Le machine learning et les sciences sociales à l’épreuve des échelles de complexité algorithmique

Résumé Fr En Es

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.

Machine Learning, or the learning methods used to constitute what is called Artificial Intelligence, is more diversified than is generally presented. Based in particular on the classification proposed by Domingos, the article begins by presenting different approaches to ML. By comparing these formal approaches with the practices reported during Kaggle challenges, we then show that the actual decisions of Machine Learners are primarily dictated by the available data and the scale of complexity of the problems to be addressed. This argument makes it possible to put into perspective the omnipotence attributed to Machine Learning but also, for the social sciences, to specify their possible collaboration, both as a preliminary work of exploring the dimensions of a problem and as a cooperation work with Machine Learners to reduce these dimensions as necessary.

El Aprendizaje Automático, o los métodos de aprendizaje utilizados para constituir lo que se denomina Inteligencia Artificial, es más diversificado de lo que generalmente se presenta. Basado en particular en la clasificación propuesta por Domingos, el artículo comienza presentando diferentes enfoques del LD. Al comparar estos enfoques formales con las prácticas reportadas durante los desafíos de Kaggle, entonces mostramos que las decisiones reales de los machine learners están dictadas principalmente por los datos disponibles y las clases de complejidad de los problemas que se deben abordar. Este argumento permite poner en perspectiva la omnipotencia atribuida al Aprendizaje Automático, pero también, para las ciencias sociales, especificar su posible colaboración, tanto como un trabajo preliminar de exploración de las dimensiones de un problema, como un trabajo de cooperación con los machine learners para reducir estas dimensiones según sea necesario.