While intelligence *leverages* compression in important ways in representation learning, intelligence and compression are by nature opposite in key aspects.
Because intelligence is all about *generalization to future data (out of distribution)* while compression is all about *efficiently fitting the distribution of past data*. If you're optimal at the latter, you're terrible at the former.
If you were an optimal compression algorithm, the behavior policy you would develop during the first 10 years of your life (maximizing your extrinsic rewards such as candy intake, while forgetting all information that appears useless as per past rewards) would be entirely inadequate to handle the next 10.
Si vous souhaitez voir #Oppenheimer en 70mm, n'allez surtout pas au @LeGrandRex , l'écran est minuscule, loin de la scène donc des spectateurs, l'acoustique de la salle est pas terrible (1/2)
@ppgarcia75@LeGrandRex Super vidéo PP mais personnellement très déçu de la projection au grand Rex, pire séance de ma vie, ne pas voir l'entièreté de l'écran je trouve ça inacceptable
@ShirleyAlmCh @PatrickGIRY Tu as un directeur de projet qui cherche du travail ou un client qui cherche un directeur de projet ? Si c'est l'option 1 je suis intéressé pour échanger.
@TeddyFERDINAND1 Avez-vous trouvé un moyen de mass-revoke les OAuth tokens de tous les users GitHub de votre orga ? Le point 1 de la liste des actions à réaliser selon CircleCI : https://t.co/CBAU0lCt6b
@JulienTopcu@Pierstoval@fhiegel Ça va être compliqué de se comprendre sur Twitter surtout si on sort les grosses formules, mais je vois pas en quoi cette définition (pas vraiment celle qu'on voit en conf d'ailleurs) contredit mon point. Je te propose d'en reparler de vive voix à l'occaz !
@JulienTopcu@Pierstoval@fhiegel Mon point c'est pas que ton idée de test est mauvaise, au contraire j'aurais certainement fait pareil. C'était que dans le PBT il n'y a pas d'habitude cette faible proba de faux négatif sur le résultat, donc je parlais d'une approche "à la manière du PBT"👍
@JulienTopcu@Pierstoval@fhiegel Agreed, car j'ai pris le cas extrême pour illustrer mon point. Imagine que tu veux tester le dé, tu fais 6000 lancers dans ton TU. Est-ce que si tu tires 1100 fois un 6, tu fais échouer ton TU ? Oui. 1050 ? 1020 ?
@JulienTopcu@Pierstoval@fhiegel Je parle bien d'un seed tordu à l'intérieur d'un générateur qui lui est homogène hein. C'est comme au casino à la roulette, des fois tu vois 20 rouges sortir d'affilée, pourtant c'est bien 1 chance sur 2 (en dehors du 0, ok)
@JulienTopcu@Pierstoval@fhiegel Même si ton TU fait 6000 tests de lancer de dés tu pourrais un jour en exécutant ton test tomber sur un seed tordu qui te donne 1200 fois le chiffre 1 sur les 6000 runs. Statistiquement c'est possible (mais peu probable).
@JulienTopcu@Pierstoval@fhiegel Si un jour tu as un peu de temps pour partager des exemples ici, ou écrire un article, ou faire un BBL, je suis preneur 👍 merci pour l'échange
@JulienTopcu@Pierstoval@fhiegel Ok je vois ton idée. Pas certain que ce soit vraiment exprimable dans un framework de PBT, si (je connais très mal) ? Sinon ça "ressemble" oui, mais il faut des seuils d'erreur et tout et tout.