S'inscrire identifiants oubliés ?

Lutter contre le paludisme

Une maladie endémique

Le paludisme, ou malaria, est une infection des globules rouges causée par le protozoaire Plasmodium falciparum, qui a pour origine le gorille. Ses symptômes se rapprochent de ceux de la grippe : fièvre, troubles ...

Une piste de recherche pour guérir du SIDA

Des virus dormants

Le SIDA (Syndrome d’ImmunoDéficience Acquise) est le dernier stade de l’infection par le VIH (Virus de l’Immunodéficience Humaine). Ce rétrovirus ...

Imprimer de la peau artificielle

Réaliser des bio-impressions de peau

La peau est une structure complexe, organisée en trois couches de tissus (épiderme, derme, hypoderme). Il s'agit du plus grand organe du corps humain, puisqu'elle représente environ 16% de son poids total. Sa fonction principale est de former une barrière de ...

Chiens policiers, mieux piéger les odeurs

L'odorat et les chiens

Les sens chimiques de l'odorat et du goût renseignent sur la nourriture et les odeurs corporelles des êtres vivants qui nous entourent. En ce qui concerne l'olfaction, les molécules amenées par le mouvement ...

Les technologies des trains à grande vitesse

Le TGV en France

L'idée de créer un TGV (Train à Grande Vitesse) pour relier les principales villes françaises émerge au cours des années 1960, dans le but de concurrencer l'automobile et l'avion par une augmentation de la vitesse du transport. Propulsé par des ...

Des implants rétiniens restaurent la vision

La rétine, si précieuse, si fragile

La rétine joue un rôle crucial pour la vision. Située en arrière-plan de l’œil et couvrant les trois quarts de sa paroi interne, ...

Propriétés du graphène

Le graphène est un matériau en deux dimensions, un cristal constitué d’atomes de carbone agencés en hexagones. Dans la nature, l'empilement de couches de graphène forme le graphite, que l'on rencontre couramment dans les crayons. Enroulé ...

Géothermie en béton

La géothermie

Dans le cadre de la transition énergétique, les technologies liées aux énergies renouvelables se développent. Parmi elles, la géothermie consiste à utiliser la chaleur des sols. Elle permet de réduire la consommation énergétique d’un bâtiment.

Les transferts de chaleur entre le sous-sol et le bâtiment s'effectuent grâce à un système de circulation d'eau et à des pompes à chaleur. L'objectif est de produire l'eau chaude sanitaire, de chauffer le logement en hiver et de le refroidir en été (technique appelée geocooling).

Les fondations thermoactives en béton

Le béton s'avère être un allié des installations de géothermie. C'est un bon conducteur de chaleur et surtout, il permet d'intégrer les tubes de captage ou les canalisations de circulation d’eau directement dans les fondations. Cela permet d'optimiser la surface d’échange avec le sous-sol et d'améliorer l’échange thermique.

Les fondations thermoactives permettent ainsi de chauffer ou de refroidir un bâtiment en combinant la structure de portage avec l'échange de chaleur.

Le béton et le stockage passif de chaleur

La géothermie peut également utiliser du béton en surface, comme c'est le cas pour les poteaux énergétiques ou les collecteurs routiers. Les éléments et structures en béton font alors office d’échangeurs de chaleur, de systèmes de distribution, de tampons thermiques ou de collecteurs, ce qui permet par exemple de préserver le revêtement routier des effets du gel sans l’intervention nocive des sels d’épandage.

Les éléments passifs en béton peuvent aussi jouer un rôle utile dans la gestion énergétique d’un bâtiment. En tant que tampons, ils assurent le stockage de l’énergie thermique et son émission retardée. La chaleur de l'été peut alors être absorbée la journée, pour être évacuée de nuit via une ventilation nocturne. En hiver ou durant l’entre-saison, l’énergie du soleil bas peut être emmagasinée pour être libérée le soir venu. Ces techniques conduisent à un nivellement des pics de température, donc à une moindre consommation d'énergie.

En savoir plus

Le fonctionnement d'une pompe à chaleur

Fondations thermoactives : de l'énergie captée dans du béton

La technique du rafraîchissement par géothermie, sur le site Géothermie perspectives

» lire tous les articles 1 2 3 4 5 6 7 8
sciences en ligne
exploratheque
du premier stage au premier emploi


Des machines qui parlent entre elles ?
Les principes de fonctionnement de l’Intelligence Artificielle via le Machine Learning.

En Novembre 2016 le projet d’intelligence artificielle de Google : « Google Brain » a déchaîné les médias. Alors que deux unités d’intelligence artificielle étaient connectées entre elles, elles se sont mises à communiquer dans un langage nouveau et incompréhensible par un humain.

Pour comprendre ce qu’il s’est réellement passé il faut comprendre ce qu’on entend aujourd’hui par intelligence artificielle et plus particulièrement par Machine Learning (Apprentissage Automatique en français).

Qu’est-ce que le Machine Learning ?

Le Machine Learning a pour but de rapprocher le fonctionnement des machines du fonctionnement du cerveau humain notamment grâce à l’apprentissage. En effet, considérons les deux images ci-dessous :

Si on voulait écrire un programme qui permettrait d’identifier l’image 1 comme étant des bananes, il serait possible de dire à l’ordinateur que cet agencement de pixels correspond à des bananes. Cependant si avec le même programme on lui montre l’image 2, les changements de couleurs et d’agencements ne seraient pas compris et l’ordinateur serait incapable de l’identifier.

En tant qu’humain nous réussissons cette identification parce que dans notre vie, parmi les milliers d’images qui sont apparues sous nos yeux, nous avons appris à distinguer des éléments clés des bananes : forme, couleurs, texture, taille etc… Ce qui fait que nous pouvons faire abstraction de certains détails comme la couleur pour identifier l’image 2 comme étant des bananes. Le Machine Learning consiste à apprendre à faire la même chose aux ordinateurs. C’est la méthode la plus aboutie que nous ayons à ce jour pour créer des intelligences artificielles.

Comment marche le Machine Learning ?

Pour classifier des objets, il existe deux familles de Machine Learning : la Classification et le Clustering. Dans les deux cas, on part d’un ensemble de données appelé Data Set pour apprendre à l’ordinateur à créer des liens logiques entre des catégories. Prenons l’exemple d’un algorithme devant identifier les images 1 et 2 comme étant des bananes. Le Data Set sera un ensemble d’images de fruits en tous genres.

Dans le cas de la Classification, on dit à l’avance à l’ordinateur que l’image correspondant à une banane est une banane, celle d’un citron est un citron etc…, on appelle ça l’apprentissage supervisé. Avec cette méthode, en présentant l’image 2 à l’ordinateur, il saura dire qu’il s’agit de bananes. Il est très pratique mais nécessite des données précises et étiquetées ce qui est rare pour de gros volumes de données.

Processus d'apprentissage en Classification

Dans le cas du Clustering, on ne dit rien à l’ordinateur et c’est à lui de trouver des liens entre les images. Il s’agit d’apprentissage non supervisé. En lui montrant les images 1 et 2, l’ordinateur les regroupera avec d’autres images de bananes mais ne pourra pas dire « ce sont des bananes ». Cette méthode ne permet pas de mettre un nom sur une donnée entrante. Cependant il est très pratique lorsque le nombre et la diversité des données ne permettent pas de faire un étiquetage.

Processus d'apprentissage en Clustering

Et Google Brain dans tout ça ?

Dans le cas de Google Brain, les ordinateurs fonctionnaient avec des algorithmes de Machine Learning non supervisés. Pour simplifier on va dire qu’ils devaient simplement se transmettre des données. Mais le langage humain ou le langage binaire ne permettaient pas de le faire d’une manière optimisée. Les données qu’ils devaient échanger constituaient leur Data Set, et ils ont construit un nouveau langage permettant de transmettre ces données plus rapidement. S’ils avaient eu à échanger très souvent le mot « banane » et rarement le caractère « b » par exemple, il valait mieux remplacer « banane » par « b » et la lettre « b » par une autre combinaison éventuellement plus complexe.

On comprend alors qu’il n’y a pas de quoi s’inquiéter car avec le Machine Learning, les ordinateurs ne comprennent pas vraiment ce qu’ils sont en train de faire. Ils respectent juste une logique dictée par l’Homme et trouvent des liens entre les données qu’on leur fournit. Leurs décisions restent strictement cantonnées au but de l’algorithme : ici transmettre des données rapidement.

En savoir plus :

Benjamin Péri
Twitter Facebook Google Plus Linkedin email