Comprendre les effets des actions, au-delà des corrélations
PROPOS RAPPORTÉS
Bernhard Schölkopf explique pourquoi la reconnaissance de régularités ne suffit pas lorsque les conditions changent. Les modèles causaux cherchent à représenter les effets d’interventions, plutôt qu’à seulement prédire des observations. Il invite la recherche à dépasser les données recueillies passivement et à tester comment les systèmes apprennent en interagissant avec le monde.
Synthèse en français, sans citation littérale. Elle ne représente pas l’intégralité de la source.
Crédits et licences
Illustration générée par IA, et non photographie documentaire.
Portrait cartoon généré par IA de Bernhard Schölkopf. Référence d’apparence : ELLIS Institute Tübingen ; photographe non indiqué sur la fiche. Photographie source non republiée.
Modifications : Transformation cartoon, cadrage tête-épaules, fond noir violet magenta et reflet violet discret ; déclinaisons redimensionnées sans recadrage. Déclinaisons WebP pour l’affichage web, sans recadrage supplémentaire.
Une illustration éditoriale ne constitue pas un soutien ou une affiliation de la personne représentée à MIND AI THINK TANK.
Les personnes référencées ne sont pas présentées comme membres, partenaires ou soutiens de MIND AI THINK TANK. Leurs interventions sont étudiées comme sources publiques.
D’autres regards sur ces domaines
Des interventions publiques indépendantes, rapprochées par leurs thèmes.
Isaac BayohConcevoir une IA attentive aux langues et aux cultures africaines
Sara HookerSara Hooker : les données des entreprises, un enjeu d’autonomie face à l’IA
Anima AnandkumarAnima Anandkumar : construire une IA adaptée aux phénomènes physiques
Alex KarpAlex Karp : responsabilité, partage des gains et protection des données
