LA MUSIQUE ET L’INTELLIGENCE ARTIFICIELLE

Télécharger le fichier pdf d’un mémoire de fin d’études

Le cas du système Disciple

En étudiant le système Disciple, qui constitue l’une des références théoriques de notre recherche, nous allons nous attacher à montrer l’originalité de l’approche pro-posée par l’A.S.A., par rapport aux approches Système Expert (S.E.) classiques. L’essentiel de cette originalité réside dans le fait que l’on vise à contourner un des goulots d’étranglement habituels des S.E., à savoir les problèmes de constitution de la Base de Connaissances et d’extraction de ces connaissances (travail du cogniticien), et de la mise à jour de ces connaissances.
En effet, un système apprenti comme Disciple est dans une certaine mesure capable de résoudre des problèmes imprévus lors de son implémentation : on peut donc commencer à l’utiliser avec une théorie incomplète, sans éprouver toutes les difficultés de construction de la base de connaissance du Système Expert classique. Le module Apprentissage tend à construire automatiquement le module S.E. du système.
D’autre part, un tel système peut apprendre une règle à partir d’un seul exemple et proposer à l’expert d’éventuelles applications de cette règle dans d’autres parties du domaine : les validations ou les rejets de l’utilisateur contribuent à l’élaboration dynamique de la règle. Le savoir de l’expert est optimisé, dans la mesure où son intervention précise a des répercussions dans tout le domaine théorique : nous aurons l’occasion de montrer à quel point cette propriété peut s’avérer importante dans le contexte d’applications à l’enseignement.
De manière générale, le modèle que nous formaliserons est l’héritier de certaines approches mises en œuvre dans Disciple. C’est pourquoi nous exposons ici en détail certaines spécificités de ce système, dans la mesure où elles faciliterons la compré-hension des fondements de notre conception d’une architecture pour un système d’éducation musicale.

Historique et présentation du système Disciple

Nous avons étudié et développé une version du système Disciple au Laboratoire de Recherche en Informatique d’Orsay, à partir de travaux d’Yves Kodratoff et Gheorghes Tecuci ([Kodratoff & Tecuci 86]) et en collaboration avec eux ([Kodratoff, Tecuci & Rousseaux 87]). En novembre 1986, à Aix-les-bains, lors du premier Programme de Recherches Concertées dédié à l’I.A., nous avons présenté à la communauté I.A. cette version du système, qui reçut un excellent accueil.
Historiquement, la première application de Disciple concernait la conception de fabrication de hauts parleurs, problème voisin de celui de la planification des actions d’un robot ([Falun 74]). Quant à nous, nous avons eu l’occasion d’expérimenter le système dans le domaine de la navigation et du contrôle aérien, sur des problèmes d’apprentissage du traitement des conflits; c’est de cette expérience que date notre ambition de penser un système d’apprentissage qui pallie certains inconvénients de Disciple, sans en perdre ni l’esprit scientifique, ni la puissance formelle.
Le schéma suivant est intéressant à cause de sa grande symétrie : moyennant un rapide commentaire, il met efficacement en lumière le fonctionnement de Disciple comme système apprenti.

La représentation des connaissances dans Disciple

Les connaissances du système à un instant donné sont de deux ordres : ce sont d’une part les connaissances pratiques, qui concernent les solutions proposées par les règles de décomposition, et d’autre part les connaissances théoriques, constituées par les objets en œuvre dans l’univers : elles sont toutes les deux incomplètes dans la mesure où le système ne connaît pas toujours tous les objets du domaine, ni toutes les propriétés d’un objet donné, ni toutes les actions envisageables sur les objets, ni toutes les propriétés des actions connues (pré-conditions, effets), ni tous les modes de décomposition d’une action donnée. Plus formellement, disons que la base de connaissances théoriques consiste en un monde hiérarchisé d’objets ayant des propriétés, et que la base de connaissances pratiques consiste en un ensemble de règles de décomposition connues. Une de nos préoccupations a été de choisir une représentation et une organisation de la connaissance propres à faciliter les opérations de généralisation et de particularisation ([Michalski 83], [Kodratoff 83]). Le résultat retenu s’inspire de [Sridharan & Bresina 83] et [Kodratoff 85] : Disciple utilise un réseau sémantique pour représenter les objets, leurs liens hiérarchiques et leurs propriétés. On dispose ainsi entre autres d’une taxonomie basée sur une hiérarchie de généralité : cependant, la représentation est plus riche qu’une simple taxonomie, puisqu’un objet est fils d’un super-objet et hérite de toutes ses propriétés, bien qu’il possède typiquement des propriétés supplémentaires. De plus, un objet peut appartenir à plusieurs hiérarchies et être fils de plusieurs super -objets.
Intéressons-nous à un problème donné de notation musicale, supposé survenir à un certain niveau dans un processus de résolution de problème : soit par exemple le pointage d’une note de musique, à même la partition d’une pièce. C’est un processus qui non seulement a des répercussions graphiques immédiates sous forme d’un point qui suit la note de musique, mais aussi qui affecte la durée de la note, en l’augmentant de la moitié de sa durée de base, sauf si celle-ci est elle-même pointée. De plus, cette simple action doit avoir des répercussions sur la gestion de l’espace horizontal et de l’espace vertical des portées, pour garantir à la fois la préservation d’une certaine proportionnalité durée/espace et une simultanéité des événements situés sur une même verticale. L’exemple suivant illustre ces informations sur une partition musicale.
Voici une photographie d’un morceau des connaissances musicales théoriques du système à l’instant considéré, constituées en réseau sémantique : bien entendu, ces connaissances ne sont à prendre que comme des exemples.

Critique du système Disciple

Autorisons-nous à mettre en évidence quelques points forts et quelques insuffi-sances du système Disciple, dans la perspective de nos recherches. Ces critiques ne sont à prendre que dans ce contexte, et n’ont pas l’ambition d’être synthétiques.
Au chapitre des points forts, il faut noter l’aptitude d’un tel système à aller vers la constitution et le développement, en masse et en organisation, de Bases de Connais-sances pratiques et théoriques. De plus, la mise en coopération de plusieurs tech-niques d’A.S.A. complémentaires peut permettre d’absorber de façon très naturelle les différentes évolutions de ces techniques, et d’assurer une excellente synergie au système.
Cependant la structure de la théorie abritée par le système est pauvre, car il n’y a pas de théorème sur les propriétés, ni de limite possible sur ces propriétés au sein d’une notion de contexte : ce dernier point est particulièrement limitatif dans la perspective de la modélisation d’un enseignement, et demande à être amélioré. De même et nous l’avons dit, ce système est pauvre en inférence, ne possède pas de « back- track », ni de moyen de classer les règles candidates de façon pertinente.
Par ailleurs, la recherche d’explication est peu souple : elle manque de moyens nu-mériques, de techniques de pondération par exemple, qui pourraient soutenir avantageusement les formalismes symboliques. Certes, il faudrait généraliser la structure de la règle en utilisant des théorèmes sur les actions ([Dejong & Mooney 86]) et la technique de régression de buts ([Waldinger 77]), pour mieux garantir la généralisation de la première étape : mais alors, cette généralisation deviendrait à coup sûr trop rigide.
De surcroît, il faudrait intégrer à ce système des éléments cognitifs, indispensables si on a une propension à aller vers la multi- expertise. D’un point de vue du fonctionnement, et malgré l’excellente autorégulation d’un tel système, sa tendance à la servilité envers la curiosité est tout à fait notoire : on est loin d’un système auto-adaptatif, loin de mécanismes de survie pour s’adapter, loin d’un système idéalement paresseux qui cherche à assimiler le réel en modifiant le moins possible son modèle du réel : c’est là une invite à progresser dans cette voie.
Il faut imaginer un mécanisme d’apprentissage à la fois plus ouvert et plus fiable, et l’évaluer d’un point de vue pratique : c’est ce que nous avons fait au sein du système Le Musicologue. En particulier, nous souhaiterions savoir mieux utiliser le fonctionnement normal du système pour apprendre : on apprendrait alors plus régulièrement, quitte à apprendre moins de choses à la fois. Il faut imaginer un mode d’inférence et de résolution de problèmes plus autonome et moins dépendant de la curiosité du système, en donnant meilleure part aux tech-niques d’Apprentissage par Action et par Expérimentation. C’est la raison pour la-quelle nous avons exploré certaines théories prometteuses qui vont dans cette direc-tion : il se trouve qu’elles touchent essentiellement au domaine de la planification, domaine qui nous intéresse par ailleurs au plus haut point dans son rapport potentiel à la musique. Nous allons donc aborder ces théories, après avoir rappelé les fondements de la planification : nous illustrerons notre étude d’un nouvel exemple musical.

Les Systèmes de Planification et l’A.S.A

L’apprentissage dans le domaine de la résolution de problèmes et de la planification peut prendre différentes formes, suivant l’orientation des besoins et la richesse de l’environnement. On peut par exemple apprendre des macro-opérateurs à partir des opérateurs primitifs ([Fiches & al. 71], [Linton 85], [Shang & Carbonique 86]), ou des généralisations de discriminations sur les opérateurs ([Laird & al. 86] avec le système SOAR), ou des analogies entre des stratégies ([Carbonique 83], [Carbonique 86]), ou encore apprendre des généralisations d’heuristiques à partir d’explications ([Mitchell, Carbonique & Michalski 86], [Dejong & Mooney 86], [Linton & Carbonique 87]), ou par découvertes ([Languir & al. 83]) .

Historique des Systèmes de Planification

Voici un historique rapide des débuts de la planification, qu’on peut s’accorder à faire naître avec l’invention du système GPS ([Newell & al. 63]). Un traitement des pré-conditions des actions est proposé par McCarthy ([McCarthy & al. 69]), avant qu’une modélisation complète des actions ne s’impose ([Fiches & al. 71], [Nilsson 71]). En 1974, Warren développe WARPLAN en PROLOG, et une approche similaire est adoptée dans PLANNER ([Bobrow & al. 74]).
Puis Fahlman propose une typologie des opérateurs ([Fahlman 74]), tandis que Waldinger ([Waldinger 77]) expose des limites de STRIPS. DCOMP repose sur des idées de Sacerdoti ([Sacerdoti 77]) à propos du développement de plans « non-li-néaires ». Quant à l’utilisation des méthodes formelles pour résoudre des problèmes de robotique, elle est présentée dans [McCarthy 63] et [Kowalski 79b].
On rappelle aussi brièvement ici la logique des Systèmes de Planification (S.P.), point de passage obligé pour aborder les S.P. Apprentis, qui sont conçus à partir de modules de planification couplés à des modules d’apprentissage. Un exemple de mode de gestion de ces modules est le système PRODIGY ([Linton & Carbonique 87]). C’est la robotique et le monde des cubes qui illustrent classiquement ce genre d’exemple.
Typiquement, un robot a un répertoire d’actions primitives qu’il peut accomplir dans un monde donné : soit par exemple un monde de cubes numérotés se trouvant sur une table, les uns sur les autres, et un robot capable de déplacer ces cubes.
La programmation idéale d’un robot nécessite l’intégration de nombreuses fonc-tions, entre autres la perception du monde qui l’entoure, la formulation de plans d’action, et le contrôle de l’exécution de ces plans. Ici, on s’intéresse au problème de la synthèse d’une séquence d’actions qui, si elle est exécutée convenablement, permet d’atteindre un but fixé à partir d’une situation initiale donnée. Cette phase de planification en robotique peut être résolue par un système de pro-duction. C’est un problème déjà assez ancien et souvent abordé dans la littérature : la base de données globale est une description de l’état du monde dans lequel se trouve le robot lui-même, et les règles représentent les actions du robot. Cependant, il est très rapidement apparu que l’Apprentissage Symbolique Automatique avait un rôle à jouer dans ces problèmes : quand Sussman étudie des problèmes auxquels on est confronté pour accomplir des buts avec interaction ([Sussman 75]), il recommande de créer un plan en admettant des erreurs avant de corriger ce plan, plutôt que de tenter de synthétiser directement un plan parfait.
Il apparaît donc que les Systèmes de Planification ont besoin des techniques de l’Apprentissage Symbolique Automatique, et que la structure des principaux S.P. existant (la connaissance est représentée de façon symbolique) est apte à recevoir un module d’A.S.A.

Les Systèmes de Planification Apprentis

On a besoin de pouvoir planifier malgré un environnement incertain ou mal contrôlé. Une technique d’apprentissage dirigé par le but pouvant réagir en revenant en arrière semble s’imposer : en exploitant à la fois l’état interne du système de planification et le réel perçu, on peut développer le domaine théorique ou le modifier. On considère que lorsque le système de planification n’utilise plus son mécanisme de retour arrière, il est bien adapté à l’environnement auquel il est confronté. C’est ainsi que la plupart des outils d’Apprentissage en Résolution de Problèmes visent à résoudre mieux et plus vite les problèmes, ou à éviter les erreurs déjà ren-contrées, par exemple grâce à l’acquisition de moyens de contrôle. Ainsi dans le système PRODIGY, qui est l’exemple typique de l’Apprentissage par Expérimenta-tion, la plupart des expériences sont conçues pour rassembler des informations et les comparer aux prévisions : si le plan ne se déroule pas comme prévu (en fait, si nos besoins se révèlent mal satisfaits après contrôle) le système re-planifie en reprenant des méthodes mieux connues, ou suspend la planification afin de préciser le problème. Ce sont les divergences entre les résultats attendus et le réel qui servent à orienter l’amélioration de la planification. L’objectif étant d’intégrer ces résultats dans la théorie du domaine. Le système isole la cause de chaque divergence et opère une modification dans le modèle interne afin d’établir une cohérence externe.
Ainsi, les techniques d’apprentissage par l’action et d’apprentissage par l’expérimentation relèvent d’une approche nouvelle, et semblent sous-tendues par une idée fondamentalement différente de l’E.B.L. et du S.B.L. dans les perspectives qu’elle ouvre : un apprentissage par fonctionnement, par nécessité d’adaptation plutôt que par curiosité.
En effet, l’acquisition de connaissances dans la nature est souvent due au besoin fondamental de s’adapter, c’est-à-dire de pouvoir continuer à fonctionner. Ce méca-nisme, bien qu’il puisse sembler absurde, a fait ses preuves; dans ce cadre, l’interaction entre action et connaissance est fondamentale parce que les actions changent typiquement l’état des connaissances de l’acteur, et parce que les connaissances sur l’univers sont nécessaires pour imaginer des actions.
Une approche similaire en A.S.A. engendrerait des systèmes existant réellement, sans le poumon artificiel qu’est l’utilisateur qui pilote les décisions. De tels systèmes ne seraient étroitement dépendants que de leur environnement, et leur définition serait la suivante : ils fonctionnent parce qu’ils existent, et n’existent que parce qu’ils fonctionnent. Leur logique de fonctionnement en découlerait : cessant de fonctionner, d’assimiler ou de comprendre les événements, ils cesseraient d’exister. En bref, de tels systèmes pourraient enfin se passer de la curiosité artificielle, que nous allons analyser comme un ennemi important de l’A.S.A.

L’Apprentissage et la curiosité artificielle

Il est frappant de constater que les approches en matière d’A.S.A. postulent souvent la curiosité des systèmes, curiosité pourtant bien difficile à simuler : les méca-nismes de Recherche d’Explication ou de Justification, de détection d’analogies, de traitement des exemples et des contre-exemples, et toutes les techniques visant à relier sans cesse la théorie à l’événement (dans les deux sens) sont guidées par la curiosité.
Ainsi, la curiosité des systèmes est souvent à la base des moyens d’apprentissage automatique. Pourtant, cette curiosité est artificielle et mal intégrée au système lui-même. De plus, sa mise en œuvre est coûteuse et se pose en point faible des tech-niques qui la postulent sans qu’elle existe vraiment. Ce problème de fond est souvent révélé par les besoins sans cesse croissants en interactivité sys-tème/utilisateur : bien sûr, les moyens de communication homme-machine s’améliorent, mais le problème de fond demeure. Faudra-t-il toujours assister les systèmes en leur insufflant cette curiosité ?
Il faudrait que des systèmes puissent développer eux-mêmes, en fonctionnant, de nouvelles capacités de mieux fonctionner. Ils pourraient s’adapter dans certaines li-mites, c’est-à-dire dans le cadre d’une éducation : par exemple, on pourrait limiter les risques d’une rencontre de ces système avec un événement donné, tant qu’on n’a pas traité avec lui de rencontre présentant des similarités.
Ainsi dans un apprentissage par adaptation, c’est l’événement qui serait digéré par le système et non plus le système qui irait vers l’événement. La théorie se développe-rait en assimilant l’événement, et l’on n’hésiterait pas à rejeter ceux qui sont trop « incompris » pour être assimilés, et ce pour protéger le mécanisme même de fonctionnement. Pour être viable, il serait nécessaire que ce mécanisme se préserve, qu’il survive.

Des modèles cognitifs pour la musique

On vient de voir qu’on peut faire de l’informatique musicale sans s’intéresser exactement à l’objet musical cognitif. En revanche, si on s’intéresse explicitement à Vers une écoute assistée par ordinateur l’objet musical cognitif, on n’a aucune chance de le comprendre en dehors de l’homme qui l’appréhende, voire sans les hommes qui l’appréhendent, qui communi-quent par son intermédiaire.
Une tendance plus récente de la recherche en informatique musicale est à la prise de conscience de certains mécanismes cognitifs qui sont en jeu dans l’activité musi-cale, le centre d’intérêt n’étant plus alors constitué exclusivement par les produits de cette activité ([Lerdahl 88]). Ces démarches sont souvent inspirées des travaux de Chomsky en linguistique ([Chomsky 87]) et Schank en intelligence artificielle ([Schank 82] et [Schank 86]).
A cet égard, la psychologie cognitive met également en évidence le rôle des repré-sentations mentales dans la perception : elle réintroduit les notions de représentation imagée, d’attente, d’attention, de prévision, d’apprentissage, de reconnaissance. Elle souligne en particulier le rôle de la mémoire dans les processus de perception et montre qu’il s’agit là d’une forme d’élaboration supérieure et complexe : l’enjeu ultime est de comprendre les rapports entre la perception et l’action et de mettre en évidence le mécanisme des conduites comportementales.
Ainsi, la musique adresse à la psychologie cognitive des questions et des exemples pertinents, insufflant la naissance de domaines théoriques jusqu’ici insoupçonnés. Ceci est particulièrement vrai de la musique contemporaine, pour des raisons que nous évoquons rapidement ici, et qui sont développées dans [Dufourt 88], à partir de l’étude d’œuvres de Saariaho, Ligeti, Reynolds, Murail et d’autres. Avec la musique contemporaine, la composition musicale prend en compte de nouveaux modes de pensée qui élargissent l’ensemble des hypothèses pertinentes. Quant à la psychologie cognitive, elle produit des théories originales qui renouvellent les connaissances sur les mécanismes de la perception et remettent en cause les bases mêmes sur lesquelles s’édifie la musique : la boucle est alors bouclée; l’intimité entre musique et psychologie cognitive ne peut que croître.
Mais Minsky, à travers l’étude de ce qu’il appelle les stratégies grammaticales ([Minsky 86]), a jeté les bases d’une réflexion encore plus générale, s’appuyant également sur la notion de mémoire et de souvenir. Il s’est posé la question de l’organisation nécessaire à un bon modèle de la mémoire humaine, pour proposer une alternative aux notes de musique comme matériau résidant dans cette mémoire. En définitive, seule compte pour Minsky la notion d’objet musical dont on se souvient, par opposition à une quelconque représentation abstraite de cet objet; quant aux notes de musique, elles constituent une proposition de représentation de l’objet et ne sont pas, en tant que telles, candidates à constituer l’essence de ce qu’on mémorise. C’est ainsi qu’il explore l’idée d’une sonate comme machine à enseigner, suggérant par là que ce que nous apprenons, ce n’est peut-être pas la musique elle-même, mais une façon de l’entendre ([Marsden 88]).
Si on considère par exemple le cas de l’activité d’écoute, il est beaucoup plus pro-bable qu’on se souvienne du son musical pendant un laps de temps particulier, plutôt que de croire qu’on se souvient du flux de notes qui se trouve être émis pendant ce laps de temps ([McAdams & al. 79]). Mais comment aller vers des modèles implémentés de tels paradigmes ? Avant d’exposer notre approche, il nous faut encore appréhender certaines propriétés de la musique vue comme un univers de connaissances destinées à être enseignées. C’est précisément l’objet de la section suivante.

Le préjugé de la représentation

On connaît assez bien un certain nombre de représentations traditionnelles et historiques de l’objet musical. Ainsi, on a longtemps pensé que toute recherche en informatique musicale devait impérativement se concentrer sur ces voies traditionnelles, et notamment sur l’étude du codage du son ou de la notation. Cependant, il ne faut pas oublier qu’aucune représentation de l’objet musical n’est l’objet lui-même, et qu’aucune d’elle ne suffit à circonscrire exactement l’objet. Cette remarque est fondamentale à l’heure où l’on pressent de vastes enjeux autour de la compréhension profonde de ce qu’est la musique.
Notons au passage que l’apparition de techniques d’intelligence artificielle puis du connexionisme n’a guère amélioré ce préjugé de la représentation ([Ebcioglu 86]), et l’a parfois même perverti; car bien évidemment, l’utilisation de ces techniques n’est nullement garante de l’adéquation et de la généralité des représentations ! Mais cela nous conduit à évoquer le préjugé de la généralisation.

Le préjugé de la généralisation

D’innombrables modèles peuvent être construits et s’avérer très efficaces, tant qu’on n’oublie pas leurs conditions initiales de fonctionnement. En effet, s’il est assez facile d’identifier certaines activités ou certains objets musicaux et de les circons-crire assez finement pour en penser des modèles et leur associer des outils, il est beaucoup plus difficile de généraliser ces circonscriptions pour inventer un modèle plus global basé sur l’ensemble des modèles particuliers. Mais précisons notre pensée en considérant un exemple d’achoppement d’une telle tentative.
On a pu croire que telle ou telle activité musicale correctement modélisée, basée sur tel ou tel changement de représentation, était un pas en direction d’une abstraction appropriée capable de modéliser les mécanismes cognitifs liés à la musique ([Roads 84]). En réalité, il s’est vite avéré impossible de s’approcher de l’objet musical cognitif, par définition indissociable des sujets qui l’appréhendent, sans que le mo-dèle prenne en compte ces sujets. Bien sûr, l’objet peut aussi être défini comme l’ensemble des actions dans lesquelles on veut pouvoir l’impliquer, si on sait aussi comment on voudrait qu’il se comporte : c’est l’équivalence objets- actions, bien montrée par les logiciens. Mais les bases d’un modèle cognitif d’activités musicales sont sans commune mesure avec la somme des bases des modèles fonctionnels de ces activités.

Limite du modèle

Ainsi au risque de nous répéter, chercher à tout prix à étendre ou mettre en com-munication des modèles de telle ou telle activité musicale n’abaisse pas l’entropie de l’ensemble, c’est-à-dire que le système obtenu ne modélise pas l’ensemble des activités cognitives dédiées à l’objet musical : une fois de plus, le modèle général n’est pas la somme des modèles particuliers.
Il est donc nécessaire de se poser, en préalable à toute autre, la question du niveau de généralité qu’on veut obtenir ([Barrière 88]). Nous évoquerons bien entendu notre réponse personnelle, très engagée sur ce point : nous ne sommes pas intéressés à produire l’ultime système de séquencement ou de notation musicale, pas plus que l’ultime système d’expertise ou d’analyse, outils certes très utiles au musicien, mais trop contextuels à notre goût. Au contraire, nous envisageons un système capable de rendre compte de certaines activités musicales d’un point de vue cognitif, ou en tout cas d’inciter les compétences en la matière à coopérer et à se cristalliser au sein d’un environnement réceptif : nous parions résolument sur cet aspect de l’avenir. Mais, reconnaissant que nous n’avons jusqu’à maintenant que peu de connaissances sur les mécanismes psychologiques précis engagés dans la perception musicale, une méthode appropriée pour produire de nouvelles théories consiste à développer une série de simulations informatisées en prototypes souples, basés sur des théories existantes, et d’essayer d’affiner successivement ces simulations pour y inclure des contraintes et des preuves quand cela est possible.

Evaluation du modèle

Peut-être plus précisément que ne l’ont fait d’autres grands épistémologues, Karl Popper ([Popper 69]) suggère une grille d’évaluation d’un modèle, en des termes proches de la théorie de l’information. Bien entendu, il insiste également sur une propriété fondamentale d’un bon modèle : il doit être éminemment réfutable dans son formalisme, dans le sens où il doit offrir des moyens d’expression à de nombreuses contre-propositions précises.
Mais c’est surtout sa réflexion sur l’enjeu de la réfutation qui est lumineuse; selon lui, le maximum d’information est obtenu lors de la réfutation d’une théorie classique, ou lors de la validation d’une théorie originale. Suivons son raisonnement par l’assertion contraposée : soit un modèle théorique très original dans ses résultats, qui propose des paradigmes provocants et rarement reconnus comme vrais; quelle est l’information gagnée, la valeur ajoutée par un acte de réfutation ? Aucune, car on se ramène alors à un état du monde stable et connu, duquel la théorie provocante a simplement disparu. En revanche, la validation d’un tel modèle eût été très informative. Soit à l’inverse un modèle qui produit des résultats classiques, à l’aide d’une théorie réfutable : sa validation ne fait que confirmer une information théorique déjà réputée vraie, alors que sa réfutation aurait constitué en elle-même une information capitale, éliminant une fausse croyance.
Nous tâcherons de garder à l’esprit cette dialectique, et de s’astreindre à débusquer de notre discours les idées molles : en revanche, nous nous attacherons à émettre des hypothèses provocantes mais réfutables, et nous attaquerons certaines théories classiques à fortes croyances. Essayons de tenir ses promesses tout au long des analyses des systèmes d’informatique musicale faisant appel à l’I.A., qui font l’objet de la prochaine section.

Des architectures d’I.A. dédiées à la musique

Nous n’allons pas reprendre ici une à une les caractéristiques générales de l’approche et des techniques d’intelligence artificielle pour les projeter dans l’univers de la musique. Nous allons privilégier certaines approches concrètes des problématiques musicales par l’I.A., qui ont donné lieu à des systèmes implémentés : nous prêterons particulièrement attention aux propositions de représentation des connaissances.

Présentation générale

Souvent, lorsqu’une architecture ou un système général d’I.A. est apparu, il s’est trouvé un chercheur pour tenter sa mise en œuvre dans le domaine de la musique, avec plus ou moins de bonheur : l’exemple le plus cuisant a été celui des systèmes experts commis à la composition automatique.
Récemment, des systèmes à bases de connaissances ont illustré des approches procédurales performantes, dans des domaines beaucoup plus ciblés : le système KOBRA, capable de s’avérer un assistant efficace pour la production de la rythmique d’une séquence de notes dans certaines conditions ([Founds & al. 89]), le système de Miller, capable de reconnaître une métrique par des procédés de propagation de contrainte ([Miller & al. 89]), les travaux de Vicinanza concernant la modélisation à base de règles d’une certaine créativité musicale ([Vicinanza & al. 89]). Enfin, la tentative par Saiwaki ([Saiwaki & al. 89]) de spécifier un système de composition assistée par ordinateur à partir de descriptions affectives de très haut niveau risque de s’avérer intéressante, et de faire tache d’huile.

Caractéristiques fonctionnelles et ontologiques de l’écoute

Dans cette optique, il était important de prendre la mesure de la complexité et de la richesse des mécanismes en jeu dans l’écoute humaine. En effet, c’est sur la base de cette évaluation informelle que nous devions décider notre démarche à haut niveau : allait -on chercher à aller vers une modélisation anthropomorphique de l’écoute, et quel niveau de généralité du morphisme allait-on viser ? Ou au contraire allait- on chercher à inventer des moyens et des protocoles d’écoute nouveaux, voire même à imaginer d’autres enjeux pour une autre écoute ?
Voici quelques réflexions générales sur l’écoute, sans réfréner les hypothèses et heuristiques, conjectures et suppositions, qui nous ont permis d’orienter ce choix à haut niveau : observons simplement certaines propriétés du phénomène de l’écoute, et attachons nous à en dégager certains aspects, sans penser premièrement à leur formalisation.

Phénoménologie de l’écoute, et … conjectures

Laissons nous aller à quelques spéculations, à partir d’une constatation simple : l’écoute de la musique semble accaparer un certain degré, d’ailleurs variable, d’attention et de concentration. Pour rendre compte de ce phénomène, postulons l’existence d’une tâche de fond cognitive que l’on nommera curiosité dans un premier temps, qui est capable de transformer l’audition en écoute moyennant un treillis de dispositions et d’attentions, et qui cherche d’abord à appréhender le flux sonore : il arrive que l’homme soit curieux d’écouter. Soit dit en passant, cette constatation n’est pas anodine si on a le regard braqué sur les machines : car celles-ci ont bien du mal à manifester de la curiosité; mais laissons cela pour l’instant.
On peut considérer le flux sonore dont il est question comme une séquence d’infinitésimaux sonores, si tant est qu’on laisse de côté la dimension spatiale du phénomène : admettons que ces infinitésimaux, par définition non encore porteurs d’information au sens de Shannon, soient intégrés dans le temps au sens de la mathématique pour donner naissance, par un processus de segmentation et d’abstraction complexe qui met notamment en jeu les performances physio-acoustiques de l’oreille, à un ensemble d’événements et/ou de mouvements sonores. Ces événements et/ou mouvements, affublés d’attributs de durées et de temporalité, constitueraient alors des éléments musicaux symboliques qui seraient, par essence, potentiellement porteurs de forme.
Mais ce qui guide notre curiosité ne peut être que la reconnaissance d’une forme, d’une intention : c’est d’ailleurs pourquoi tous les indices et les signes, toutes les informations et les redondances, quelle que soit leur provenance et quel que soit leur niveau de généralité participent, à la manière d’autant d’heuristiques, à cette reconnaissance : l’écoute est un festival de reconnaissances et d’abstractions.
Dans la réalité humaine, on assiste à une compétition permanente de revendications d’intention : la musique s’est entourée de rites, de gestuelles, d’intermédiaires et de redondances médiatiques; dans la chaîne de production, de nombreuses voies d’entrée ou de sortie constituent autant de sujets d’attention et autant d’emprise à la disposition. Ainsi, la chaîne d’écoute traditionnelle contient-elle des éléments visuels, gestuels et scéniques, mais aussi des pertinences instrumentales, orchestrales; la partition est aussi un facteur de redondance, et un point d’entrée ou de sortie. Ainsi, il semble que toute cette redondance et toutes ces diversités aient été mises en jeu pour permettre une écoute heuristique, pour appuyer les intentions, et finalement stimuler l’attention : l’écoute est humaine.

Table des matières

1. INTRODUCTION : LA MUSIQUE ET L’INTELLIGENCE ARTIFICIELLE
1.1. HOMMES, MUSIQUE ET INTELLIGENCE ARTIFICIELLE
1.1.1. Au commencement était la musique
1.1.2. … qu’on aimerait bien comprendre
1.1.3. … puis, longtemps après, vint l’intelligence artificielle
1.1.4. … toujours pour comprendre
1.2. LES SPÉCIFICITÉS DE NOTRE APPROCHE
1.2.1. Un engagement dans un contexte
1.2.2. Une tentative de mieux communiquer
1.2.3. Plan de lecture
2. PARTIE 1 : PRÉSENTATION DU DOMAINE
2.1. APERÇU SUR L’APPRENTISSAGE SYMBOLIQUE AUTOMATIQUE
2.1.1. Naissance de l’A.S.A. et état de l’art
2.1.2. La théorie de l’Espace des Versions
2.2. LE CAS DU SYSTÈME DISCIPLE
2.2.1. Historique et présentation du système Disciple
2.2.2. La représentation des connaissances dans Disciple
2.2.3. L’apprentissage dans Disciple
2.2.4. Le mode de Recherche d’Explications
2.2.5. Le mode de Recherche d’Analogies
2.2.6. Le mode de généralisation et de particularisation
2.2.7. Critique du système Disciple
2.3. LES SYSTÈMES DE PLANIFICATION ET L’A.S.A.
2.3.1. Historique des Systèmes de Planification
2.3.2. Les Systèmes de Planification Apprentis
2.3.3. L’Apprentissage et la curiosité artificielle
2.3.4. L’exemple du système SOAR
2.3.5. Vers une problématique musicale
3. PARTIE 2 : VERS UNE ÉCOUTE ASSISTÉE PAR ORDINATEUR
3.1. COMMENT MODÉLISER UNE ACTIVITÉ MUSICALE ?
3.1.1. Enjeux de la modélisation
3.1.2. Musique et modélisation
3.1.3. Modélisation de l’écoute musicale
3.1.4. Des modèles cognitifs pour la musique
3.2. LES EMBÛCHES DE LA MODÉLISATION
3.2.1. Le préjugé de la représentation
3.2.2. Le préjugé de la généralisation
3.2.3. Limite du modèle
3.2.4. Evaluation du modèle
3.3. DES ARCHITECTURES D’I.A. DÉDIÉES À LA MUSIQUE
3.3.1. Présentation générale
3.3.2. L’exemple de MIDI Lisp
3.3.3. La question de l’interprétation
3.3.4. Vision et musique en I.A.
3.4. LA COMPLEXITÉ DE L’ÉCOUTE
3.4.1. Caractéristiques fonctionnelles et ontologiques de l’écoute
3.4.2. Phénoménologie de l’écoute, et … conjectures
3.4.3. Du son musical à la forme
3.4.4. L’énigme de la forme
3.5. L’APPORT DES COGNITICIENS
3.5.1. Des éléments porteurs de forme
3.5.2. La perception d’une intention
3.5.3. L’adéquation des représentations usuelles
3.5.4. Connaissances déclaratives et connaissances procédurales
3.6. NOS CHOIX FACE À CETTE COMPLEXITÉ
4. PARTIE 3 : LES RECHERCHES THÉORIQUES
4.1. RAPPEL DES CARACTÉRISTIQUES DU MODÈLE IDÉAL
4.2. LE MODÈLE INFORMATIQUE
4.2.1. Les différentes représentations d’une pièce musicale
4.2.2. Les algorithmes de bas niveaux
4.2.3. Les niveaux propres à l’intelligence artificielle
4.2.4. La grille d’écoute
4.3. LES POINTS DE VUE DES ACTEURS
4.3.1. Le point de vue de l’enseignant
4.3.2. Le point de vue de l’élève
4.3.3. Le point de vue du démon
4.4. LES ASPECTS LIÉS À L’APPRENTISSAGE SYMBOLIQUE
4.4.1. Un Système Apprenti
4.4.2. Le rôle de l’oracle
4.4.3. Acquisition
4.4.4. Apprentissage
4.5. CONCLUSION
5. UN PREMIER SYSTÈME : LE MUSICOLOGUE
5.1. LE POINT DE VUE DU CRÉATEUR D’UNE MÉTHODE
5.1.1. Consultation des textes du recueil
5.1.2. Edition et augmentation des textes musicaux
5.1.3. Edition de la forme et élaboration de la grille d’évaluation
5.2. LE POINT DE VUE DE L’ÉLÈVE
5.2.1. Les libertés de l’élève
5.2.2. Les moyens de l’élève
5.2.3. La gestion de la progression
5.3. PRÉCISIONS D’APPRENTISSAGE SYMBOLIQUE AUTOMATIQUE
5.3.1. Acquisition d’une règle
5.3.2. Inférences
5.3.3. APPRENTISSAGE
6. CONCLUSION : BILAN ET PERSPECTIVES
6.1. BILAN DE NOS RECHERCHES EN MUSIQUE
6.1.1. Essence de la complexité musicale
6.1.2. Représentation des connaissances
6.2. BILAN DE NOS RECHERCHES EN I.A.
6.2.1. Une logique de la communication et de l’enseignement
6.2.2. Une perspective d’expérimentation musicale
6.2.3. Une direction pour l’apprentissage symbolique
6.3. BILAN ET PERSPECTIVES DE NOS RECHERCHES EN A.S.A.
6.3.1. Apprendre pour s’adapter
6.3.2. Vers un partage social des moyens d’expression
7. ANNEXES
7.1. DESCRIPTION PHYSIOLOGIQUE DE L’AUDITION
7.2. EXEMPLES D’EPF PRÉDÉFINIS AU SEIN DU SYSTÈME
7.2.1. EPF concernant la notion d’intervalle
7.2.2. EPF concernant la notion de hauteur
7.2.3. EPF concernant la notion de figure
7.2.4. EPF concernant la notion de métrique
7.2.5. EPF concernant la notion d’armure
7.2.6. EPF concernant la notion de voix
7.3. ELÉMENTS DE FORMALISATION MATHÉMATIQUE
7.3.1. La notion de méthode pédagogique
7.3.2. La notion de pièce musicale
7.3.3. La notion d’exercice
7.3.4. La notion de progression pédagogique
7.3.5. L’acquisition d’une règle de progression
7.3.6. L’apprentissage au sein d’une règle de progression
8. BIBLIOGRAPHIE

Télécharger le rapport complet