Judea Pearl : distinguer corrélation et raisonnement causal
PROPOS RAPPORTÉS
Judea Pearl distingue l’apprentissage d’associations statistiques du raisonnement sur les causes. Dans cet entretien de 2018, il explique pourquoi les interventions et les questions contrefactuelles nécessitent des modèles du monde, et pas seulement davantage de données. Il présente le langage des diagrammes causaux comme un moyen d’expliciter des hypothèses et d’en tirer des conséquences testables. Son jugement sur les limites des systèmes d’IA décrit le contexte de 2018, et ne constitue pas une évaluation des modèles disponibles en 2026.
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.
Illustration IA adaptée de la photographie « Judea Pearl at NIPS 2013 » par Better Than Bacon, 6 décembre 2013, CC BY 2.0. Recadrage et transformation graphique.
Modifications : Transformation en cartoon semi-réaliste, cadrage tête et épaules et fond noir à halo violet ; angle de tête, regard, lunettes et tenue préservés. 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
