22
Argumentation et Délibération
L’argumentation est un processus standard pour trouver une position commune dans un groupe à partir
d’opinions individuelles contradictoires. Les plate-formes permettant d’avancer des arguments, des
attaques ou des soutiens entre arguments se développent de plus en plus sur le Web. L’argumentation
est également de plus en plus souvent utilisé pour les consultations citoyennes (voir l’exemple de la loi
numérique). Il est nécessaire d’avoir les méthodes de raisonnement et de décision pour pouvoir exploiter ces arguments et permettre par exemple d’identifier les arguments les plus acceptables, ceux qui
sont le plus polémique, etc. Ces méthodes sont étudiées depuis de nombreuses années et les bases sont
bien connues, mais ces nouveaux usages et leur conséquences (grandes masses d’arguments, nouveaux
types de relations entre argument, etc.) nécessitent de trouver de nouvelles méthodes afin de pouvoir
faciliter le développement et l’utilisation de ces plate-formes de délibération, qui auront un rôle clé à
l’avenir pour les délibérations et la consultation citoyenne, et les applications de commerce (avis sur
les produits, etc.).
Explicabilité des méthodes d’apprentissage
Le fait qu’apprentissage et capacité d’explication ne vont en général pas de pair tient, au delà d’une
antinomie entre performance et explicabilité, à l’histoire même de l’IA où dès ses débuts plusieurs
courants de recherche bien distincts se sont développés : d’une part des méthodes numériques de type
“boite noire”, et d’autre part des méthodes basées sur la logique orientées vers le raisonnement. Cela
vaut aussi pour l’apprentissage à partir de données booléennes, nominales, ou ordinales. Il existe cependant un petit nombre de travaux qui interfacent de telles “boites noires” avec des systèmes de
règles qui peuvent éclairer leurs réponses. Développer de telles interfaces explicatives est indéniablement un enjeu de grande importance pour le futur.
Causalité
La causalité a déjà fait l’objet de nombreuses études que ce soit pour le raisonnement symbolique ou
probabiliste, mais il n’y a pour le moment pas de solution parfaite. Or ces problématiques de causalité
et de responsabilité sont de première importance pour de nombreuses questions légales (par exemple
identifier les responsabilités lors d’un accident de la route), ou pour prédire les conséquences d'une
action comme changer un paramètre d'un système. Des travaux récents en apprentissage ont proposé
de nouvelles approches pour identifier la causalité quand on observe des corrélations, mais restent
assez peu performants en pratique; la causalité pose des questions mathématiques et algorithmiques
difficile mais de première importance.
Apprentissage machine
La puissance des techniques d’apprentissage est illustrée par le déploiement de celles-ci pour un
nombre impressionnant d’applications (notamment la vision, la traduction automatique, les véhicules
autonomes, etc.). Ces techniques sont applicables principalement lorsque l’on dispose de masses de
données. Mais il reste à travailler sur un grand nombre de points, que ce soit sur les fondements de ces
approches, ou sur les cas où l’on dispose de moins d’exemples.
Les grands défis concernant cette thématique:
Argumentation et Délibération
L’argumentation est un processus standard pour trouver une position commune dans un groupe à partir
d’opinions individuelles contradictoires. Les plate-formes permettant d’avancer des arguments, des
attaques ou des soutiens entre arguments se développent de plus en plus sur le Web. L’argumentation
est également de plus en plus souvent utilisé pour les consultations citoyennes (voir l’exemple de la loi
numérique). Il est nécessaire d’avoir les méthodes de raisonnement et de décision pour pouvoir exploiter ces arguments et permettre par exemple d’identifier les arguments les plus acceptables, ceux qui
sont le plus polémique, etc. Ces méthodes sont étudiées depuis de nombreuses années et les bases sont
bien connues, mais ces nouveaux usages et leur conséquences (grandes masses d’arguments, nouveaux
types de relations entre argument, etc.) nécessitent de trouver de nouvelles méthodes afin de pouvoir
faciliter le développement et l’utilisation de ces plate-formes de délibération, qui auront un rôle clé à
l’avenir pour les délibérations et la consultation citoyenne, et les applications de commerce (avis sur
les produits, etc.).
Explicabilité des méthodes d’apprentissage
Le fait qu’apprentissage et capacité d’explication ne vont en général pas de pair tient, au delà d’une
antinomie entre performance et explicabilité, à l’histoire même de l’IA où dès ses débuts plusieurs
courants de recherche bien distincts se sont développés : d’une part des méthodes numériques de type
“boite noire”, et d’autre part des méthodes basées sur la logique orientées vers le raisonnement. Cela
vaut aussi pour l’apprentissage à partir de données booléennes, nominales, ou ordinales. Il existe cependant un petit nombre de travaux qui interfacent de telles “boites noires” avec des systèmes de
règles qui peuvent éclairer leurs réponses. Développer de telles interfaces explicatives est indéniablement un enjeu de grande importance pour le futur.
Causalité
La causalité a déjà fait l’objet de nombreuses études que ce soit pour le raisonnement symbolique ou
probabiliste, mais il n’y a pour le moment pas de solution parfaite. Or ces problématiques de causalité
et de responsabilité sont de première importance pour de nombreuses questions légales (par exemple
identifier les responsabilités lors d’un accident de la route), ou pour prédire les conséquences d'une
action comme changer un paramètre d'un système. Des travaux récents en apprentissage ont proposé
de nouvelles approches pour identifier la causalité quand on observe des corrélations, mais restent
assez peu performants en pratique; la causalité pose des questions mathématiques et algorithmiques
difficile mais de première importance.
Apprentissage machine
La puissance des techniques d’apprentissage est illustrée par le déploiement de celles-ci pour un
nombre impressionnant d’applications (notamment la vision, la traduction automatique, les véhicules
autonomes, etc.). Ces techniques sont applicables principalement lorsque l’on dispose de masses de
données. Mais il reste à travailler sur un grand nombre de points, que ce soit sur les fondements de ces
approches, ou sur les cas où l’on dispose de moins d’exemples.
Les grands défis concernant cette thématique: