Sujet
Tous les articles d’Actu.ai consacrés à Machine learning : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 20 articles
Les données synthétiques permettent d’entraîner et de tester des systèmes d’IA sans exposer directement des informations réelles. Elles peuvent accélérer les projets et combler les manques de données, mais ne suppriment ni les biais ni les exigences de contrôle. Voici les trois questions essentielles à se poser avant de les adopter.
Databricks met la main sur Tecton, une start-up spécialisée dans le déploiement de données à grande échelle et à faible latence. L’opération, dont les modalités financières restent confidentielles, doit renforcer l’offre d’intelligence artificielle du groupe auprès des entreprises.
Des chercheurs du MIT ont conçu un accélérateur photonique pour analyser et classer les signaux sans fil à très grande vitesse. Destiné notamment aux futurs réseaux 6G et aux radios cognitives, ce prototype promet moins de latence, une précision de 95 % et une consommation énergétique réduite face aux approches numériques.
Repérer un signal inhabituel avant qu’il ne devienne une panne, une attaque ou une complication médicale est un défi majeur. Développé par des chercheurs liés au MIT, Orion propose un cadre open source pour explorer la détection d’anomalies dans les séries temporelles, avec une ambition : rendre ces méthodes plus accessibles et plus transparentes.
Fondée à Paris en 2006, Ekimetrics affiche un objectif de croissance ambitieux : tripler son volume d’activité à l’horizon 2028. Pour y parvenir, la société entend renforcer ses équipes, investir dans l’intelligence artificielle et développer ses capacités technologiques, dans un marché de la donnée devenu stratégique pour les entreprises.
Conçu pour éviter le compromis entre prototypage rapide et vitesse d’exécution, Julia s’adresse aux scientifiques, ingénieurs et spécialistes des données. Né au MIT, ce langage compile du code de haut niveau pour les calculs exigeants. Sa promesse de concision est réelle, mais elle dépend des projets et de la maîtrise de ses outils.
L’idée est ambitieuse : utiliser l’intelligence artificielle pour concevoir des jeux qui s’inspirent de la manière dont les humains choisissent et poursuivent leurs objectifs. Derrière cette promesse, l’enjeu consiste surtout à ajuster les défis au joueur, sans confondre adaptation algorithmique et compréhension réelle des motivations humaines.
Pour alléger la facture énergétique de l’intelligence artificielle, des chercheurs de l’Université Tsinghua ont conçu une architecture mêlant calcul analogique et numérique. Testée sur des réseaux neuronaux, elle atteint une efficacité énergétique mesurée jusqu’à 39,2 fois supérieure à celle de multiplicateurs FP-32 standard, tout en visant des tâches exigeantes comme la détection d’objets.
Pour Yann LeCun, les systèmes d’IA les plus visibles restent loin de pouvoir évoluer avec fiabilité dans le monde réel. Le scientifique de Meta prévoit une nouvelle révolution technologique dans les trois à cinq ans, portée par des avancées permettant notamment de concevoir des robots domestiques et des véhicules vraiment autonomes.
Installer des panneaux solaires, des batteries ou des bornes de recharge exige encore des études longues et des appels d’offres complexes. La startup Station A veut simplifier ce parcours : sa plateforme analyse les sites, estime leur potentiel économique et met en relation les porteurs de projets avec des fournisseurs d’énergie propre.
Créer des images, tableaux, textes ou sons plausibles pour entraîner une intelligence artificielle devient un levier majeur lorsque les données réelles manquent. L’IA synthétique promet d’accélérer les projets de machine learning et d’IA générative, mais elle impose surtout un contrôle rigoureux de la qualité, des biais et de la conformité.
Longtemps réduite à l’image de l’eau qui frémit dans une casserole, l’ébullition est un enjeu d’ingénierie majeur. Au 2 janvier 2025, les travaux sur les bulles et le transfert de chaleur ouvrent des pistes pour les centrales, le refroidissement des serveurs, le stockage d’énergie et l’exploration spatiale.
Cocréateur de Scikit-learn, Gaël Varoquaux a contribué à placer une boîte à outils libre au cœur de l’apprentissage machine moderne. Chercheur à l’Inria, il défend une vision de l’IA fondée sur le partage des méthodes, la reproductibilité scientifique et l’attention portée aux conséquences sociales des algorithmes.
Une équipe de Berkeley et du Lawrence Berkeley National Laboratory présente EScAIP, une architecture d’IA destinée à simuler les interactions entre atomes. Le modèle promet des calculs plus rapides, moins gourmands en mémoire et plus accessibles pour la chimie, les matériaux ou la recherche sur les médicaments.
AWS décline son offre d’intelligence artificielle selon trois niveaux d’usage : SageMaker pour construire des modèles, Bedrock pour exploiter des modèles de fondation et PartyRock pour créer sans coder. Ces services ne répondent pas au même besoin ni au même public. Voici comment les distinguer pour éviter de choisir un outil inadapté.
Les bootcamps en intelligence artificielle et machine learning promettent une montée en compétences rapide, très orientée vers la pratique. Projets, portfolio, mentorat, rythme flexible : ces formations répondent à des besoins concrets, à condition de vérifier précisément leur contenu, leur reconnaissance et leur adéquation avec son projet professionnel.
Longtemps moins présent que Databricks dans le machine learning, Snowflake accélère dans l’intelligence artificielle. Avec Cortex AI, son modèle open source Arctic, Cortex Search et Streamlit, l’éditeur veut réunir données, modèles et applications au sein d’une même plateforme managée.
OpenAI présente MLE-bench, un protocole fondé sur 75 compétitions Kaggle pour évaluer des agents capables de mener des tâches de machine learning. Plus proche d’un travail d’ingénierie que les tests de questions-réponses, cet outil promet des comparaisons plus utiles, sans résumer à lui seul la fiabilité d’un système.
Remplacer une partie des multiplications en virgule flottante par des additions d’entiers pourrait alléger fortement la facture énergétique de l’IA. Une méthode évoque jusqu’à 95 % d’énergie économisée, sous des conditions expérimentales précises. Derrière ce chiffre spectaculaire, la question est aussi celle de l’adaptation des modèles et des puces.
Des chercheurs ont confronté 24 modèles de machine learning à des énigmes inspirées des matrices progressives de Raven. Ces essais montrent que l’IA sait parfois repérer des régularités visuelles complexes, mais qu’elle reste inégale dès qu’il faut généraliser une règle ou interpréter un contexte ambigu.
