Le monde numérique pour qui toute sortie résulte d'un calcul n'a pas besoin de la rétroaction. Depuis l'avènement de l'ère numérique, les systèmes de traitement de l'in-formation sont dotés de dispositifs permettant de corriger les erreurs par calcul, ce qui a permis de comprendre que le monde vivant et en particulier les humains corrigeaient aussi leurs erreurs par calcul de telle façon qu'une information incomplète ou dégradée puisse être intégrée correctement. C'est un phénomène qui existe lors de l'apprentissage d'une lange, qu'elle soit maternelle ou autre. Nous pensons que ces points sont impor-tants et même indispensables à notre réexion en phonétique au niveau de toute réexion sur la transmission de la langue parlée et les messages messages qu'elle véhicule.
3.3.1 L'intelligence articielle (IA)
Nous nous intéressons depuis longtemps à ce qui se rapporte à cette science qui tente d'imiter le vivant. Les systèmes analogiques sont désormais complétés par des systèmes numériques qui permettent de simuler l'intelligence du vivant par un assouplissement et une multiplication des possibilités de mémorisation et l'apprentissage. Le développement des micro puis nano-techniques et des réseaux apporte chaque jour son lot d'inovations.
Micro-robots, implants non invasifs, réseaux de toutes sortes permettent de construire des systèmes capables de communiquer et d'évoluer entre eux et d'inter-réagir avec le vivant en communicant, en apprenant et en se transformant eux-mêmes. La
construc-tion de ces systèmes permet, en limitant strictement les condiconstruc-tions de départ, d'étudier l'évolution d'un phénomène ou, inversement, de rechercher les conditions nécessaires à sa réalisation. Ces dispositifs sont utilisés par exemple pour étudier l'évolution d'un langage entre machines ou dans un ensemble mixte, vivant-mécanique. Les résultats permettent au spécialiste prudent de mieux comprendre certains phénomènes cachés du monde vivant et à la robotique de progresser.
L'apprentissage automatisé
Un apprentissage peut être automatisé par programmation et s'adapter à des condi-tions extérieures. Si l'objectif peut-être atteint par une suite d'opéracondi-tions simples, nous disposons à coup sûr d'un algorithme ecace et d'un langage adaptés à cette tâche.
Ainsi, il est relativement simple d'apprendre à une machine à calculer la durée d'une série de sons, de faire une moyenne, d'avertir l'autorité compétente à la suite d'un évé-nement particulier ou d'une combinaison d'évéévé-nements analysés à travers un réseau bayésien.
Cependant, dans de nombreux cas, nous sommes dans l'incapacité d'expliquer une situation ou sa complexité est tellement grande que nous n'avons pas d'autre choix que de réaliser un nombre très important d'essais successifs : c'est que l'on appelle la résolution de problème par force brute. Cette technique permet par exemple de casser le code de documents chirés, de reconnaître un texte ou un mot parmi une multitude de documents ou de bruits. Le temps requis est souvent un frein à ce type de méthode.
C'est la raison d'être d'algorithmes comme la Méthode de Monte Carlo qui utilise le hasard le plus parfait possible pour résoudre des problèmes diciles comme le calcul de fonctions non intégrables ou sans solution classique. L'utilisation d'un hasard le plus parfait possible évite alors de perdre du temps à tirer plusieurs fois le même jeton . De même nous verrons que la compression de chiers la plus parfaite possible ore une solution élégante pour leur comparaison.
L'apprentissage articiel prend tout son sens dans la résolution de problèmes avec des
données multiples pour lesquels l'ordinateur va pouvoir apprendre une tâche en faisant le bilan de milliers d'exercices : pour être ecace, le programme doit être conçu pour retenir la conguration la plus favorable en n d'exercice. Ces techniques peuvent être supervisées ou non par un expert humain.
Les réseaux de calcul
Les structures les plus communément dédiées à l'apprentissage se présentent sous formes de réseaux. La plus célèbre concerne les réseaux neuronaux, terme qui paraît magique par sa similitude supposée avec notre cerveau. Pourtant ces réseaux sont très diérents de celui-ci, par leur simplicité d'abord et parce les réseaux neuronaux sont des structures plutôt rigides, avec des connexions en anneau, en treillis, etc. mais ils sont très ecaces dans leur spécialité. Ils demandent malheureusement un apprentissage souvent long et des essais multiples et fastidieux qui sont à refaire de nombreuses fois pour aner les résultats, travail qui doit-être recommencé à chaque modication de la conguration du réseau ou des besoins. Nous avons rejeté ce type d'approche à cause de ces contraintes et parce qu'elle a largement été explorée.
Les Réseaux de Markov Cachés sont plus souples que les réseaux neuronaux et très utilisés en reconnaissance de la parole. Nous avons également étudié les possibilités oertes par les réseaux bayésiens qui sont entièrement probabilistes et ne nécessitent pas d'à priori.
D'autres systèmes tentent d'imiter le monde vivant avec une programmation leur permettant de s'adapter aux conditions environnementale et d'évoluer. Notre attention s'est portée sur les automates évolutionnaires qui permettent de résoudre des problèmes insolubles autrement. Ils permettent par exemple d'étudier l'évolution d'un génome arti-ciel sur des millions de générations au rythme de 1 ms par génération pour l'automate contre 20 mn pour une bactérie réelle. Ce qui nous intéresse est le fait qu'ils ont été utilisés pour la reconnaissance de la parole, pour l'étude de l'évolution de langages ar-ticiels [81] ainsi que dans des expériences mêlant humains et machines en réseau.
Nous vivons d'ailleurs dès maintenant une expérience en temps réel où des automates capables d'adaptation, doués de facultés de production et de reconnaissance de la parole, ayant la possibilité de répondre à des demandes concrètes, s'insèrent sans heurt apparent dans le tissus vivant de nos sociétés.