« Prompting the European Union history »
perspectives sur les IA génératives et l’histoire de l’intégration européenne

Frédéric Clavert, C²DH,
Université du Luxembourg

L’Europe dans les médias. Chaire Jean Monnet IDECE. 4 avril 2024.

introduction

qui suis-je?

histoire des relations internationales

histoire numérique

memory studies

professeur assistant (maître de conférence) au Centre for Contemporary and Digital History (C2DH) de l’Université du Luxembourg. Issu de l’histoire des relations internationales, il s’est progressivement orienté vers les méthodes numériques appliquées à l’histoire ou l’étude des échos des commémorations des guerres mondiales sur les réseaux sociaux numériques. Il a co-dirigé avec Caroline Muller (Rennes 2) le livre en ligne Le goût de l’archive à l’ère numérique qui se penche sur les relations des historiens et historiennes à leurs sources à l’ère numérique. Il est managing editor du Journal of Digital History.

Parmi ses publications récentes:

Clavert, Frédéric. « History in the Era of Massive Data ». Geschichte Und Gesellschaft, vol. 46, no. 1, 2021, pp. 175–94, https://doi.org/10.13109/gege.2021.47.1.175.
Clavert, Frédéric, Mahroug, Sophia et Schafer, Valérie. « Préservation et distorsion : l’espace-temps des réseaux socio-numériques et du web archivé ». Revue d’histoire culturelle, vol. 2022, no. 5, Oct. 2022, https://doi.org/10.56698/rhc.2791.
Bunout, Estelle, Ehrmann, Maud et Clavert, Frédéric, dirs. Digitised Newspapers – A New Eldorado for Historians? Tools, Methodology, Epistemology, and the Changing Practices of Writing History in the Context of Historical Newspapers Mass Digitization, De Gruyter Oldenbourg, 2022.

IA générative?

Depuis 2022, diverses plateformes et logiciels fondés sur des systèmes d’intelligence artificielle (IA) proposent à leurs utilisateurs et utilisatrices de créer des images (MidJourney, Stable Diffusion, Open AI DALL·E 2, etc.) ou des textes (ChatGPT, BLOOM, etc.) sur la base d’une « invite » (prompt), c’est-à-dire une courte description, une question, de ce que l’utilisateur ou l’utilisatrice souhaite. Ces systèmes ont régulièrement, notamment depuis l’ouverture au public de ChatGPT par la société états-unienne OpenAI, défrayé la chronique et suscité une ébullition au sein du monde académique à laquelle l’auteur de ce texte a pu participer.

Au-delà des craintes, parfois justifiées, autour de la question du plagiat dans le monde académique, une réflexion est à mener sur les visions du passé historique qui sont intégrées dans ces systèmes.

Quelques recherches en cours
en histoire / memory studies

Avec Sarah Gensburger (Sciences Po), Memory Studies Review: « Is AI the future of collective memory? »,
Avec Caroline Muller (Rennes 2), « L’histoire au temps des algorithmes», 20&21, à paraître,
History & Theory (Kansteiner (2022) / Bonaldo and Pereira (2023)),
Dossier American Historical Review, Artificial Intelligence and the Practice of History
Philippe Rygiel, « ChatGPT : “Non je n’ai pas inventé cette une de presse” (menteur) »
« OpenForum », Eastern European Holocaust Studies, M. Makhortykh

IA générative et histoire

quelles peuvent être nos sources?

données d’entraînement

prompts (invites)

texte/image généré(e)

entraînement

jeux de données massifs (image+métadonnées ou texte)
Reinforcement Learning with Human feedback (RLHF)
- aspects humains de l’entraînement
- digital labor

Ces derniers reposent sur, notamment, de l’apprentissage profond (deep learning). Cet « apprentissage » implique l’usage de jeux de données massifs permettant d’« entraîner » ces systèmes génératifs d’images ou de textes. Ces jeux de données d’entraînement, souvent issus du web, embarquent, ainsi, des points de vue sur le passé historique. Peu ou pas d’historiens ou d’historiennes sont capables d’analyser ces données, souvent propriétaires et massives. De plus, la notion d’entraînement implique l’introduction d’une perspective probabilistique dans la description du passé qui peut ressortir des réponses de ces systèmes aux invites des utilisateurs et utilisatrices. Ces réponses sont des assemblages de mots ou de pixels statistiquement pertinents : il n’y a aucune notion de vérité, de juste ou de faux, de factualité dans ces systèmes, du moins pour le moment.

Pour une explication « vulgarisée » de l’apprentissage profond et plus largement de l’intelligence artificielle ou plus largement de l’algorithmique, voir: Le Cun (2019) ou Domingos (2015).

Interrogé sur les jeux de données qui ont servi à entraîner GPT-3.5, sur lequel ChatGPT repose, la réponse de ce dernier est la suivante « […] GPT-3.5 est entraîné sur une vaste quantité de données provenant d’Internet. Les chercheurs et les ingénieurs en apprentissage automatique collectent des textes provenant de diverses sources, telles que des articles de presse, des livres, des sites web, des forums, des blogs et d’autres documents accessibles au public. Ces textes couvrent un large éventail de sujets et de styles d’écriture, ce qui permet au modèle de développer une compréhension générale de la langue. […] »

Quelles perceptions du passé sont-elles embarquées dans ces jeux de données?

voir Makhortykh, Vziatysheva, and Sydorova (2023) sur la Shoah en Ukraine

« Charles De Gaulle bronze sur une plage de Normandie »

[…] GPT-3.5 est entraîné sur une vaste quantité de données provenant d’Internet. Les chercheurs et les ingénieurs en apprentissage automatique collectent des textes provenant de diverses sources, telles que des articles de presse, des livre$$s, des sites web, des forums, des blogs et d’autres documents accessibles au public. Ces textes couvrent un large éventail de sujets et de styles d’écriture, ce qui permet au modèle de développer une compréhension générale de la langue.

(source: ChatGPT)

les textes créés

les images créées

Ursula von Der Leyne [sic] and Emmanuel Macron, Peter Pavel in the image of knights of the round table

(source)

les prompts

des perroquets stochastiques?

séquence de mots la plus probable
assemblage de pixels le plus probable

prompts et Union européenne

la difficile quête des sources

Jeu de données issues de Stable Diffusion

dix millions de prompts,
très peu sur l’Union européenne,
beaucoup plus sur des personnages liées à l’Union européenne.

mélanger passé, présent et futur

army of the european union invades budapest 2 0 2 2, highly detailed painting, digital painting, artstation, concept art

army of the european union fighting on the streets of budapest 2 0 2 2, highly detailed illustration for time magazine cover art

army of the european union with tanks fighting on the streets of budapest 2 0 2 2, highly detailed oil painting

mélanger présent et mythologie européenne

Ursula von Der Leyne and Emmanuel Macron, Peter Pavel in the image of knights of the round table

ChatGPT “Crée une image représentant Ursula Von der Leyen, actuelle présidente de la Commission européenne, lors de son couronnement en tant que reine de l’Europe. Assure-toi que les drapeaux de l’Union européenne sont visibles et que la cérémonie de couronnement est mise en évidence.”

Conclusion

lien actualités – perceptions de l’histoire

agression russe contre l’Ukraine comme exemple paradigmatique

négocier avec la machine

quelle influence sur la façon dont nous voyons le passé

Bibliographie

Bonaldo, Rodrigo, and Ana Carolina Barbosa Pereira. 2023. “Potential History: Reading Artificial Intelligence from Indigenous Knowledges*.” History and Theory 62 (1): 3–29. https://doi.org/10.1111/hith.12290.

Domingos, Pedro. 2015. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. New York: Basic Books.

Kansteiner, Wulf. 2022. “Digital Doping for Historians: Can History, Memory, and Historical Theory Be Rendered Artificially Intelligent?” History and Theory 61 (4): 119–33. https://doi.org/10.1111/hith.12282.

Le Cun, Yann. 2019. Quand la machine apprend: La révolution des neurones artificiels et de l’apprentissage profond. Odile Jacob.

Makhortykh, Mykola, Victoria Vziatysheva, and Maryna Sydorova. 2023. “Generative AI and Contestation and Instrumentalization of Memory About the Holocaust in Ukraine.” Eastern European Holocaust Studies, November. https://doi.org/10.1515/eehs-2023-0054.