S'inscrire identifiants oubliés ?

Les atouts de la voiture électrique

Des impacts à clarifier

Si l'intérêt des véhicules électriques pour la réduction de la pollution de l'air, en particulier dans les villes, est évident, il n'en est pas de même pour ce qui est de sa contribution à la lutte contre le changement climatique ...

fractales et compréhension du monde

Il est coutume, pour décrire un objet fractal, de le rapprocher de la récursivité des poupées russes : tous deux présentent une structure dite hologigogne, c'est-à-dire que leur tout est parfaitement identique à chacune de ses parties. Forgée en 1974 par le mathématicien Benoît ...

Les nanoparticules d'or

Une couleur inimitable

Bien que tout le monde connaisse l'or pour sa valeur et parce qu'il permet de confectionner des bijoux précieux, il est rarement question des propriétés chimiques de l'or à l'échelle du nanomètre. Par exemple, l'or absorbe les rayons de couleur bleue, ce ...

La radio

Répartition des fréquences radio aux Etats-Unis. (C) NASA

Une révolution radiophonique ...

A la fin du XIXe siècle, Guglielmo Marconi (1874-1937) construit un oscillateur, sur le modèle de ce que Heinrich Hertz avait fait avant lui, et un détecteur fondé sur les travaux ...

Un biomarqueur pronostic

Des marqueurs pour le diagnostic et le pronostic

Certaines protéines font office de marqueurs tumoraux lorsqu'elles sont produites en excès par le corps. En effet, lorsque des proportions anormalement élevées sont détectées dans le sang, les tissus, l'urine ou les selles, ...

Les routes intelligentes du futur

Vers la route de 5e génération

En France, plus d'un tiers des émissions de dioxyde de carbone (CO2) est dû au secteur des transports ; lutter contre cet état de fait apparaît comme un enjeu crucial. Si les véhicules et les usages évoluent en matière de mobilité, les ...

Microbiote et santé

Un méta-organisme qui nous veut du bien

On estime à 100 000 milliards le nombre de micro-organismes qu'abrite un corps humain - soit 10 fois plus que  le nombre de cellules qui le constituent. Ce microbiote peut être cutané, buccal, nasal et sexuel, mais l'essentiel des populations ...

Thérapie cellulaire et rétinite pigmentaire

S. R. Y. CAJAL, Histologie Du Système Nerveux de l'Homme et Des Vertébrés, Maloine, Paris

On estime à 1,5 million le nombre de personnes atteintes de rétinite pigmentaire, dont 35 000 en France ; cette pathologie dégénérative se caractérise par une perte progressive de la vision jusqu'à la cécité. Son incurabilité est aujourd'hui remise en question par des chercheurs français d'I-Stem, un laboratoire de l'AFM-Téléthon, et de l'Institut de la Vision, dont les travaux ont consisté à injecter dans l'oeil des cellules d'épithélium pigmentaire rétinien (la couche externe et monocellulaire de la rétine), obtenues à partir de cellules souches embryonnaires humaines. L'expérience avait déjà été tentée par une équipe américaine en 2012, mais les cellules étaient alors mises en suspension, ce qui entraînait une durée de vie relativement faible après transplantation.

Les chercheurs ont donc mis au point une sorte de "patch cellulaire" en réunissant des cellules d'épithélium pigmentaire rétinien dérivées de cellules pluripotentes sur une membrane amniotique issue de placenta humain ; pour évaluer l'intérêt de cette technique, le pansement a ensuite été greffé sous la rétine de rats présentant une rétinite pigmentaire héréditaire. Il en résulte, après trois mois d'observation, que ces derniers présentent une bien meilleure acuité visuelle que d'autres animaux auxquels ont été administrées des cellules en suspension.

Suite à ce premier résultat, un essai clinique sera mené au Centre hospitalier national d’ophtalmologie des Quinze-Vingt à Paris, sur quelques patients souffrant d'une certaine forme de rétinite pigmentaire. Cet essai constituera la première thérapie cellulaire destinée à traiter une affection visuelle en France ; c'est d'autant plus ambitieux qu'on sait les difficultés de greffes de cellules chez l'Homme : la tolérance immunitaire et les risques de rejets, ou au contraire la prolifération éventuelle des cellules. Si les résultats sont concluants, cette approche pourra être appliquée à toutes les pathologies dans lesquelles on observe une altération de l’épithélium pigmentaire rétinien, notamment dans la dégénérescence maculaire liée à l'age qui touche plus d'un million de personnes en France.
Publié le 19/01/2018

Pour en savoir plus

  • une vidéo de vulgarisation https://www.youtube.com/watch?v=tRc_fpkP0eo
  • une interview http://www.universcience.tv/video-christelle-monville-et-la-retine-11613.html
  • des cours (vidéos) http://www.istem.eu/savoir-faire/sous-rubrique/

» 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