Comporter la norme. La normativité de l’apprentissage algorithmique à partir du problème du comportement

Cette recherche se donne comme défi de retracer les enjeux normatifs liés au développement du sous-domaine de l’intelligence artificielle appelé machine learning. Bien que celui-ci connaisse un impressionnant regain d’intérêt depuis le début du XXIe siècle, et ce à travers un nombre croissant d’acti...

Full description

Bibliographic Details
Main Author: Reigeluth, Tyler
Other Authors: Berns, Thomas
Format: Doctoral Thesis
Language:fr
Published: Universite Libre de Bruxelles 2018
Subjects:
Online Access:http://hdl.handle.net/2013/ULB-DIPOT:oai:dipot.ulb.ac.be:2013/264090
id ndltd-ulb.ac.be-oai-dipot.ulb.ac.be-2013-264090
record_format oai_dc
spelling ndltd-ulb.ac.be-oai-dipot.ulb.ac.be-2013-2640902018-04-11T17:38:38Z info:eu-repo/semantics/doctoralThesis info:ulb-repo/semantics/doctoralThesis info:ulb-repo/semantics/openurl/vlink-dissertation Comporter la norme. La normativité de l’apprentissage algorithmique à partir du problème du comportement Reigeluth, Tyler Berns, Thomas Deprins, Dominique Pinsart, Marie-Geneviève Debaise, Didier Guchet, Xavier Universite Libre de Bruxelles Université libre de Bruxelles, Faculté de Philosophie et Sciences sociales - Philosophie, Bruxelles 2018-01-10 fr Cette recherche se donne comme défi de retracer les enjeux normatifs liés au développement du sous-domaine de l’intelligence artificielle appelé machine learning. Bien que celui-ci connaisse un impressionnant regain d’intérêt depuis le début du XXIe siècle, et ce à travers un nombre croissant d’activités sociales, son émergence remonte au moins à la première moitié du XXe siècle. En effet, l’idée de concevoir des machines capables de modéliser l’apprentissage organique est largement concomitante au projet cybernétique de fonder une science du contrôle et de la communication. A force de modéliser l’apprentissage, il devient progressivement possible d’envisager à partir des années 1940 et 50 que les machines elles-mêmes seraient capables d’apprendre. C’est par l’observation des comportements des machines qu’une formalisation algorithmique de l’apprentissage s’impose. A partir de cette mise en scène, nous chercherons à montrer en quoi l’apprentissage algorithmique n’est pas nécessairement une question d’automatisation de l’apprentissage et que le comportement permet, au contraire, de problématiser la normativité des algorithmes apprenants en ce qu’ils participent activement à certaines activités sociales (travail, enseignement, guerre, etc.). Il s’agira, à partir des philosophies de Georges Canguilhem et Gilbert Simondon, de montrer en quoi les effets normatifs induits par l’apprentissage algorithmique, comme mode de gouvernement au sein d’activités sociales données, peuvent se comprendre à l’aune du concept de "répertoire de comportements potentiels". Philosophie apprentissage algorithmique machine learning Gilbert Simondon Georges Canguilhem activité sociale régime normatif philosophie des techniques 457 p. Doctorat en Philosophie info:eu-repo/semantics/nonPublished http://hdl.handle.net/2013/ULB-DIPOT:oai:dipot.ulb.ac.be:2013/264090 No full-text files
collection NDLTD
language fr
format Doctoral Thesis
sources NDLTD
topic Philosophie
apprentissage algorithmique
machine learning
Gilbert Simondon
Georges Canguilhem
activité sociale
régime normatif
philosophie des techniques
spellingShingle Philosophie
apprentissage algorithmique
machine learning
Gilbert Simondon
Georges Canguilhem
activité sociale
régime normatif
philosophie des techniques
Reigeluth, Tyler
Comporter la norme. La normativité de l’apprentissage algorithmique à partir du problème du comportement
description Cette recherche se donne comme défi de retracer les enjeux normatifs liés au développement du sous-domaine de l’intelligence artificielle appelé machine learning. Bien que celui-ci connaisse un impressionnant regain d’intérêt depuis le début du XXIe siècle, et ce à travers un nombre croissant d’activités sociales, son émergence remonte au moins à la première moitié du XXe siècle. En effet, l’idée de concevoir des machines capables de modéliser l’apprentissage organique est largement concomitante au projet cybernétique de fonder une science du contrôle et de la communication. A force de modéliser l’apprentissage, il devient progressivement possible d’envisager à partir des années 1940 et 50 que les machines elles-mêmes seraient capables d’apprendre. C’est par l’observation des comportements des machines qu’une formalisation algorithmique de l’apprentissage s’impose. A partir de cette mise en scène, nous chercherons à montrer en quoi l’apprentissage algorithmique n’est pas nécessairement une question d’automatisation de l’apprentissage et que le comportement permet, au contraire, de problématiser la normativité des algorithmes apprenants en ce qu’ils participent activement à certaines activités sociales (travail, enseignement, guerre, etc.). Il s’agira, à partir des philosophies de Georges Canguilhem et Gilbert Simondon, de montrer en quoi les effets normatifs induits par l’apprentissage algorithmique, comme mode de gouvernement au sein d’activités sociales données, peuvent se comprendre à l’aune du concept de "répertoire de comportements potentiels". === Doctorat en Philosophie === info:eu-repo/semantics/nonPublished
author2 Berns, Thomas
author_facet Berns, Thomas
Reigeluth, Tyler
author Reigeluth, Tyler
author_sort Reigeluth, Tyler
title Comporter la norme. La normativité de l’apprentissage algorithmique à partir du problème du comportement
title_short Comporter la norme. La normativité de l’apprentissage algorithmique à partir du problème du comportement
title_full Comporter la norme. La normativité de l’apprentissage algorithmique à partir du problème du comportement
title_fullStr Comporter la norme. La normativité de l’apprentissage algorithmique à partir du problème du comportement
title_full_unstemmed Comporter la norme. La normativité de l’apprentissage algorithmique à partir du problème du comportement
title_sort comporter la norme. la normativité de l’apprentissage algorithmique à partir du problème du comportement
publisher Universite Libre de Bruxelles
publishDate 2018
url http://hdl.handle.net/2013/ULB-DIPOT:oai:dipot.ulb.ac.be:2013/264090
work_keys_str_mv AT reigeluthtyler comporterlanormelanormativitedelapprentissagealgorithmiqueapartirduproblemeducomportement
_version_ 1718631298687303680