Chapitre 748
Après avoir établi le fondement philosophique d’un concept, l’étape suivante de la création d’un Symbole d’Alchimie consistait à atteindre l’Illumination en saisissant sa philosophie centrale, puis à s’appuyer sur cette compréhension pour faire émerger le Symbole.
Ezra continua de se concentrer.
Il s’enfonça davantage dans ses pensées, réfléchissant à la forme que devrait prendre le Symbole de la Formule d’apprentissage en tant que Symbole d’Alchimie.
Il devait garder une chose importante à l’esprit.
Il savait déjà que les Symboles de processus constituaient le fondement sur lequel reposaient les Symboles de formule avancée.
Ces derniers étaient essentiellement des versions améliorées des premiers.
Il s’agissait de ceci…
Contrairement aux Symboles matériels et aux Symboles fondamentaux, les Symboles de processus et les Symboles de formule avancée mobilisaient plusieurs Symboles qui coopéraient afin de produire un résultat.
Comme dans une équation.
Un seul Symbole pouvait représenter une instruction ou une propriété particulière, mais un processus nécessitait la coopération de plusieurs Symboles.
Chacun avait sa fonction, et leur disposition déterminait le résultat final.
C’était aussi pour cette raison que les Cercles d’Alchimie comprenant des Symboles de processus ou des Symboles de formule avancée en contenaient généralement un grand nombre.
Ce n’était pas simplement pour faire joli.
Chaque Symbole contribuait au fonctionnement global, et les Lignes d’Alchimie les reliaient en une structure qui permettait au Cercle entier de fonctionner comme prévu.
C’était aussi pour cela que seuls les Alchimistes dont le rang leur procurait les réserves de Cognis nécessaires pouvaient utiliser et former des Symboles de ces catégories, car il fallait construire tous les Symboles d’Alchimie requis.
Plus la disposition était complexe, plus elle exigeait de l’Alchimiste.
Or…
Contrairement aux Symboles de processus, qui avaient tendance à mobiliser davantage de Symboles pour mener un processus particulier, les Symboles de formule avancée en utilisaient moins.
En revanche, leur agencement était bien plus complexe.
Autre particularité : certains types de Symboles répertoriés dans ces catégories comprenaient en réalité des Symboles fondamentaux.
Ainsi…
Créer un Symbole de formule avancée revenait essentiellement à rédiger une équation entière.
Et Ezra savait tout cela.
Pour réussir, je dois considérer les philosophies qui entourent la Formule d’apprentissage comme une équation.
Par exemple…
Information + Connaissances + Expérience + Changement + Développement = cerveau d’IA.
C’est comme ça que je vais l’appeler pour l’instant.
Ezra se fit cette réflexion, examinant ses pensées avec calme et méthode.
Il n’essayait pas encore de créer la structure définitive du Symbole.
Il devait d’abord comprendre comment les différents éléments de la Formule d’apprentissage pouvaient fonctionner ensemble.
Le sens philosophique lui fournissait une base, mais il lui restait à déterminer comment exprimer celle-ci au moyen d’un Symbole de formule avancée.
Une équation était le moyen le plus adapté d’aborder la question.
Après tout, il cherchait à créer quelque chose capable de traiter des informations, de conserver des connaissances, de reconnaître des motifs et de s’adapter en fonction de ce qu’il avait appris.
Cela dépassait largement un simple processus.
Dans le même temps…
Ezra activa son Livre des Mémoires dans son Royaume mental.
Le livre familier apparut dans son espace mental.
Il contenait les expériences de son moi passé, ainsi que des informations sur ce que celui-ci avait vu, entendu et étudié au cours de sa vie.
Ezra ouvrit le livre.
Les pages défilèrent jusqu’à la section consacrée à l’apprentissage automatique.
Il avait déjà parcouru ces informations lorsqu’il avait commencé à étudier l’intelligence artificielle, et plus particulièrement les nanotechnologies.
Parmi les nombreux domaines qu’Ezra avait explorés après avoir décidé d’introduire l’IA dans son nouveau monde, l’apprentissage automatique était l’un des sujets qu’il souhaitait approfondir.
Quelques études tirées des cours de l’Académie intermédiaire de biologie lui avaient également ouvert les yeux.
Elles lui avaient fait comprendre qu’il existait dans son monde des domaines qu’il pouvait étudier et qui lui apporteraient bien plus de connaissances que celles déjà présentes dans son Livre des Mémoires.
Son moi passé avait été soldat et ingénieur en armement.
Il ne possédait donc pas de connaissances approfondies en IA ni dans les domaines qui s’y rapportaient.
Cela ne signifiait toutefois pas que le Livre des Mémoires ne contenait aucune information sur ces sujets.
Il manquait simplement des éléments à la compréhension qu’il pouvait en tirer.
Comme…
Les neurosciences.
Les réseaux neuronaux artificiels.
Et l’apprentissage automatique.
Parmi ces trois domaines, ceux qu’Ezra avait le plus étudiés au début de ses recherches étaient les neurosciences et les réseaux neuronaux artificiels.
Ils étaient essentiels à ce qu’il voulait accomplir.
Il devait d’abord comprendre comment le cerveau humain traitait les informations et comment un système artificiel pouvait en imiter certains aspects.
Mais à présent…
Il se replongeait dans l’étude de l’apprentissage automatique.
Les informations de son Livre des Mémoires s’imposèrent à son esprit.
***
╔════════════════════════════════════╗
[Apprentissage automatique]
Entrée enregistrée — Livre des Mémoires
╚════════════════════════════════════╝
Classification : Intelligence artificielle et sciences informatiques
Objectif principal : Algorithmes d’apprentissage, reconnaissance des motifs et traitement adaptatif de l’information.
Principe fondamental
L’apprentissage automatique est une branche de l’intelligence artificielle qui vise à concevoir des systèmes capables d’améliorer leurs performances par l’expérience et les informations acquises, au lieu de dépendre entièrement d’instructions écrites manuellement.
Plutôt que de programmer chaque réponse possible, un système apprenant traite les informations, repère des motifs, évalue ses résultats et modifie ses paramètres internes afin d’améliorer ses performances futures.
Son principe fondamental est la capacité à apprendre à partir de données et à utiliser les connaissances acquises lorsqu’il rencontre de nouvelles situations.
Paramètres des réseaux neuronaux
Les systèmes d’apprentissage artificiels recourent souvent à des unités mathématiques interconnectées pour traiter l’information.
Chaque connexion possède un poids, qui détermine l’influence de l’information entrante, tandis qu’un biais ajuste la réponse de l’unité.
Ensemble, ces paramètres déterminent la manière dont l’information est traitée et la sortie produite.
Un neurone artificiel simplifié multiplie les informations entrantes par les poids de leurs connexions respectives, ajoute le biais, puis transmet le résultat à une fonction d’activation qui produit une sortie.
Algorithmes d’apprentissage
Les algorithmes d’apprentissage déterminent comment un système artificiel acquiert des informations et modifie ses paramètres internes.
L’apprentissage supervisé utilise des exemples étiquetés, ce qui permet au système de comparer ses prédictions à des résultats connus.
L’apprentissage non supervisé repère des motifs et des relations au sein des informations sans étiquettes prédéfinies.
L’apprentissage par renforcement repose sur l’apprentissage par interaction, retour d’information, récompenses et pénalités, ce qui permet au système d’améliorer ses décisions par des expériences répétées.
Évaluation et correction des erreurs
Un système apprenant doit disposer d’une méthode pour évaluer ses performances.
Une fonction de perte mesure l’écart entre la sortie prédite et le résultat attendu.
La moyenne des carrés des erreurs (MSE) est une méthode couramment utilisée. Elle calcule la moyenne des carrés des écarts entre les résultats attendus et les prédictions du système.
L’erreur calculée peut ensuite servir à ajuster les paramètres internes du système.
La descente de gradient est une méthode d’optimisation qui modifie les poids des connexions afin de tenter de réduire l’erreur.
Elle calcule la contribution de chaque poids de connexion à l’erreur, puis ajuste ces poids dans le sens qui permet de la réduire.
L’ampleur de l’ajustement dépend du taux d’apprentissage, qui détermine l’importance de chaque modification.
En termes simplifiés :
Nouveau poids = Poids précédent ? Ajustement
L’ajustement est calculé à partir des informations relatives à l’erreur et du taux d’apprentissage.
La rétropropagation calcule la contribution de chaque paramètre à l’erreur globale, permettant au système de déterminer quelles connexions doivent être ajustées.
Mémoire et adaptation
Les systèmes apprenants peuvent conserver les informations acquises dans leurs paramètres internes, des données stockées ou des structures de mémoire dédiées.
Lorsqu’une nouvelle information est introduite, le système peut la comparer aux connaissances existantes, repérer des motifs et modifier ses paramètres selon son algorithme d’apprentissage.
Toutefois, la modification des paramètres ne garantit pas automatiquement une véritable compréhension. La capacité d’adaptation du système dépend de son architecture, des informations disponibles et de ses mécanismes d’apprentissage.
Limites
Les systèmes d’apprentissage automatique dépendent de la qualité de leurs données d’entraînement, de leurs ressources de traitement, de leur architecture mathématique et de leurs algorithmes d’apprentissage.
Des informations insuffisantes ou inexactes peuvent produire des résultats peu fiables, tandis que des ajustements excessifs risquent de faire perdre au système des connaissances acquises auparavant, un problème communément appelé oubli catastrophique.
En outre, un système qui s’améliore grâce à l’entraînement ne possède pas nécessairement de raisonnement autonome ni de conscience.
***
Ezra parcourut les informations dans son Royaume mental.
Les pages restaient ouvertes devant lui.
Il passa en revue les différentes sections, attentif aux liens qui les unissaient.
Comme il l’avait déjà indiqué…
Ces informations n’étaient pas tout à fait nouvelles pour Ezra.
Il les avait déjà étudiées au cours de ses recherches précédentes, mais les revoir lui offrait une autre perspective.
À l’époque, il avait cherché à comprendre le fonctionnement de l’apprentissage automatique et la manière dont il pouvait servir au développement de l’intelligence artificielle.
À présent, il poursuivait un autre objectif.
Il voulait mettre ces connaissances à profit pour construire le Symbole de la Formule d’apprentissage.
Revoir ces informations aidait Ezra à mieux comprendre la forme qu’il voulait donner à l’équation derrière le Symbole de la Formule d’apprentissage.
Mais il y avait plus encore.
Cette étude de l’IA est presque liée au fonctionnement du cerveau humain.
À la manière dont nous percevons, stockons et traitons les informations.
Ezra se fit cette réflexion en commençant à assembler les pièces.
Il examina de nouveau les informations sur l’apprentissage automatique.
La première section expliquait comment un système apprenant acquérait des informations et améliorait ses performances par l’expérience.
La suivante décrivait les unités mathématiques et les paramètres employés pour traiter les informations entrantes.
Venait ensuite la présentation des algorithmes d’apprentissage, puis des méthodes servant à évaluer les erreurs et à ajuster le système.
Enfin, les dernières sections portaient sur la mémoire, l’adaptation et les limites de l’apprentissage automatique.
Ezra en examina l’agencement.
Il ne s’agissait pas simplement de recevoir des informations.
Un système apprenant devait traiter ce qu’il recevait, le comparer à ce qu’il savait déjà, évaluer ses résultats et procéder à des ajustements.
Plus il étudiait ces informations, plus il voyait leurs liens avec les six principes qu’il avait définis pour la Formule d’apprentissage.
Il se rappela les mots clés que les grands Alchimistes adultes répétaient souvent au sujet des Alchimistes.
Un Alchimiste doit envisager le monde comme une équation.
Ezra se remémora ces paroles.
Et puisque l’apprentissage impliquait de recueillir, de stocker et de traiter des informations, les Symboles de formule devaient également être liés à la façon dont il pouvait concevoir la collecte naturelle de l’information.
Il reporta son attention sur l’équation qu’il avait formulée plus tôt.
Information + Connaissances + Expérience + Changement + Développement = cerveau d’IA.
L’équation restait une représentation simplifiée.
Il le savait.
Mais elle lui indiquait une direction à suivre.
Les informations recueillies par un système devaient devenir quelque chose qu’il pouvait conserver et utiliser.
Les connaissances stockées devaient être reliées aux nouvelles informations, et les résultats de ces liens devaient influer sur ses réactions futures.
C’est là que les autres principes prenaient toute leur importance.
L’adaptation.
L’auto-modification.
L’application des connaissances.
Ce n’étaient pas de simples fonctions supplémentaires, placées à côté des trois premiers principes.
Elles faisaient partie du même processus d’apprentissage.
Ezra continua d’examiner les informations.
C’était aussi pour cette raison qu’il voulait doter les nanites d’une intelligence artificielle.
Leur permettre de fonctionner de manière autonome augmenterait considérablement leur capacité à accomplir plusieurs tâches à la fois.
Au lieu de devoir donner un ordre direct à chaque nanite chaque fois qu’il voulait lui faire exécuter une tâche, un système d’apprentissage artificiel leur permettrait de traiter les informations et d’accomplir indépendamment les fonctions qui leur étaient attribuées.
Voilà ce qu’il cherchait à faire.
Bien sûr…
S’il employait la méthode alchimique de l’Alchimie illusoire, il pourrait utiliser sa propre conscience pour donner des ordres aux nanites.
Mais ce serait d’une stupidité dangereuse.
Il comprenait le risque.
S’il tentait d’utiliser sa conscience de cette façon, il pourrait finir par la diviser.
Et il restait aussi à savoir ce qui se passerait si l’une des nanites était détruite.
Il ne voulait pas risquer d’en subir les conséquences.
Il ne pourrait véritablement recourir à une méthode pareille qu’une fois parvenu au rang de Général Alchimiste ou d’érudit Alchimiste.
Mais pourquoi employer cette méthode si l’IA pouvait résoudre tous ces problèmes ?
L’esprit d’Ezra continua de traiter les informations.
Les différents éléments de connaissance s’assemblaient peu à peu.
La structure en toile restait présente dans un cadre de son esprit.
Elle contenait les six principes et leurs philosophies, dont les liens convergeaient vers le sens central qu’il avait découvert.
Dans un autre cadre se trouvaient les informations sur l’apprentissage automatique, dans son Livre des Mémoires ouvert.
Il pouvait examiner les deux à la fois.
L’un représentait le fondement philosophique de la Formule d’apprentissage.
L’autre contenait les connaissances sur les systèmes d’apprentissage artificiels de son monde précédent.
Il s’agissait de formes d’information différentes, mais Ezra voyait désormais ce qui les reliait.
Les six principes décrivaient ce qu’une entité apprenante devait accomplir.
L’étude de l’apprentissage automatique lui montrait comment un système artificiel pouvait traiter des informations, reconnaître des motifs, évaluer ses performances et modifier ses paramètres internes.
Il n’essayait pas simplement de copier la technologie de son monde précédent.
Il devait en comprendre les principes et trouver le moyen de les exprimer par l’Alchimie.
Et enfin…
À mesure que toutes ces études se mêlaient, le Symbole de la Formule d’apprentissage commençait à prendre forme dans l’esprit d’Ezra.
La structure en toile et les informations du Livre des Mémoires ne lui semblaient plus être deux connaissances séparées.
Elles devenaient les éléments d’une même idée.
La sensation de création le saisit, tandis que le flux de Cognis généré par son cerveau augmentait légèrement.