’eux-mêmes ils ressentent comme du bon sens :

1) cloisonner –avec les bonnes passerelles- des zones d’information distinctes selon le contrôle que l’on y exerce en tant qu’humains:  de l’incontrôlé  global des ChatGPT et autres, aux grands modèles de langage locaux avec des sources choisies, aux bases de connaissances métier structurées et validées, jusqu’à des espaces de mémoire personnels .

2)  dans les processus de traitement, définir de même des zones de souveraineté humaine diversifiées : réflexion purement individuelle, confrontation en tête à tête, travail en groupe rapproché, travail en réseau, usage critique de ce raffinage de connaissances collectives que sont les moteurs de recherche et les grands modèles de langage, évidemment incontournables et par bien des côtés prodigieux.

Adopter ces deux principes supposera des efforts considérables  pour résister  à la  facilité d’une collaboration toujours plus profonde et continue avec une IA venue d’ailleurs.
 

 

Jean Rohmer est Ingénieur ENSIMAG et Docteur ès Sciences. Il est président de l'Institut Fredrik Bull, et chercheur associé au De Vinci Research Center
 

 "On nous somme d’utiliser l’intelligence artificielle pour, selon la formule rabâchée  « nous libérer des tâches routinières pour nous concentrer sur des activités à haute valeur ajoutée ».
Cependant philosophes et essayistes sont divisés, entre ceux annonçant  la plus grande révolution de l’humanité, ceux disant « même pas peur »,  jusqu’à ceux redoutant la disparition prochaine de la civilisation. Toutes  choses pas forcément contradictoires.

Discussion entre un directeur général et son responsable de veille sur une note stratégique que ce dernier vient de lui envoyer. Le DG est un peu gêné, car son  IA vient de lui dire «je l’ai lue,  rien d’urgent, je vous alerterai le cas échéant en fonction de l’actualité », et donc il n’est pas très disert.
Le  veilleur est soulagé, car de son côté c’est son IA à lui qui a rédigé la note qu’ il n’a pas pris le temps de relire. Tous les deux sont devenus des travailleurs du vide.
 

 Et si les grands modèles de langage n’étaient pas  des perroquets mais des coucous ?

On sent bien que, plus l’IA sera imposante ou imposée, plus il faudra mettre en place des limites. L’hypothèse d’une  Loi de Séparation du Numérique et de l’Humain (LSNH) mérite  l’attention.

L’IA générative accélère le réchauffement sémantique car elle « produit les mots suivants ».
Sa capacité exponentielle à amplifier  l’information nous pousse à en rajouter, via des prompts, ou en publiant notre grain de sel et nos vidéos à tout propos, en espérant des milliers de clics flattant notre vanité. Réaction en chaine, qui à la fin peut tous nous griller.
Ce n’est plus juste une bulle financière qui risque d’exploser. La jeune Mila déclarait récemment : « Nous n’aurions jamais dû avoir les réseaux sociaux ».
 

Une Loi de Séparation du Numérique et de l'Humain - LSNH - doit se différentier des actuelles réglementations: ne pas simplement limiter ce que l’IA peut faire, mais dire ce que l’humain doit rester en capacité de faire, voire élargir ce périmètre.

Revenons sur ces « tâches répétitives » que l’IA doit nous épargner. Un pianiste virtuose ne passe pas son temps à donner des récitals, il le passe à faire des gammes. Un champion de marathon ne court que deux ou trois marathons par an, le reste du temps, il s’entraine, il se soigne, il se repose.  Imaginons le cauchemar d’un brillant décideur si, « libéré » du temps perdu à tourner les pages, à lire jusqu’au bout  des articles difficiles, il avait non plus dix décisions à prendre par jour, mais cent. Pour courir le 100 mètres en 10 secondes, il faut 10 ans.

Si les machines nous dispensent de ces temps essentiels d’étude, d’effort, d’exercice, elles nous privent en fait de notre temps de construction intellectuelle, elles nous enlèvent cet apprentissage que nous sommes diaboliquement tentés de leur déléguer.
Wittgenstein disait que les grandes théories naissent dans les halls de gare. Qui n’a jamais eu en voyage des idées inattendues  qui ne se seraient jamais présentées en Zoom ou à la lecture du résultat d’un prompt ?
 

Face au réchauffement sémantique, les professionnels des systèmes d’information  sont au cœur du réacteur. Une Loi de Séparation du Numérique et de l'Humain - LSNH - les légitimerait à mettre en place les principes suivants qu’au fond d’eux-mêmes ils ressentent comme du bon sens :

1) cloisonner –avec les bonnes passerelles- des zones d’information distinctes selon le contrôle que l’on y exerce en tant qu’humains:  de l’incontrôlé  global des ChatGPT et autres, aux grands modèles de langage locaux avec des sources choisies, aux bases de connaissances métier structurées et validées, jusqu’à des espaces de mémoire personnels .

2)  dans les processus de traitement, définir de même des zones de souveraineté humaine diversifiées : réflexion purement individuelle, confrontation en tête à tête, travail en groupe rapproché, travail en réseau, usage critique de ce raffinage de connaissances collectives que sont les moteurs de recherche et les grands modèles de langage, évidemment incontournables et par bien des côtés prodigieux.

Adopter ces deux principes supposera des efforts considérables  pour résister  à la  facilité d’une collaboration toujours plus profonde et continue avec une IA venue d’ailleurs.
 

 

CL : Très satisfaisant, des contacts prometteurs.

CL : QWAM propose des solutions pour analyser, trier, résumer des ensembles de documents grâce à de l’intelligence artificielle. L’objectif de la solution est d’accroître la vitesse de traitement des données et de décupler les capacités d’analyse. Lors de ce forum QWAM présentait ses actualités techniques liées à la sémantique et l’intelligence artificielle.
 
QWAM Text Analytics. Nous constatons le besoin croissant de croiser les données entre les données internes et externes. Par exemple des données liées à des contrats, des appels d’offres, avec des données issues d’autres sources extérieures. Ces informations internes sont souvent stockées dans des silos. Ce qui constitue un premier défi de les ouvrir pour intégrer des données extérieures.
 
Les autres principales innovations que nous voyons, c’est l’évolution de la veille vers la constitution d’observatoires, d’état de l’art. Ces observatoires diffèrent des projets de veille par leur ambition et leurs domaines. Ils se proposent d’aller plus loin et moins d’a-priori. La veille démarre par des requêtes, l’observatoire par de dizaine de milliers de sources web complété par la mise en place d’un modèle d’analyse sémantique/IA adapté aux objectifs de l’entreprise.
 
« On reproche dans certains cas aux activités de veille de vouloir confirmer une vision et de limiter le périmètre d’exploration. L’utilisation de mots clés seuls a tendance en effet de permettre de trouver ce que l’on veut chercher ! C’est un biais cognitif de confirmation, qui peut malheureusement conduire à écarter ce qui diffère de notre conception du monde.
 
L’e-analyse permet de s’affranchir du volume de données, cela permet de détecter des tendances, et surtout des innovations et des acteurs venant d’autres domaines ; et d’intégrer l’idée très tôt qu’un nouvel entrant peut challenger les concurrents traditionnels et changer totalement le marché.

CL : Par définition, l’observatoire s’adresse aux grosses entreprises, à priori donc cela s’adresse à des équipes. La création de modèle d’analyse demande à travailler à plusieurs, pour les plus complexes, l’intégration des langues est essentielle afin de raisonner par pays.

CL :  La veille « traditionnelle » garde tout son sens mais doit évoluer ; dans nos solutions de base, nous intégrons un premier niveau d’intelligence artificielle pour éviter les tâches répétitives comme la saisie de mots clés, qui se font souvent à la main. Travail long et fastidieux à faible valeur ajoutée, notamment si l’on doit travailler en plusieurs langues.

 

 

Le 24 Avril 2017 s’est tenu dans les locaux de INRIA-Saclay l’événement « Wikidata pour la Science ». Organisé par le Center for Data Science de l’université Paris Saclay au travers de BorderCloud et avec la participation de l’association Wikimedia France, toute la journée, démonstrations, ateliers se sont succédées devant une quarantaine de personnes intéressées par le Web Sémantique et l’Open Data appliqué aux domaines scientifiques.

 

Définition de L’Open Data Sciences

L’Open Data Science ou Ouverture des Données Scientifiques peut-être définie comme un mouvement qui incite les chercheurs et les institutions à partager leurs données avec d’autres institutions, d’autres laboratoires et d’autres chercheurs afin qu’ils puissent par eux-même reproduire les résultats de leurs confrères, avec les mêmes données expérimentales et le même environnement de travail.

 

Karima Rafes, se consacre depuis de nombreuses années à l’évangélisation des scientifiques, des laboratoires à  ce mouvement d’ouverture. Ce phénomène s’accélère, et les communautés scientifiques vont ou seront amenées à court terme à fournir de grandes quantités de données accessibles et interopérables. La question nouvelle et prioritaire est de rendre possible l’exploitation de ces données dans le domaine de l’information scientifique et technique, en particulier en visant les usages interdisciplinaires.

 

Les premiers pas de cette démarche ont abouti à la mise en place depuis un an de la plateforme « LinkedWiki » dont l’instance de l’Université Paris-Saclay se nomme IODS (Input Output Data Science) et constitue une première application de base de connaissances destinée aux scientifiques afin de les aider à découvrir et à (ré)utiliser les données.

 

Plusieurs expérimentations sont en cours afin d’identifier les derniers freins qui subsistent à l’adoption des technologies du Web des données au sein des laboratoires de l’université.

 

Comme par exemple le projet Gregorius (de l’équipe Droit et Sociétés Religieuses (EA 1611) – UFR Jean Monnet – Université Paris Sud) qui vise à créer une communauté épistémique (c’est-à-dire une communauté qui cherche à produire de nouvelles connaissance et les partager**) autour de l’histoire du droit canonique à savoir l’ensemble des lois et règlements adoptés par l’Eglise catholique. L’intérêt de mettre en œuvre ces technologies dans leur contexte de travail est de mettre en relation les connaissances produites par les chercheurs du Laboratoire et d’autres sources d’informations comme celle partagées par Wikidata et la BNF. En sachant que dans l’avenir, ce type de source d’information respectant les standards du Web des données vont se multiplier et ainsi accélérer le travail des chercheurs dans leur domaine.

 

 

Dans un autre exemple dans un contexte de sciences dures au sein de l’UFR de Pharmacie, plus précisément de l’unité interdisciplinaire Lip(Sys)², "Lipides: systèmes analytiques et biologiques", Équipe de Chimie Analytique Pharmaceutique (EA7357),  le projet DAAP, Data Acquisition For Analytical Plateform, a démontré!!! que les technologies du Web des données permet de faciliter le partage des connaissances en facilitant  la reproductibilité des résultats de recherche et  ainsi valider plus simplement de nouvelles connaissances.
 

En effet la très grande difficulté des chercheurs aujourd’hui consiste avant tout à pouvoir reproduire les résultats de leurs confrères à partir des mêmes données expérimentales. Selon l’article de Forbes du 09.02 2017 intitulé “How the reproductivility crisis in Academia is Affecting Scientific Research”, 65 et 90% de la litterature academic est non reproductible.
 

Le retour d'expérience sur le projet DAAP, a permis de mettre en évidence le besoin de traiter efficacement les données massives que produisent maintenant les scientifiques. Mais de fortes résistances subsistent :

• La conception d’ontologies reste un exercice qui nécessite des outils adaptés aux chercheurs. Exercice d’autant plus difficile que les connaissances sont mouvantes et qu’elle est nécessairement collaborative, donc source de frustrations et de frictions.

• la réutilisation des données expérimentales produites aux travers des technologies du Web des données tel que le protocole SPARQL nécessite une appropriation par les chercheurs de ces nouvelles technologies. Il s’agit d’un métier en soi, il est possible que d’ici 10 ans de nouveaux postes d’ontologues/experts de base rdf soient implémentés dans les laboratoires de recherche.

 

Conclusion de la journée :  Afin de démontrer la simplicité d'accès aux web des données des ateliers pratiques ont été organisé avec les derniers outils des data scientists (Jupyter, Spark, Sparql, Python…) pour accéder à Wikidata, la plus grande base de connaissances gratuites et actuelle à la disposition des chercheurs