Ecouter la pièce sonore :

Poem Poem Poem Poem Poem

Œuvre sonore, 24’32’’ en boucle et lettrage adhésif, dimensions variables, 2025
Avec le soutien du Jeu de Paume, Paris

Télécharger les textes et diagrammes vectorisés : poempoempoempoempoem.pdf

L'œuvre Poem Poem Poem Poem Poem explore les failles et les dysfonctionnements cachés des grands modèles de langage (LLM) comme ChatGPT ou LLaMA. Composée de deux volets complémentaires – des poèmes visuels au mur et un poème à écouter – elle tire son origine d'une expérience imaginée par des chercheurs¹ qui demandaient à ces IA de répéter à l'infini certains mots simples tels que « poem » ou « book ». Avant que cette faille ne soit corrigée, ces systèmes révélaient des fragments des textes ayant servi à leur entraînement. Les extraits, provenant aussi bien de publicités, d’avertissements juridiques et de menus de restaurants que de la Bible, d’e-mails privés ou de scripts informatiques, témoignent de la diversité des contenus collectés, souvent sans consentement explicite, pour entraîner les programmes. Convertis grâce à des voix artificielles récentes, ils forment une composition sonore de poèmes lus ou chantés, une cacophonie d’accaparements massifs de contenus par les grands groupes de la tech. Aux murs, des poèmes visuels prolongent cette réflexion en manipulant directement les mécanismes fondamentaux des LLM (tokenisation, word embedding, fenêtres contextuelles, etc.). Ils révèlent les limites intrinsèques de ces technologies tout en produisant des effets de sens surprenants. Chaque poème met en évidence les difficultés des modèles linguistiques à accomplir des tâches élémentaires, comme compter précisément les lettres d’un mot, ou leurs étranges capacités à réaliser d’improbables additions lexicales. Dans cette nouvelle forme de poésie concrète, les directions vers le haut s’additionnent pour nous mener vers le bas, et le mot « erreur » contient définitivement un « o » et deux « r ».

1. Milad Nasr, Nicholas Carlini, Jonathan Hayase, Matthew Jagielski, A. F. Cooper, Daphne Ippolito, Christopher A. Choquette-Choo, Eric Wallace, Florian Tramer et Katherine Lee,
« Scalable Extraction of Training Data from (Production) Language Models », arXiv, 28 novembre 2023. https://arxiv.org/pdf/2311.17035

Licence CC BY-NC avec avertissement relatif aux droits tiers