background preloader

Article a voir

Facebook Twitter

Machine Learning, Deep Learning, AI, Informatique cognitive : quelles différences ? L'Intelligence Artificielle est un terme créé en 1956 à la conférence de Dartmouth et qui désigne le fait pour une machine de réaliser des processus de raisonnement habituellement réalisés par des êtres humains. Le champ de l'Intelligence Artificielle est très large et couvre différentes disciplines telles que la compréhension, le calcul, le raisonnement, l'apprentissage, la perception, le dialogue en langage naturel, etc. L'informatique cognitive est une discipline de l'Intelligence Artificielle. D'un point de vue purement sémantique, "cognitif" signifie un processus mental réalisé en conscience, comme par exemple penser, réfléchir, comprendre ou encore apprendre.

L'informatique cognitive est donc la faculté de doter les machines de ces capacités-là. L'Intelligence Artificielle et en particulier l'informatique cognitive font appel à diverses technologies pour atteindre des objectifs différents. Machine Learning Deep Learning Watson et le Deep Learning. Intelligence artificielle & analyse prédictive au cœur des objets connectés avec Tellmeplus... L’éditeur de logiciel d’analyse prédictive Tellmeplus présentera au CES de las Vegas, dans le village Eureka Park dédié aux start-up (5-8 janvier 2017, stand 50632), Predictive Objects, sa technologie d’intelligence artificielle embarquée dans les objets connectés. Laquelle met à profit le Machine Learning et le Big Data pour automatiser la création de modèles prédictifs, renforçant ainsi les compétences des experts humains pour des prévisions plus rapides et plus précises.

Prédictive Objects prédit et améliore le fonctionnement et le comportement des objets, mais aussi des services et du réseau associés. La solution optimise aussi bien l’utilisation de l'équipement que sa disponibilité. En intégrant l'intelligence à l’intérieur de l’objet connecté, cette technologie déplace la prise de décisions au niveau local, l'équipement devenant capable de prendre lui-même les décisions en temps réel, selon le contexte d'utilisation et les données disponibles, ceci même sans connexion. Le machine learning se lance dans la prévention des suicides | L'Atelier : Accelerating Innovation.

Des chercheurs du Cincinnati Children’s Hospital Medical Center ont découvert que le machine learning pouvait être utilisé pour déceler de manière précise le caractère suicidaire d’une personne. La Fondation américaine pour la prévention du suicide estime qu’en moyenne 42 773 Américains se donnent la mort tous les ans. Et pour chaque suicide, il y aurait 25 tentatives. Des chiffres qui font froid dans le dos et qui pourraient être drastiquement abaissés grâce à la technologie. Des chercheurs du Cincinnati Children’s Hospital Medical Center ont en effet découvert que le machine learning est capable de prévenir le suicide. Il suffit pour cela à la technologie d’analyser le langage (verbal ou non verbal) des patients. Son expérience s’est déroulée comme suit : pendant 18 mois, les participants ont répondu à des questions du type « êtes-vous en colère ? Les résultats ont été concluants.

Équiper les écoles, centres de loisirs, prisons pour mineurs... de cet outil a probablement un prix. 4,7 millions de développeurs en Europe selon Stack Overflow. Le nombre total de développeurs professionnels en Europe s'élève désormais à 4,7 millions. Ce chiffre repose sur les données de Stack Overflow publiées aujourd'hui au sein du rapport « The State of European Tech » édité par Slush et Atomico. Plus d'un demi-million (516 535) d'entre eux travaillent à Londres, Paris et Berlin. La région de Londres, qui comporte 300 345 développeurs, figure en tête du classement. Paris occupe la deuxième position avec plus de 130 000 développeurs. Les développeurs mobilisés autour du machine learning Sur Stack Overflow, des tendances nettes apparaissent dans le domaine de la technologie de pointe. AWS veut simplifier le Deep Learning pour les entreprises. Petit à petit, AWS se bâtit un portefeuille d’outils dédiés à l’Intelligence artificielle.

Et cette édition 2016 de la conférence Re:Invent qui se tient actuellement à Las Vegas a justement permis d’assoir AWS sur ce terrain. Si IBM, Google, Salesforce ou encore Microsoft se sont positionnés sur ce créneau, AWS n’avait pas d’offres très étendues pour venir rivaliser véritablement. Chez la firme de Seattle, l’approche se veut volontairement axée sur la simplification des usages, comme il est de coutume. C’est bien un des messages que la société a tenté de faire passer lors de l’annonce de trois services : un service de TTS (text-to-speech) nommé Polly, un autre de reconnaissance d’image (Rekognition) et enfin (surtout), un service de création intuitive de bots (Lex). Par exemple, la mise en place d’outils Watson d’IBM dans les entreprises est sujette à de longues phases d’apprentissage indispensables qui allonge la durée d’implémentation des projets.

Reconnaissance du langage et vocale. Séparation de sources: quand l'acoustique rencontre le machine learning. Abstract : La séparation de sources consiste à traiter un signal audio de sorte à en extraire une ou plusieurs signaux cibles. C'est un problème de recherche central en traitement du signal audio et une technologie présente dans un nombre croissant de produits. Les applications couvrent entre autres le rehaussement de la parole pour la téléphonie mains-libres et les aides auditives et la séparation de la voix chantée et des divers instruments pour le remixage de la musique. La séparation de sources est aussi un pré-traitement crucial pour pour le pilotage par la voix des assistants personnels, des télévisions, ou des robots, par exemple.

La résolution de ce problème fait appel à des outils de traitement du signal et d'apprentissage automatique et à des éléments d'acoustique. Sept idées fausses au sujet de l'AI, du Machine Learning et de la cybersécurité. « L’intelligence artificielle s’est insérée dans nos vies de différentes façons, sans que nous le remarquions », déclarait le président Obama lors d’une interview. En vérité, nous utilisons des services et des produits intelligents de manière quotidienne.

Des algorithmes d’apprentissage pilotent des voitures et des avions, nous aident à trouver des informations, à lutter contre la fraude en ligne et le blanchiment d’argent, et bien plus encore. Toutefois, les conversations tournant autour de l’intelligence artificielle révèlent que l’opinion générale la considère encore comme une « super-intelligence » potentiellement dangereuse, qui pourrait finir un jour par se retourner contre l’humanité.

De nombreuses autres croyances erronées remettent en cause la perception d’une « intelligence artificielle bienveillante ». Voici quelques-unes des croyances les plus populaires, et la vérité derrière celles-ci. 1. Le Machine Learning n’a rien de nouveau. 2. 3. 4. 5. 6. 7. Bogdan Botezatu, L'IA de Google sait désormais dire ce que vous venez de dessiner, essayez-la ! Prevision.io lance sa plateforme de Machine Learning avec intermédiation IoT. La startup est née de la rencontre de passionnés de Machine Learning, partageant la même vision, celle d’un monde en pleine transformation, à l’aune d’une révolution technologique majeure. La plateforme est en mode Cloud et permet d’élaborer des modèles de prédiction pour tous les secteurs d’activité, ainsi que l’intermédiation entre tous types d’objets qui viennent s’y connecter (IoT, Big Data, MtoM...).

L’intelligence fournie par la plateforme donne aux personnes ou aux machines les leviers d’action nécessaires à une activité optimale. Prenons l’exemple du Big Data, c’est aujourd’hui une mine d’or à exploiter pour les entreprises. Ces quantités de données sont souvent difficilement traitables manuellement et représentent un véritable avantage concurrentiel. Pourtant la simple exploration des données est insuffisante si aucune intelligence ne permet la bonne interprétabilité. Black Friday : quand la Data optimise les... Le Black Friday, ou ces soldes gigantesques qui ont lieu aux Etats-Unis le lendemain de Thanksgiving, est l’un des moments-clés de l’année pour les commerçants.

Les retailers voient leur chiffre d’affaires exploser sur cette journée ainsi que lors du Cyber Monday, une fois le week-end passé. En France, le Black Friday a été importé depuis quelques années et sera, cette année encore, en progression par rapport à l’année dernière. Les Français profiteront de l’événement pour acheter en particulier beaucoup de vêtements. Pour les distributeurs, cette journée atypique et primordiale suscite de nombreuses interrogations et tâtonnements pour la gestion de leurs approvisionnements et de leurs stocks. Le Black Friday décolle en France Phénomène d’ampleur pour les commerçants et les e-commerçants aux Etats-Unis, le Black Friday est arrivé depuis quelques années en France où il est désormais installé comme un événement attendu.

Les apports du Machine Learning pour la Supply Chain. Les retailers conquièrent leur marché grâce au machine learning. Pour répondre à des consommateurs toujours plus exigeants et devenir leader d’un marché de plus en plus digitalisé, les retailers doivent s’appuyer sur des solutions performantes, améliorant la prise de décision. La prévision de la demande est un sujet de plus en plus stratégique pour les enseignes. Longtemps basés sur des caractéristiques relativement simples (type d’article, couleur, taille), les calculs de prévision des ventes font aujourd’hui leur révolution grâce aux avancées du machine learning.

Pour répondre à des consommateurs toujours plus exigeants et devenir leader d’un marché de plus en plus digitalisé, les retailers doivent s’appuyer sur des solutions performantes, améliorant la prise de décision. La distribution : un secteur en pleine mutation A l’ère d’Internet et des smartphones, s’opère une profonde mutation du secteur du retail qui voit naître un nouveau consommateur : le consommateur 2.0. Exigeant, il veut tout, tout de suite et c’est lui qui dicte les règles. Vous avez dit machine learning? | Blue DME. Selon Angel.co, 916 machines de startups sont aujourd’hui en apprentissage automatisé. Cela représente une augmentation de 47% par rapport à mai 2015. Dès lors, le machine learning est une technologie à croissance exponentielle. Historiquement, cette théorie a pris son essor avec les travaux des mathématiciens Vapnik et Chervonenkis dans les années 1960.

Ces travaux se sont développés un peu à l’écart du monde des probabilités et des statistiques et n’ont pas été reconnus tout de suite. Le machine learning ne se concentre plus sur des objets abstraits mais sur le côté opérationnel, c’est-à-dire la prise de décision à partir des données en faisant le moins d’erreurs possibles. Cet article consiste à présenter les notions de machine learning, de deep learning et de réseaux de neurones, les use cases qui y sont associées et à déterminer si ce phénomène est davantage un risque ou une opportunité. a-Apprentissage automatique, auto-amélioration des systèmes et Big Data Blog Re-work InExcelsis.