4 mars 2020
Ce document est lié à :
info:eu-repo/semantics/reference/issn/1760-5393
https://creativecommons.org/licenses/by-nc-nd/4.0/ , info:eu-repo/semantics/openAccess
Dominique Boullier et al., « Le machine learning et les sciences sociales à l’épreuve des échelles de complexité algorithmique », Revue d’anthropologie des connaissances, ID : 10.4000/rac.4260
Le Machine Learning, ou méthodes d’apprentissage utilisées pour constituer ce qu’on appelle Intelligence Artificielle, est plus diversifié qu’on ne le présente en général. En s’appuyant notamment sur la classification proposée par Domingos, l’article commence par présenter différentes approches du ML. En confrontant ces approches formelles aux pratiques relatées durant des défis Kaggle, nous montrons ensuite que les décisions effectives des Machines Learners sont avant tout dictées par les données disponibles et l’échelle de complexité des problèmes à traiter. Cet argument permet de relativiser la toute-puissance attribuée au Machine Learning mais aussi, pour les sciences sociales, de préciser leur collaboration possible, à la fois comme travail préalable d’exploration des dimensions d’un problème et comme accompagnement du travail des Machine Learners de réduction nécessaire de ces dimensions.