Démarrer l'essai gratuit
Tendances Nouveau Genres Auteurs
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Recherche en cours...
SoBrief
Penser en algorithmes

Penser en algorithmes

Titre original: Algorithms to Live By
Savoir quand cesser de chercher, quoi prioriser et comment décider avec des informations incomplètes.
par Brian Christian 2016 368 pages
4.12
35 000+ évaluations
Écouter
Immersif
V2.3
Amazon Kindle Audible
Essayez l'accès complet pendant 3 jours
Débloquez l'écoute et bien plus !
Continuer

Points clés

Quand les options s’amenuisent, consacrez les premiers 37 % à apprendre à reconnaître ce qui est bon.

La recherche obéit à une certaine structure. Dans le problème du secrétaire, les candidats se présentent un à un, on ne peut pas les rappeler et on ne peut les classer que par rapport à ceux qu’on a déjà vus. Pour maximiser les chances de choisir le meilleur, commencez par observer environ 37 % des candidats sans en retenir aucun. Acceptez ensuite le premier candidat qui surpasse tous ceux de cet échantillon initial. On retrouve la même structure dans la recherche d’un appartement: les premières visites établissent un point de comparaison, tandis que les suivantes exigent une décision.

Les chances restent imparfaites. Même cette méthode optimale ne permet de trouver le meilleur candidat qu’environ 37 % du temps. Son intérêt ne tient pas à la certitude qu’elle procure, mais à l’équilibre fiable qu’elle établit entre apprendre trop peu et chercher jusqu’à ce que toutes les occasions aient disparu. La règle change si les candidats peuvent refuser les offres, revenir plus tard ou être évalués selon un critère objectif.

Analyse

La leçon frappante, c’est qu’un processus solide peut tout de même aboutir à un résultat décevant. Cette distinction aide à contrer le biais rétrospectif, qui consiste à juger une décision d’après son résultat plutôt que selon ce qu’on pouvait savoir à l’époque. Le chiffre de 37 % est utile comme modèle, pas comme loi de la vie : dans les recherches réelles, les options sont inégales, les priorités évoluent et attendre a un coût. En pratique, il s’agit de décider à l’avance quand la collecte d’informations prendra fin, puis d’éviter de prolonger discrètement la recherche chaque fois qu’on redoute de s’engager.

Explorez sur un horizon lointain, puis consacrez les horizons courts aux valeurs sûres.

La découverte a besoin de temps. Le compromis entre exploration et exploitation consiste à choisir entre essayer des options inconnues pour en découvrir la valeur et retourner à ce qui a déjà fait ses preuves. Un nouveau restaurant vaut peut-être la peine d’être essayé au début d’un long séjour, car une belle découverte pourra récompenser de nombreuses visites à venir. À l’approche du départ, retourner dans un établissement qu’on aime déjà est plus raisonnable: il reste peu de temps pour profiter des nouvelles informations.

L’horizon temporel modifie les comportements. Le livre relie ce schéma aux étapes de la vie. Les enfants explorent largement, tandis que les adultes subviennent à leurs besoins; les personnes âgées ont souvent tendance à resserrer leur cercle social autour de relations proches. Les expériences décrites dans le livre ont montré que les jeunes adultes et les personnes âgées modifiaient leurs préférences sociales lorsqu’on leur demandait d’imaginer un changement de leur horizon temporel. La variable essentielle n’est pas l’âge à lui seul, mais le temps dont on dispose pour tirer parti de ce que l’exploration révèle.

Analyse

Ce cadre présente la nouveauté comme un investissement, et non comme une vertu en soi. L’exploration a un coût immédiat et un rendement éventuel plus tard ; un horizon court favorise donc naturellement les récompenses sûres. Cette idée explique aussi pourquoi la nouveauté constante peut épuiser : découvrir sans avoir le temps de profiter de ses découvertes, c’est faire de la recherche sans rémunération. Les horizons restent toutefois souvent incertains, et chacun accorde une valeur différente aux surprises. Un bon équilibre pratique consiste à préserver du temps pour explorer délibérément, sans considérer chaque plaisir familier comme un manque d’imagination.

Ne triez que si les recherches répétées justifient l’effort nécessaire pour mettre de l’ordre.

Mettre de l’ordre prend du temps. Le tri est utile lorsqu’il accélère les recherches ultérieures, mais il n’en vaut pas automatiquement la peine. Pour un ordinateur, le tri fondé sur des comparaisons nécessite au minimum environ n log n opérations; les méthodes simples peuvent en exiger n au carré. Dans la vie courante, le calcul est moins spectaculaire, mais similaire: classer une bibliothèque par ordre alphabétique peut prendre des heures pour faire gagner quelques secondes à chaque recherche, alors qu’un immense index en ligne, consulté en permanence, bénéficie d’une préparation poussée.

Sachez ce que signifie le classement. Un tableau à élimination directe peut désigner efficacement un vainqueur, mais il ne permet pas de classer de manière fiable toutes les équipes, puisque les équipes battues cessent de jouer. Lewis Carroll faisait déjà cette remarque au sujet des récompenses au tennis au XIXe siècle. L’utilité d’une méthode de classement dépend de son objectif: désigner rapidement un vainqueur, ou multiplier les comparaisons pour connaître l’ordre complet.

Analyse

Ce chapitre présente le rangement comme une décision d’investissement, et non comme une réussite morale. Ce changement de perspective est utile chaque fois qu’on confond ordre visible et efficacité. Il montre aussi qu’un classement peut masquer ce qu’il ne mesure pas : le champion n’est pas nécessairement la deuxième meilleure équipe, pas plus qu’un résultat mis en avant par un algorithme n’est nécessairement le plus pertinent. Il faut toutefois garder à l’esprit que le coût des recherches ne se résume pas aux secondes qu’elles prennent. Certaines personnes apprécient le calme que procure un espace ordonné ; le meilleur choix en matière de tri peut donc inclure des bénéfices psychologiques que le modèle informatique ne prend pas en compte.

Gardez à portée de main ce que vous utilisez souvent et rangez ce que l’expérience vous apprend à peu utiliser.

La récence prédit la réutilisation. Les ordinateurs utilisent des caches, de petites zones de stockage rapides qui gardent à portée de main les informations susceptibles d’être nécessaires. Quand un cache est plein, la méthode du moins récemment utilisé (LRU) supprime l’élément auquel on n’a pas accédé depuis le plus longtemps. Elle fonctionne parce qu’une information utilisée récemment sera souvent nécessaire de nouveau sous peu. Cette logique peut aussi guider l’organisation d’un placard: placez près de la porte le matériel de sport dont vous vous servez avant de sortir, et mettez les affaires rarement utilisées dans un espace de rangement moins accessible.

Organisez-vous en fonction de vos habitudes réelles. L’économiste Yukio Noguchi gardait ses dossiers dans une boîte et remettait chaque dossier consulté tout devant. Les documents les plus récents et les plus récemment utilisés devenaient ainsi les plus faciles à trouver, sans qu’il soit nécessaire de les répartir en catégories thématiques élaborées. Ce système ne correspond pas à l’idée conventionnelle du rangement. C’est une organisation simple qui s’adapte à l’évolution des usages.

Analyse

Le changement utile consiste à ne plus se demander où un objet devrait se trouver dans une classification abstraite, mais où l’on en aura besoin la prochaine fois. L’organisation s’adapte ainsi aux comportements plutôt qu’aux apparences. La récence, toutefois, n’est qu’un indicateur de la valeur future. Un passeport peut servir rarement, mais coûter cher à perdre, tandis qu’un vieux dossier peut avoir une importance juridique. La meilleure approche combine la proximité pour les objets souvent utilisés et une protection distincte pour ceux qui sont importants, même si on y accède peu.

Ne choisissez votre règle de planification qu’après avoir défini ce qui constitue une réussite.

C’est le critère qui détermine l’ordre. Si l’objectif est de minimiser le retard maximal, planifiez les tâches selon leur échéance la plus proche. Si vous voulez expédier rapidement les petites tâches, commencez par les plus courtes. Si les tâches n’ont pas toutes la même importance, divisez l’importance par le temps nécessaire à leur réalisation et donnez la priorité au ratio le plus élevé. Ces règles peuvent mener à des choix différents, car elles optimisent des résultats différents. Avoir une liste de tâches bien rangée, réduire le nombre de tâches en retard et maximiser la valeur totale, ce n’est pas viser le même objectif.

Les dépendances peuvent masquer l’urgence. À bord de la sonde Mars Pathfinder de la NASA, une tâche peu prioritaire retenait une ressource dont avait besoin une tâche hautement prioritaire, ce qui permettait à des tâches de priorité moyenne de retarder la tâche critique. Les ingénieurs ont résolu cette inversion des priorités en augmentant temporairement la priorité de la tâche bloquante. Le travail humain connaît des dépendances similaires: une étape apparemment mineure, mais qui débloque un projet important, peut devoir passer en premier. Passer fréquemment d’une tâche à l’autre a aussi un coût réel.

Analyse

L’avertissement le plus concret de la théorie de la planification, c’est que la productivité suit le tableau des scores. Une pastille sur la boîte de réception incite à réduire le nombre de messages, même si le travail le plus important se trouve ailleurs. Nommer le critère permet de mettre au jour cette pression cachée et de discuter des compromis. Pourtant, les priorités humaines ne se réduisent pas toujours à un ratio unique : le soin, l’équité et l’incertitude résistent à une pondération précise. Les algorithmes sont surtout utiles comme outils de diagnostic. Ils révèlent ce qu’une règle donnée sacrifiera, ce qui permet de choisir délibérément plutôt que de laisser une interface choisir par défaut.

Prédisez à partir du schéma qui se dessine dans les données, et non d’une seule observation.

Les données doivent être interprétées à partir d’une probabilité a priori. La règle de Bayes met à jour une attente initiale, appelée probabilité a priori, à la lumière de nouvelles données. Une seule réussite ne prouve pas qu’un processus réussit toujours; sa signification dépend des taux de réussite qu’on jugeait plausibles auparavant. Pour un processus ayant connu w réussites sur n tentatives, l’estimation simple de Laplace consiste à diviser (w + 1) par (n + 2), ce qui tempère les conclusions extrêmes tirées d’échantillons minuscules.

Des schémas différents appellent des prévisions différentes. Le livre distingue les événements concentrés autour d’une échelle typique, comme la durée de vie humaine, des événements suivant une loi de puissance, comme les recettes des films, où quelques résultats sont énormes. Pour un événement d’échelle typique, faites une prévision proche de la moyenne. Pour un événement suivant une loi de puissance, la taille actuelle donne une indication de l’échelle probable. Un processus sans mémoire, comme les intervalles indépendants entre événements, appelle une estimation constante, plutôt que l’hypothèse qu’un résultat est imminent parce que l’attente a été longue.

Analyse

L’apport essentiel est de rappeler que même de petits échantillons peuvent étayer des jugements utiles lorsqu’on dispose d’un solide modèle de fond, formé par l’expérience. Ce modèle est souvent implicite, ce qui le rend puissant, mais difficile à examiner. Une prévision sur l’arrivée d’un autobus repose sur un schéma différent de celui qu’on utilise pour parler de l’espérance de vie. Le danger, c’est que l’attention des médias peut fausser ces probabilités a priori en faisant paraître fréquents des événements rares. Quand un jugement semble évident, il peut être utile de se demander quel type de processus on suppose et d’où vient cette supposition.

Quand les mesures sont bruitées, cessez d’ajouter des facteurs avant de modéliser le bruit.

Un ajustement parfait peut induire en erreur. Le surapprentissage se produit lorsqu’un modèle épouse si étroitement les données qu’il a observées qu’il donne de mauvais résultats sur de nouveaux cas. Dans un exemple portant sur la satisfaction conjugale, une courbe à neuf facteurs suivait chaque point observé, mais prédisait des fluctuations invraisemblables au-delà de la période étudiée. Une courbe plus simple, à deux facteurs, s’ajustait moins parfaitement, mais produisait une prévision plus crédible. Des détails supplémentaires peuvent donner au bruit l’apparence d’un schéma réel.

Vérifiez la capacité de généralisation. La validation croisée met de côté une partie des données pour voir si un modèle prédit des observations sur lesquelles il n’a pas été élaboré. La régularisation ajoute une pénalité à la complexité et dissuade le modèle de s’appuyer sur trop de facteurs peu solides. Le même risque se présente hors des statistiques: un indicateur de performance peut récompenser les cas faciles plutôt que les plus importants, et la formation peut enseigner une routine étroite plutôt qu’une compétence transposable.

Analyse

Cette idée explique pourquoi des efforts supplémentaires peuvent nuire à la précision lorsque la cible n’est mesurée qu’imparfaitement. Elle éclaire aussi l’attrait des heuristiques simples : elles peuvent être robustes précisément parce qu’elles refusent de poursuivre chaque fluctuation. La simplicité n’est toutefois pas toujours synonyme de sagesse. Un modèle rudimentaire peut passer à côté d’une structure réelle, tout comme un modèle complexe peut confondre le bruit et la structure. Le niveau de détail approprié dépend de la qualité des données et du coût de l’erreur. Les tests indépendants sont particulièrement utiles lorsque l’indicateur n’est qu’un substitut de ce qui importe réellement aux gens.

Simplifiez le problème avant d’exiger une réponse parfaite impossible à obtenir.

Certains problèmes de recherche explosent. Le problème du voyageur de commerce consiste à trouver le trajet le plus court passant par un ensemble de villes, chacune une seule fois. Essayer tous les trajets fait croître leur nombre de façon factorielle; même avec dix villes, on obtient des millions de possibilités. Les informaticiens classent les problèmes selon qu’ils peuvent ou non être résolus efficacement; pour de nombreux problèmes d’optimisation pratiques, aucune méthode efficace permettant de trouver la solution exacte optimale n’est connue.

Rendez utile une version simplifiée. Le relâchement des contraintes consiste à supprimer temporairement une règle. Pour la planification d’un itinéraire, autoriser les passages répétés crée un arbre couvrant de poids minimum, une borne inférieure calculable rapidement pour le véritable itinéraire. La relaxation continue remplace les choix entiers par des fractions, qu’on peut ensuite arrondir pour obtenir une approximation utilisable. La relaxation lagrangienne transforme une contrainte stricte en pénalité. Ces méthodes ne font pas apparaître la perfection par magie, mais elles peuvent encadrer la réponse ou fournir une solution proche et pratique.

Analyse

La relaxation ne revient pas simplement à revoir ses ambitions à la baisse. C’est une méthode rigoureuse pour tirer des enseignements d’une version simplifiée de la réalité, puis les réappliquer au problème plus difficile. Elle fonctionne mieux lorsque l’approximation s’accompagne d’une borne claire ou d’un test de sa qualité. Sinon, une simplification élégante peut masquer précisément la contrainte qui compte le plus. Dans les décisions de tous les jours, se demander ce qui changerait si un obstacle disparaissait peut aider à clarifier les priorités, mais la réponse n’est qu’un point de départ, pas la preuve que l’obstacle est sans importance.

Misez stratégiquement sur le hasard lorsque le raisonnement exhaustif ne peut aboutir.

L’échantillonnage peut surpasser l’énumération. Lorsque le mathématicien Stanislaw Ulam s’est demandé à quelle fréquence on pouvait gagner au solitaire, calculer toutes les parties possibles était hors de portée. Jouer de nombreuses parties choisies au hasard permettait d’obtenir une estimation. Cette approche est devenue la méthode de Monte-Carlo, qui utilise des échantillons aléatoires répétés pour approximer des réponses trop complexes à déduire directement. Les tests aléatoires de primalité vérifient eux aussi certaines valeurs: répéter le test rend extrêmement faible la probabilité d’un résultat erroné.

Le hasard peut aider à sortir d’une impasse. Une recherche locale qui améliore sans cesse une solution peut se retrouver bloquée sur un sommet voisin. Le recuit simulé commence par accepter plus volontiers une dégradation, puis devient progressivement plus sélectif. Ce recul temporaire peut ouvrir la voie à une meilleure solution globale. Ici, le hasard n’est pas de l’imprudence: c’est une manière contrôlée d’explorer des possibilités qu’une stratégie rigide n’atteindrait jamais.

Analyse

Le hasard est précieux lorsqu’il permet de lever un obstacle précis : une énumération impossible, une fausse certitude ou une recherche piégée dans un optimum local. Il importe de distinguer l’échantillonnage du simple pari. Une méthode aléatoire a besoin d’un nombre suffisant d’essais bien choisis, et son taux d’erreur doit être adapté aux conséquences d’une erreur. Lorsqu’il s’agit de découvrir des choses sans grand risque, une exploration large peut être libératrice. En médecine ou en sécurité, même une probabilité d’erreur infime exige une validation minutieuse. L’utilité du hasard dépend à la fois de son calibrage et du coût de l’échec.

Préservez la réactivité en regroupant les interruptions et en refusant les files d’attente interminables.

La communication a un coût indirect. Les messages Internet circulent par paquets et utilisent des accusés de réception pour confirmer leur arrivée. Lorsque la transmission échoue à plusieurs reprises, la temporisation exponentielle allonge le délai avant chaque nouvelle tentative. Elle réduit ainsi les collisions tout en laissant ouverte la possibilité d’un nouvel essai. Le principe a un équivalent humain: après plusieurs annulations, espacez davantage les invitations au lieu de poursuivre sans cesse quelqu’un ou de mettre brusquement fin à la relation.

La file d’attente peut devenir le problème. Des tampons réseau surdimensionnés acceptent le trafic, mais le retardent si longtemps que les tâches interactives deviennent poussives. Les auteurs appellent cela le bufferbloat (gonflement des files d’attente). Les gens créent une surcharge similaire lorsqu’ils gardent chaque courriel, demande et émission manquée pour s’en occuper plus tard. Regrouper les vérifications de routine réduit le coût des changements de tâche; mieux vaut parfois écarter délibérément les demandes de peu de valeur que faire attendre tout le monde. Dans une conversation, de brefs signes d’écoute aident aussi la personne qui parle à s’ajuster et à poursuivre son propos de façon cohérente.

Analyse

Ce chapitre distingue la capacité de la réactivité. Un système peut conserver davantage d’informations et pourtant moins bien servir les gens s’il les fait attendre trop longtemps ou les maintient constamment en alerte. Cela vaut aussi pour les institutions : une file d’attente qui n’écarte jamais aucune demande peut masquer un écart entre la charge de travail et la capacité disponible. Mais supprimer des messages n’est pas toujours une marque de bienveillance. Certaines demandes sont urgentes, et certaines personnes ont moins de moyens que d’autres pour supporter les retards. Une bonne conception de la communication rend les attentes explicites et prévoit une voie distincte pour les demandes à fort enjeu.

Concevez des règles qui facilitent la coopération et rendent inutiles les calculs stratégiques.

Des résultats désastreux peuvent être stables. Dans le dilemme du prisonnier, chacun des deux partenaires a intérêt à trahir l’autre, quel que soit le choix de ce dernier. Tous deux obtiennent alors un résultat moins bon que s’ils avaient coopéré. La tragédie des biens communs porte ce problème à plus grande échelle: un usage excessif, raisonnable du point de vue individuel, peut ruiner une ressource partagée. La solution peut consister à repenser les incitations, plutôt qu’à sermonner les gens pour qu’ils se comportent mieux. Une enchère de Vickrey, par exemple, fait de l’offre honnête la meilleure stratégie en faisant payer au vainqueur la deuxième offre la plus élevée.

Facilitez la coordination. La bienveillance computationnelle (computational kindness), selon l’expression du livre, consiste à réduire le travail mental qu’on impose aux autres. Exprimez une préférence sincère plutôt que de demander à chacun de la deviner, ou proposez deux choix concrets plutôt qu’un éventail de possibilités sans limites. Lors d’un voyage en groupe, des attentes qui restent tacites peuvent conduire tout le monde à approuver un projet que personne ne souhaite vraiment.

Analyse

L’idée qui relie ces exemples, c’est que les résultats sociaux dépendent de la structure des interactions, et pas seulement du caractère des individus. Les règles peuvent rendre la coopération stable, l’honnêteté avantageuse ou la coordination ordinaire moins épuisante. Cette perspective détourne l’attention du blâme pour la porter sur la conception des règles, sans effacer la responsabilité individuelle. Elle met aussi en garde contre la tentation de traiter chaque préférence comme un jeu à optimiser : la confiance, la dignité et les inégalités de pouvoir de négociation comptent. Une structure plus humaine fournit aux personnes des informations utiles, rend leurs choix compréhensibles et évite de les obliger à résoudre une énigme dont personne ne leur a expliqué les règles.

Analyse

Penser en algorithmes propose, sous la forme d’un récit, une visite guidée des sciences informatiques conçues comme une théorie pratique de la prise de décision sous contraintes. Son idée directrice consiste à traiter les dilemmes ordinaires comme des problèmes formels où le temps, l’espace, l’attention et l’information sont rares. L’intérêt n’est pas de rendre la vie mathématiquement ordonnée. C’est de rendre l’anxiété familière analysable: une recherche a un point d’arrêt, un calendrier a un objectif, une prévision repose sur des hypothèses et un dilemme social peut tenir à de mauvaises règles plutôt qu’à de mauvais participants.

Le livre est particulièrement convaincant lorsqu’il montre que la rationalité tient compte du coût du calcul. La méthode optimale n’est pas toujours celle qui trouve la meilleure réponse après une délibération illimitée; c’est celle qui établit le meilleur compromis entre précision, effort et délai. Cette approche rejoint naturellement la rationalité limitée et rend intelligibles des pratiques réputées irrationnelles, comme l’oubli, l’échantillonnage, l’approximation et les heuristiques simples: autant d’adaptations à des ressources limitées.

La limite est tout aussi importante. Un algorithme optimise un objectif défini; il ne peut pas décider si cet objectif est humain, juste ou digne d’être poursuivi. La règle des 37 % suppose une structure de recherche particulière. Une règle de planification dépend du critère choisi. Un équilibre social peut être stable tout en étant pénible à vivre. Le livre reconnaît le plus clairement cette distinction dans sa conclusion sur la bienveillance computationnelle: les gens conçoivent les problèmes que d’autres devront résoudre.

Le livre tient donc moins du recueil de recettes que du guide d’initiation. Ses modèles sont surtout utiles lorsqu’on les traite comme des questions: Qu’est-ce qui manque? Qu’est-ce qu’on mesure? Quelles hypothèses rendent cette règle optimale? Quel est le coût d’attendre, de passer d’une tâche à l’autre ou de se tromper? Ces questions préservent la clarté du raisonnement formel sans prétendre réduire les valeurs humaines à un score unique.

Résumé en 30 secondes
Lorsqu’une recherche porte sur des options qui disparaissent, il peut être utile de consacrer environ 37 % du temps disponible à l’apprentissage avant de choisir. Les règles de planification ne fonctionnent que si l’objectif est clair, car réduire les retards n’est pas la même chose que maximiser la valeur. Les prédictions doivent s’appuyer sur des attentes préalables et tenir compte des petits échantillons. Les modèles complexes peuvent confondre bruit et signal : il faut donc les tester sur des données laissées de côté. Lorsque les solutions exactes coûtent trop cher, l’échantillonnage et l’approximation peuvent fournir des réponses utiles.
Contient des spoilers

Dernière mise à jour:

Signaler un problème

Résumé des avis

4.12 sur 5
Moyenne de 35 000+ évaluations de Goodreads et Amazon.

Penser en algorithmes reçoit dans l’ensemble des critiques positives pour sa manière d’appliquer des concepts informatiques aux décisions du quotidien. Les lecteurs apprécient ses éclairages sur les stratégies optimales face aux problèmes courants, même si certains trouvent les explications mathématiques difficiles. Le livre est salué pour son style vivant et ses applications pratiques, mais quelques lecteurs lui reprochent de simplifier à l’excès. De nombreux critiques soulignent son approche originale du développement personnel par la pensée algorithmique. Dans l’ensemble, il est recommandé aussi bien aux lecteurs férus de technologie qu’à ceux qui souhaitent améliorer leur processus de décision.

Votre note :
4.54
712 évaluations
Envie de lire le livre complet ?

Glossaire

règle « observer puis choisir » (Look-Then-Leap Rule)

Observer, puis s’engager

Stratégie d’arrêt optimal pour des choix séquentiels lorsque les options ne peuvent pas être rappelées et que seules les classements relatifs sont connus. On commence par examiner une partie définie des options afin d’établir un critère. On choisit ensuite la première option suivante qui surpasse toutes celles déjà vues. Dans le problème classique du secrétaire, la période d’observation initiale représente environ 37 % de l’ensemble.

compromis entre exploration et exploitation

Apprendre ou utiliser

Tension entre essayer des options pour obtenir des informations et choisir une option dont on sait déjà qu’elle donne de bons résultats. L’exploration peut révéler un meilleur choix, tandis que l’exploitation transforme les connaissances acquises en récompenses immédiates. Le bon équilibre dépend fortement du nombre d’occasions futures de tirer parti de ce que l’on apprend.

borne de confiance supérieure (Upper Confidence Bound)

Privilégier les gains plausibles

Stratégie de choix répétés en situation d’incertitude. Elle attribue à chaque option un score fondé sur le meilleur résultat qui demeure raisonnablement plausible au vu des éléments disponibles, puis sélectionne l’option au score le plus élevé. Les options peu connues bénéficient d’un bonus d’exploration, qui diminue à mesure que l’expérience précise leurs performances probables.

moins récemment utilisé (LRU)

Évincer l’élément le moins récent

Politique de remplacement du cache qui, lorsque l’espace de stockage limité est plein, supprime l’élément auquel on n’a pas accédé depuis le plus longtemps. Elle repose sur la localité temporelle : une information utilisée récemment sera souvent nécessaire de nouveau bientôt. Le même principe peut guider le rangement des fichiers ou des objets dont on se sert fréquemment.

règle de Bayes

Actualiser une croyance à l’aide des éléments observés

Méthode permettant de réviser la probabilité d’une hypothèse après l’observation de nouveaux éléments. Elle combine la probabilité a priori de l’hypothèse et la probabilité d’observer ces éléments si l’hypothèse était vraie. La règle formalise la façon dont les connaissances existantes et les nouvelles observations contribuent ensemble à une prédiction.

principe copernicien

Ne pas supposer que le moment est particulier

Méthode de prédiction pour un phénomène dont la durée totale est inconnue et pour lequel on ne dispose d’aucune connaissance préalable informative. Elle suppose que l’observation a eu lieu à un moment ordinaire de la durée de vie du phénomène. Selon la formulation du livre, la durée restante attendue est alors à peu près égale à la durée déjà observée.

surapprentissage

Prendre le bruit pour une tendance

Échec de la prédiction qui se produit lorsqu’un modèle épouse trop étroitement les données particulières ayant servi à le construire. Il peut expliquer ces observations avec une grande précision tout en donnant de mauvais résultats sur de nouvelles données, parce qu’il a appris des variations aléatoires plutôt qu’une relation durable. Les modèles trop complexes et les mesures peu fiables accroissent ce risque.

régularisation

Pénaliser l’excès de complexité

Ensemble de méthodes qui découragent la complexité inutile d’un modèle. En ajoutant une pénalité lorsque de nombreux facteurs sont utilisés ou qu’une influence excessive leur est attribuée, la régularisation peut réduire la sensibilité au bruit et améliorer les prédictions sur des données inédites. Elle formalise le compromis entre l’ajustement étroit aux observations connues et la capacité à généraliser au-delà de celles-ci.

relâchement des contraintes

Assouplir provisoirement les règles

Technique d’optimisation qui supprime temporairement certaines contraintes afin de créer une version plus simple d’un problème difficile. La solution du problème ainsi assoupli peut fournir une borne pour le problème réel ou servir de point de départ à une solution pratique. Son intérêt dépend de la clarté du lien entre le résultat obtenu et les conditions initiales.

relaxation lagrangienne

Transformer les règles en pénalités

Méthode d’optimisation qui intègre certaines contraintes à la fonction de score sous forme de pénalités. Au lieu de rendre toute violation impossible, le modèle lui attribue un coût. Cela peut rendre plus facile la résolution d’un problème difficile à traiter, tout en permettant d’évaluer les conséquences de la violation des règles initiales.

méthode de Monte-Carlo

Estimer à partir d’échantillons aléatoires

Méthode de calcul qui estime un résultat en tirant de façon répétée des échantillons aléatoires ou en simulant des résultats possibles. Elle est utile lorsque le calcul exhaustif est irréalisable, comme dans les problèmes de probabilité complexes. En général, l’augmentation du nombre d’échantillons améliore l’estimation, mais le résultat reste approximatif et son incertitude doit être prise en compte.

temporisation exponentielle

Allonger les délais après un échec

Stratégie de réseau qui augmente le délai possible avant chaque nouvelle tentative après des échecs répétés de transmission, généralement en doublant la plage de délais. Une variation aléatoire aide les émetteurs concurrents à éviter de se heurter de nouveau au même moment. Cette méthode réduit la congestion sans obliger l’émetteur à renoncer à toute tentative ultérieure.

bufferbloat (gonflement des files d’attente)

Retards excessifs dus aux files d’attente

Problème de performance réseau causé par des tampons si grands qu’ils acceptent un trafic excessif au lieu de signaler la congestion. Les files d’attente qui en résultent provoquent de longs délais, surtout pour les communications interactives, même lorsque le réseau semble occupé et capable de traiter le trafic. Une capacité de stockage accrue peut donc nuire à la réactivité au lieu d’améliorer le service.

équilibre de Nash

Aucun joueur n’a intérêt à changer de stratégie

Ensemble de stratégies dans lequel le choix de chaque participant constitue la meilleure réponse aux choix des autres. Aucun participant ne peut améliorer son propre résultat en changeant seul de stratégie. Un équilibre est stable en ce sens limité, mais il n’est pas nécessairement bénéfique ou équitable pour le groupe.

bienveillance computationnelle (computational kindness)

Réduire la charge décisionnelle des autres

Principe de conception des interactions : structurer les demandes, les choix et les environnements de sorte que les autres n’aient pas à effectuer de travail mental inutile. Exprimer une préférence, réduire le nombre d’options proposées ou suggérer des heures précises pour se retrouver peuvent faciliter la coordination, plutôt que de laisser les autres deviner des préférences implicites.

FAQ

De quoi parle Penser en algorithmes ?

  • Explorer la prise de décision : Le livre examine comment les algorithmes informatiques peuvent s’appliquer aux décisions du quotidien, comme les rencontres, la recherche d’un appartement ou la planification.
  • Des éclairages interdisciplinaires : Brian Christian et Tom Griffiths mêlent informatique, psychologie et philosophie pour offrir une vision globale de la prise de décision.
  • Des applications pratiques : Le livre propose des stratégies pour optimiser les choix dans diverses situations et rendre des concepts complexes accessibles à un large public.

Pourquoi lire Penser en algorithmes ?

  • Améliorer sa capacité à prendre des décisions : Le livre fournit des outils et des cadres de réflexion pour mieux décider dans sa vie personnelle et professionnelle.
  • Un récit captivant : Les auteurs s’appuient sur des anecdotes et des exemples auxquels on peut s’identifier pour rendre les concepts complexes intéressants et faciles à comprendre.
  • Mieux comprendre les algorithmes : Le livre encourage à réfléchir de façon critique à l’influence des algorithmes sur divers aspects de la vie, de la technologie aux interactions sociales.

Quels sont les principaux enseignements de Penser en algorithmes ?

  • L’arrêt optimal : La « règle des 37 % » conseille d’examiner 37 % des options avant de prendre une décision afin d’augmenter les chances de choisir la meilleure.
  • Le compromis entre exploration et exploitation : Le livre traite de l’équilibre entre l’exploration de nouvelles options et l’exploitation de celles que l’on connaît déjà, pour décider efficacement.
  • Le raisonnement bayésien : Il insiste sur l’importance d’actualiser ses croyances à partir de nouveaux éléments afin d’affiner ses décisions.

Quelle est la « règle des 37 % » dans Penser en algorithmes ?

  • Une stratégie d’arrêt optimal : La règle recommande d’examiner 37 % des options avant de prendre une décision afin d’augmenter les chances de choisir la meilleure.
  • Un fondement mathématique : Issue de la théorie des probabilités, elle propose une méthode systématique pour décider en situation d’incertitude.
  • Des applications dans la vie réelle : Elle peut s’appliquer à des situations comme le choix d’un partenaire, le recrutement ou l’acceptation d’une offre d’emploi.

Comment Penser en algorithmes explique-t-il le compromis entre exploration et exploitation ?

  • Un équilibre à trouver : Ce compromis consiste à choisir entre explorer de nouvelles options et exploiter celles que l’on connaît, un enjeu essentiel pour optimiser ses décisions.
  • La stratégie epsilon-greedy : Elle propose d’explorer de nouvelles options une petite partie du temps et de privilégier le plus souvent le meilleur choix connu.
  • Des implications pratiques : Elle aide à faire de meilleurs choix dans des domaines comme l’investissement, la recherche d’emploi ou les interactions sociales.

Comment Penser en algorithmes explique-t-il le raisonnement bayésien ?

  • Actualiser ses croyances : La règle de Bayes sert à réviser la probabilité d’une hypothèse à la lumière de nouveaux éléments et à affiner le processus de décision.
  • Des applications pratiques : Elle s’applique notamment au diagnostic médical et à la prévision de résultats, afin d’éclairer les décisions.
  • Des implications cognitives : Elle encourage une réflexion critique et nuancée en tenant compte à la fois des croyances préalables et des nouveaux éléments.

Qu’est-ce que le problème du secrétaire dans Penser en algorithmes ?

  • Un scénario d’arrêt optimal : Il s’agit de choisir le meilleur candidat parmi un groupe de personnes reçues en entretien l’une après l’autre.
  • L’application de la règle des 37 % : Il faut écarter les 37 % premiers candidats pour établir un point de référence, puis choisir le candidat suivant qui surpasse tous ceux déjà rencontrés.
  • Des implications plus générales : Ce problème illustre les difficultés de décision en situation d’incertitude et les principes mathématiques qui guident les choix optimaux.

Qu’est-ce que le surapprentissage et quel est son lien avec la prise de décision dans Penser en algorithmes ?

  • Définition du surapprentissage : Il se produit lorsqu’un modèle est trop complexe et capte le bruit plutôt que la tendance sous-jacente des données.
  • Effets sur les décisions : Il peut conduire à de mauvaises décisions si l’on s’appuie sur des modèles trop complexes qui ne se généralisent pas bien.
  • Comment éviter le surapprentissage : Il est possible de faire des choix plus robustes en situation d’incertitude en utilisant des modèles plus simples et des techniques de régularisation.

Comment Penser en algorithmes aborde-t-il la bienveillance computationnelle ?

  • Définition de la bienveillance computationnelle : Il s’agit de concevoir des systèmes et des algorithmes qui réduisent la charge cognitive et facilitent la prise de décision.
  • Exemples concrets : Ce principe peut s’appliquer à des situations comme les règles d’attribution des places dans un restaurant ou l’urbanisme, afin d’améliorer l’expérience des usagers.
  • Des implications plus générales : Il encourage la création d’environnements qui facilitent de meilleures décisions en demandant moins d’effort mental.

Quels sont quelques exemples d’algorithmes abordés dans Penser en algorithmes ?

  • Le tri fusion : Il est présenté pour son efficacité à organiser les données et illustre l’importance du tri en informatique comme dans la vie quotidienne.
  • Les algorithmes de cache : Ils sont abordés en lien avec l’organisation personnelle et la priorité accordée aux éléments consultés fréquemment.
  • Les algorithmes de planification : Ils sont étudiés pour optimiser la gestion du temps et l’accomplissement des tâches dans la vie personnelle et professionnelle.

Que dit Penser en algorithmes au sujet de la planification ?

  • La planification sur une seule machine : Le livre examine la gestion des tâches et des échéances, en donnant la priorité aux dates limites et à la durée des tâches.
  • Des stratégies optimales : Il présente des algorithmes comme la règle de la date d’échéance la plus proche et celle de la durée de traitement la plus courte pour améliorer la productivité.
  • Des applications concrètes : Ces principes peuvent s’appliquer au quotidien pour gérer efficacement son temps et ses tâches.

Quelles sont les meilleures citations de Penser en algorithmes et que signifient-elles ?

  • « Le cœur a ses raisons que la raison ne connaît point. » : Cette citation souligne la tension entre les décisions émotionnelles et rationnelles.
  • « La vie est tout simplement trop compliquée pour cela. » : Elle reflète la complexité des décisions du monde réel et invite à privilégier des approches pratiques.
  • « La bienveillance computationnelle n’est pas seulement un principe de comportement ; c’est aussi un principe de conception. » : Elle plaide pour des systèmes faciles à utiliser qui facilitent une meilleure prise de décision.

À propos de l'auteur

Brian Christian est un auteur reconnu pour ses travaux sur la technologie et le comportement humain. Ses livres, dont « The Most Human Human » et « Penser en algorithmes », ont été salués par la critique et ont figuré parmi les meilleures ventes. Les écrits de Christian ont été publiés dans des revues prestigieuses et traduits en plusieurs langues. Il est intervenu sur diverses plateformes médiatiques et a donné des conférences dans des établissements renommés. Titulaire de diplômes en philosophie, en informatique et en poésie, Christian aborde son travail sous un angle pluridisciplinaire. Il a reçu des bourses et des prix pour sa contribution à l’écriture scientifique et à la poésie. Installé à San Francisco, Christian est chercheur invité à UC Berkeley et directeur de la technologie chez McSweeney’s Publishing.

Télécharger le PDF

Pour garder le résumé de Penser en algorithmes pour plus tard, téléchargez gratuitement le PDF. Vous pouvez l’imprimer ou le lire hors ligne quand vous le souhaitez.
Download PDF

Télécharger l'EPUB

Pour lire le résumé de Penser en algorithmes sur votre liseuse ou dans une application de lecture, téléchargez gratuitement l’EPUB. Le format numérique .epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.
Download EPUB
Envie de lire le livre complet ?
Suivre
Écouter
Accueil
Swipe
Biblio
Appli
Essayez l'accès complet pendant 3 jours
Écoutez, enregistrez, et plus encore
Comparer les fonctionnalités Gratuit Pro
📖 Lire les résumés
Lisez des résumés illimités. Les utilisateurs gratuits en reçoivent 3 par mois
🎧 Écouter les résumés
Écoutez des résumés illimités dans 40 langues
—
❤️ Favoris illimités
Limité à 4 pour les utilisateurs gratuits
—
📜 Historique illimité
Limité à 4 pour les utilisateurs gratuits
—
📥 Téléchargements illimités
Limité à 1 pour les utilisateurs gratuits
—
Calendrier sans engagement
Aujourd'hui : Accès immédiat
Écoutez les résumés complets de plus de 26 000 livres. Soit plus de 12 000 heures d'audio !
Jour 2 : Rappel d'essai
Nous vous enverrons une notification pour vous informer que votre essai se termine bientôt.
Jour 3 : Votre abonnement commence
Vous serez débité le 25 nov.,
annulez à tout moment avant.
Consume 2.8× More Books
2.8× livres de plus Écoute Lecture
Nos utilisateurs nous adorent
1M+ lecteurs
Trustpilot Rating
TrustPilot
4.6 Excellent
Ce site change tout. Je n'ai jamais lu autant de résumés aussi rapidement. Je recommande vivement.
— Dave G
Ça vaut vraiment le coup en temps et en argent, et c'est très bien fait. Je n'ai jamais vu cette qualité de résumés ailleurs. Très utile !
— Em
Hautement recommandé !! Service fantastique. Parfait pour ceux qui veulent plus qu'un aperçu sans tous les détails d'un livre audio complet.
— Greg M
Économisez 62 %
Annuel
$119.88 $44.99/an/an
$3.75/mois
Mensuel
$9.99/mois
Démarrer un essai gratuit de 3 jours
3 jours gratuits, puis $44.99/an. Annulez à tout moment.
Unlock a world of fiction & nonfiction books
Plus de 26 000 livres pour le prix de 2 livres
Lisez n'importe quel livre en 10 minutes
Découvrez de nouveaux livres comme sur Tinder
Demandez n'importe quel livre s'il n'est pas encore résumé
Lisez plus de livres que quiconque
L'appli n°1 pour les amateurs de livres
Lifelike & immersive summaries
Garantie satisfait ou remboursé 30 jours
Téléchargez les résumés en EPUB ou PDF
Annulez à tout moment en quelques clics

Pourquoi un seul résumé ?

Scanner
Trouvez un code-barres à scanner

⭐
⭐
⭐
Nous avons un cadeau spécial pour vous
Ouvrir
38 % de réduction
RÉDUCTION POUR VOUS
⭐
⭐
⭐
$79.99
$49.99/an
Seulement $4.16 par mois
Continuer
2 touches pour commencer, résiliation ultra simple
Paramètres
Général
Widget
Chargement...