🤖IActualités du 09 Juillet

Bonjour à toutes et à tous,

Comme chaque mardi midi, retrouvez toute l’actualité de l’Intelligence Artificielle !

6/10

6 entreprises sur 10 déclarent que l’IA les a aidé à améliorer l’efficacité de leurs processus.

Source : ScaleAI

L’IA va dans l’espace !

Nous pouvons envoyer un homme sur la lune, mais pas les ordinateurs capables de porter de l’IA. Les processeurs des vaisseaux spatiaux de la NASA sont étonnamment très basiques. La NASA veut des machines très résilientes, même dans des conditions extrêmes comme l’espace.
Par exemple, Orion, la fusée prévue pour emmener l’Homme sur Mars, utilise un processeur IBM sorti en 2002. Concrètement, les ordinateurs des vaisseaux spatiaux sont plus lents que ceux que la NASA utilise sur Terre. C’est pourquoi ces ordinateurs de l’espace ne peuvent pas embarquer d’IA !

L’entreprise Aethero veut changer cela : elle prévoit d’envoyer des processeurs d’IA dans l’espace. Pour ce faire, elle réutilise une puce Nvidia équipée d’un GPU capable d’effectuer toutes sortes de tâches IA.
La start-up Cosmic Shielding Corp (CSC), quant à elle, prête un bouclier spécial imprimé en 3D qui protège le processeur des radiations.

Le moment de vérité sera le 10 Juillet. L’ordinateur sera testé sur le Transporter 11 de SpaceX. Cette mission vise à larguer des dizaines de satellites en orbite pour des clients gouvernementaux et corporatifs.

Si le lancement se déroule comme prévu, l’AetherNxN deviendra “la puce capable d’IA la plus rapide de l’espace”, a déclaré le PDG de CSC à SpaceNews.

Les ordinateurs personnalisés d’Aethero pourraient un jour être utilisés pour sonder de manière autonome l’espace pour identifier des astéroïdes, des débris et des planètes. Il pourrait signaler d’éventuels problèmes techniques et mécaniques avec plus de précision que les systèmes de sécurité actuels. Pour finir, il pourrait aussi trier d’énormes quantités de données pour trouver des informations pertinentes pour les scientifiques « sur le terrain ».

L’IA pour d’écouter les baleines à bosse ?

Les baleines font des sons pour communiquer. Les avancées technologiques ont récemment facilité l’écoute de ces « conversations sous-marines » grâce à des enregistrements acoustiques à longue portée.

Une étude de 2021 indique que “les découvertes sont maintenant limitées par le temps nécessaire pour analyser les données”.

Les chercheurs se sont donc tournés vers l’IA. En 2021, des scientifiques de la NOAA ont entraîné un réseau neuronal convolutif (CNN) de Deep Learning sur 187 000 heures de données acoustiques de baleines.

Les chants des baleines à bosse mâles ont traditionnellement posé un défi au suivi automatisé car ils sont longs, complexes et changent chaque année. Le modèle a tout de même été capable d’identifier les chants des baleines à bosse mâles de plusieurs populations différentes sur une chronologie de 13 ans.

Les  scientifiques utilisent ainsi l’IA comme un stéthoscope pour étudier la vie marine ! Ils sont capables d’étudier les informations automatisées de ces modèles pour déterminer les mouvements et la santé des baleines à bosse.

Les lois d’échelle : impacts sur les nouveaux modèles d’IA

Dans une récente interview, Dario Amodei - le PDG d’Anthropic - a déclaré qu’il pense que l’intelligence artificielle générale (AGI) pourrait arriver dans 1 à 3 ans.

Il base cette croyance sur l’impression que “comme un enfant qui apprend et se développe, l’IA s’améliore de plus en plus.” Effectivement, les lois d’échelle montrent qu’à mesure que la taille du modèle IA augmente, ils s’améliorent.

Mais Dr. A. Narayanan et S. Kapoor considèrent que cette vision “repose sur une série de mythes et de malentendus”. Ils ajoutent qu’il n’y a “aucune preuve que l’augmentation de ces capacités émergentes aux côtés de la taille du modèle continuera indéfiniment.“ Le moment de ce plateau, ont-ils dit, sera juste difficile à prédire.

Toujours en lien avec les lois d’échelle, une recherche récente de Mozilla a révélé que la précipitation pour continuer à ajouter de plus en plus de données aux ensembles d’entraînement a une conséquence : l’augmentation disproportionnée des sorties biaisées. L’idée est que si un développeur consomme plus de données en ligne, il y aura des portions de plus en plus grandes de ces données qui contiennent ces biais raciaux. Comme la sortie du modèle est le résultat de ses données d’entraînement, les probabilités d’une sortie biaisée augmentent également.

👀 C’est tout, pour le moment !

Si cette newsletter vous a plu, partagez-là !

A la semaine prochaine !👋