S'inscrire identifiants oubliés ?

Bioacoustique et applications

Cat CC BY 2.0 via Wikimedia Commons

Le cri d'alarme des ailes

En 1871, Charles Darwin signalait l’existence de signaux non vocaux chez certains oiseaux, produits par leurs plumes, lors de leurs parades amoureuses. Des chercheurs de l’université nationale d’Australie ...

Du plastique numérique

Des chercheurs ont réussi à inscrire et lire plusieurs octets d'information stockés sur des polymères synthétiques. C'est-à-dire à une échelle 100 fois plus petite que celle des disques durs actuels.

La piste des plastiques numériques

Cela ...

Marie Curie (1867-1934)

Une scientifique d'exception

Née en Pologne à Varsovie en 1867, Marie Curie a mené toute sa carrière scientifique en France. Après de brillantes études en physique et en mathématiques, à la Sorbonne, éprise de "science pure", elle se lance dans ...

La foudre et les neutrons

(C) Thomas Bresson - Eclairs, CC BY 2.0

On sait depuis près de soixante ans que sous l’impact des « rayons cosmiques » - essentiellement des protons de haute énergie dont l’origine reste inconnue - les noyaux des atomes percutés à haute altitude éclatent en ...

Le délai de Newton-Wigner

(C) Wikimedia

Une avancée récente devrait permettre une meilleure maîtrise de la transmission de l’information par fibre optique

Un peu de réflexion
Dans une fibre ...

Prix Nobel de chimie 2017

© Martin Högbom/The Royal Swedish Academy of Sciences

Le prix Nobel de Chimie 2017 a été attribué à trois scientifiques pour leurs travaux permettant l'avènement de la cryo-microscopie électronique. Cette technique d'imagerie consiste à geler les molécules ...

Ondes gravitationnelles : du nouveau

Les ondes gravitationnelles et la Relativité générale 

Albert Einstein a révolutionné la physique moderne, d'abord en 1905 avec la théorie de la Relativité restreinte, puis en 1915 avec la théorie de la Relativité Générale. Cette dernière ...

Tchouri ou l'âge des comètes

La mission Rosetta de l'ESA a montré que la comète « Tchouri » (67P Churyumov-Gerasimenko), sur laquelle l'atterrisseur de la sonde a fini par s'écraser, est composée à près de 40 % de molécules organiques. D'après les travaux de Jean-Loup Bertaux, du Laboratoire atmosphères, milieux, observations spatiales (CNRS/UPMC/Univ. Versailles–Saint-Quentin-en-Yvelines), et Rosine Lallement, du laboratoire Galaxies, étoiles, physique et instrumentation (Observatoire de Paris/CNRS/Université Paris Diderot), ces molécules organiques auraient été formées dans le milieu interstellaire, avant la formation du système solaire.

En effet, l’on sait grâce à l’étude de la lumière des étoiles, et notamment des bandes diffuses interstellaires (« Diffuse Interstellar Bands », DIB), que des molécules organiques complexes sont présentes en quantité dans le milieu interstellaire. Dans les nuages interstellaires très denses, et notamment ceux dans lesquels une étoile va se former, les DIB ont tendance à diminuer parce que, d’après l’hypothèse émise par les deux chercheurs, les molécules organiques s’agglutinent et ne peuvent plus absorber autant de lumière. Le processus de formation des comètes, par agglutination non violente de petits grains de matières, aurait permis à ces molécules préexistantes au système solaire d’être préservées et identifiées 4,6 milliards d’années plus tard au sein de Tchouri.

Pour connaître la nature exacte de cette mystérieuse matière interstellaire, il faudra mettre sur pied une mission spatiale de collecte d’échantillons destinés à revenir sur Terre pour être analysés en laboratoire. En tout cas, si la matière organique des comètes provient bien du milieu interstellaire et qu’elle a joué un rôle dans l’apparition de la vie dur terre, rien n’interdit de penser qu’il en est de même ailleurs dans l’univers.

publié le 25 septembre 2017

En savoir plus

» 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