Résumé
Partant de l’idée qu’un glissement épistémologique depuis l’identification des causes vers des espaces de données massives saturées de corrélations fortes caractérise aussi bien la plupart des algorithmes enserrent notre vie - tels que les algorithmes de recommandation -, que l’intelligence artificielle générative telle que les LLM l’illustrent, cet exposé proposera quelques concepts susceptibles de dessiner un cadre pour rendre intelligible les nouvelles configurations épistémiques et politiques ouvertes par l’IA.
Je partirai du concept de profil (défendu dans Les sociétés du profilage, Payot 2013) comme point dans un hyperespace de données, puis j’exposerai la notion connexe de classement (ranking probabiliste), et celle de ‘score’ qui en découle et inonde nos existences (score de crédit, crédit social, score polygénique de risque, score d’allocataires, etc.).
Considérant ensuite les conséquences ontologiques du profilage, je défendrai la pertinence des notions de boucle et de miscibilité. J’en montrerai la pertinence sur les questions des images générées, et des biais algorithmiques.
