La recherche dans le domaine de l’apprentissage automatique et de l’IA, désormais une technologie clé dans pratiquement toutes les industries et entreprises, est beaucoup trop volumineuse pour que quiconque puisse tout lire. Cette colonne, Perceptron, vise à rassembler certaines des découvertes et des articles récents les plus pertinents – en particulier, mais sans s’y limiter, l’intelligence artificielle – et à expliquer pourquoi ils sont importants.
Au cours des dernières semaines, des chercheurs du MIT ont détaillé leurs travaux sur un système permettant de suivre la progression des patients atteints de la maladie de Parkinson en surveillant en permanence leur vitesse de marche. Ailleurs, Whale Safe, un projet dirigé par le Benioff Ocean Science Laboratory et ses partenaires, a lancé des bouées équipées de capteurs alimentés par l’IA dans le cadre d’une expérience visant à empêcher les navires de heurter les baleines. D’autres aspects de l’écologie et des universitaires ont également vu des progrès alimentés par l’apprentissage automatique.
L’effort de suivi de la maladie de Parkinson du MIT vise à aider les cliniciens à surmonter les défis liés au traitement des quelque 10 millions de personnes atteintes de la maladie dans le monde. En règle générale, les habiletés motrices et les fonctions cognitives des patients atteints de la maladie de Parkinson sont évaluées lors des visites cliniques, mais celles-ci peuvent être faussées par des facteurs extérieurs comme la fatigue. Ajoutez à cela le fait que se rendre à un bureau est une perspective trop écrasante pour de nombreux patients, et leur situation devient plus difficile.
Comme alternative, l’équipe du MIT propose un appareil à domicile qui recueille des données à l’aide de signaux radio se reflétant sur le corps d’un patient lorsqu’il se déplace dans sa maison. De la taille d’un routeur Wi-Fi, l’appareil, qui fonctionne toute la journée, utilise un algorithme pour capter les signaux même lorsque d’autres personnes se déplacent dans la pièce.
Dans une étude publiée dans la revue Science Translational Medicine, les chercheurs du MIT ont montré que leur appareil était capable de suivre efficacement la progression et la gravité de la maladie de Parkinson chez des dizaines de participants lors d’une étude pilote. Par exemple, ils ont montré que la vitesse de marche diminuait presque deux fois plus vite pour les personnes atteintes de la maladie de Parkinson que pour les autres, et que les fluctuations quotidiennes de la vitesse de marche d’un patient correspondaient à la façon dont il réagissait à ses médicaments.
Passant des soins de santé au sort des baleines, le projet Whale Safe – dont la mission déclarée est «d’utiliser la meilleure technologie de sa catégorie avec des stratégies de conservation des meilleures pratiques pour créer une solution pour réduire les risques pour les baleines» – fin septembre a déployé des bouées équipées avec des ordinateurs de bord qui peuvent enregistrer les sons des baleines à l’aide d’un microphone sous-marin. Un système d’IA détecte les sons d’espèces particulières et transmet les résultats à un chercheur, de sorte que l’emplacement de l’animal – ou animaux — peut être calculé en corroborant les données avec les conditions de l’eau et les enregistrements locaux d’observations de baleines. Les emplacements des baleines sont ensuite communiqués aux navires à proximité afin qu’ils puissent se réorienter si nécessaire.
Les collisions avec les navires sont une cause majeure de décès pour les baleines, dont de nombreuses espèces sont en voie de disparition. Selon des recherches menées par l’organisation à but non lucratif Friend of the Sea, les collisions avec des navires tuent plus de 20 000 baleines chaque année. C’est destructeur pour les écosystèmes locaux, car les baleines jouent un rôle important dans la capture du carbone de l’atmosphère. Une seule grande baleine peut séquestrer environ 33 tonnes de dioxyde de carbone en moyenne.
Crédits image : Laboratoire Benioff des sciences océaniques
Whale Safe a actuellement des bouées déployées dans le canal de Santa Barbara près des ports de Los Angeles et de Long Beach. À l’avenir, le projet vise à installer des bouées dans d’autres zones côtières américaines, dont Seattle, Vancouver et San Diego.
La conservation des forêts est un autre domaine où la technologie est mise en jeu. Les relevés des terres forestières par le haut à l’aide du lidar sont utiles pour estimer la croissance et d’autres paramètres, mais les données qu’ils produisent ne sont pas toujours faciles à lire. Les nuages de points du lidar ne sont que des cartes de hauteur et de distance indifférenciées – la forêt est une grande surface, pas un groupe d’arbres individuels. Ceux-ci ont tendance à être suivis par des humains sur le terrain.
Les chercheurs de Purdue ont construit un algorithme (pas tout à fait IA mais nous l’autoriserons cette fois) qui transforme un gros bloc de données lidar 3D en arbres segmentés individuellement, permettant non seulement de collecter des données sur la canopée et la croissance, mais une bonne estimation des arbres réels . Pour ce faire, il calcule le chemin le plus efficace d’un point donné au sol, essentiellement l’inverse de ce que feraient les nutriments dans un arbre. Les résultats sont assez précis (après avoir été vérifiés avec un inventaire en personne) et pourraient contribuer à un bien meilleur suivi des forêts et des ressources à l’avenir.
Les voitures autonomes apparaissent dans nos rues avec plus de fréquence ces jours-ci, même s’il ne s’agit encore que de tests bêta. À mesure que leur nombre augmente, comment les décideurs politiques et les ingénieurs civiques devraient-ils les accueillir ? Les chercheurs de Carnegie Mellon ont rédigé une note d’orientation qui présente quelques arguments intéressants.
Diagramme montrant comment la prise de décision collaborative dans laquelle quelques voitures optent pour un itinéraire plus long le rend en fait plus rapide pour la plupart. Crédits image : L’université de Carnegie Mellon
La principale différence, selon eux, est que les véhicules autonomes conduisent « de manière altruiste », c’est-à-dire qu’ils s’adaptent délibérément à d’autres conducteurs, par exemple en permettant toujours aux autres conducteurs de fusionner devant eux. Ce type de comportement peut être mis à profit, mais au niveau politique, il devrait être récompensé, soutiennent-ils, et les VA devraient avoir accès à des choses comme les routes à péage et les voies réservées aux VMO et aux bus, car ils ne les utiliseront pas « égoïstement ». ”
Ils recommandent également que les agences de planification adoptent une vue vraiment agrandie lors de la prise de décisions, impliquant d’autres types de transport comme les vélos et les scooters et examinant comment la communication inter-AV et inter-flotte devrait être requise ou augmentée. Vous pouvez lire le rapport complet de 23 pages ici (PDF).
Passant du trafic à la traduction, Meta a annoncé la semaine dernière un nouveau système, Universal Speech Translator, conçu pour interpréter des langues non écrites comme Hokkien. Comme le note un article d’Engadget sur le système, des milliers de langues parlées n’ont pas de composante écrite, ce qui pose un problème pour la plupart des systèmes de traduction d’apprentissage automatique, qui doivent généralement convertir la parole en mots écrits avant de traduire la nouvelle langue et de revenir au texte. à la parole.
Pour contourner le manque d’exemples de langage étiquetés, Universal Speech Translator convertit la parole en « unités acoustiques », puis génère des formes d’onde. Actuellement, le système est plutôt limité dans ce qu’il peut faire – il permet aux locuteurs de hokkien, une langue couramment utilisée dans le sud-est de la Chine continentale, de traduire en anglais une phrase complète à la fois. Mais l’équipe de recherche Meta derrière Universal Speech Translator pense qu’il continuera à s’améliorer.
Illustration pour AlphaTensor. Crédits image : DeepMind
Ailleurs dans le domaine de l’IA, les chercheurs de DeepMind ont détaillé AlphaTensor, qui, selon le laboratoire soutenu par Alphabet, est le premier système d’IA permettant de découvrir de nouveaux algorithmes efficaces et « prouvablement corrects ». AlphaTensor a été spécialement conçu pour trouver de nouvelles techniques de multiplication matricielle, une opération mathématique au cœur du fonctionnement des systèmes d’apprentissage automatique modernes.
Pour tirer parti d’AlphaTensor, DeepMind a converti le problème de la recherche d’algorithmes de multiplication matricielle en un jeu à un joueur où le « tableau » est un tableau tridimensionnel de nombres appelé tenseur. Selon DeepMind, AlphaTensor a appris à exceller dans ce domaine, améliorant un algorithme découvert pour la première fois il y a 50 ans et découvrant de nouveaux algorithmes avec une complexité « à la pointe de la technologie ». Un algorithme découvert par le système, optimisé pour du matériel tel que le GPU V100 de Nvidia, était 10 à 20 % plus rapide que les algorithmes couramment utilisés sur le même matériel.