Un hub pour l’évolution – La polyvalence de l’intelligence artificielle en vedette avec les réalisations récentes

Les innovations dans le domaine de l’intelligence artificielle façonnent l’avenir des entreprises dans presque tous les secteurs. Des soins de santé, de la fabrication, de la finance, de l’éducation, du divertissement et du droit aux médias, au service client, aux transports et plus encore, pratiquement aucune grande industrie n’a été épargnée par l’IA.

Selon une enquête d’IBM de 2023, 42% des entreprises à grande échelle ont déjà intégré l’IA dans leurs opérations, tandis qu’un autre 40% envisagent cette technologie pour leurs organisations.

Cela est logique, étant donné que l’IA a le potentiel de transformer la productivité et, à terme, le potentiel de PIB d’une économie.

Selon les estimations de PWC, l’IA pourrait potentiellement contribuer 15,7 billions de dollars à l’économie mondiale d’ici la fin de cette décennie, avec 45% des gains économiques totaux provenant d’améliorations de produits impulsées par l’IA sous forme d’abordabilité, d’attractivité, de variété et de personnalisation accrue, stimulant la demande des consommateurs. Pendant ce temps, 6,6 billions de dollars de l’augmentation du PIB des économies locales grâce à l’IA proviendront probablement d’une augmentation de la productivité, selon PWC.

L’IA devient rapidement une source clé de disruption et d’avantage concurrentiel, agissant comme un hub central pour faire progresser presque toutes les industries. Ce potentiel énorme et la polyvalence de l’IA peuvent être vus dans les progrès récents réalisés avec l’aide de cette technologie.

Prévoir les propriétés thermiques

Une application intéressante de l’IA est la prévision des propriétés thermiques des matériaux. Cela peut aider les ingénieurs à concevoir des dispositifs microélectroniques plus rapides et des systèmes de conversion d’énergie plus efficaces tout en réduisant la chaleur perdue.

Comprendre la relation entre la structure et la propriété est important lors de la conception de matériaux avec des propriétés spécifiques. Des progrès significatifs ont déjà été réalisés dans les méthodes d’apprentissage automatique à cet égard. Cependant, des défis persistent en termes de généralisabilité des modèles et de prédiction des propriétés.

Ainsi, les dernières recherches présentent un réseau neuronal de nœuds virtuels (VGNN) pour résoudre ces problèmes. Dans leur modèle de nœuds virtuels, les chercheurs ont pu accomplir des spectres de phonons Γ et une prédiction de dispersion de phonons complète à partir uniquement des coordonnées atomiques. En combinant leur approche avec les potentiels interatomiques ML, l’équipe a accompli une efficacité beaucoup plus élevée avec une meilleure précision.

La capacité à calculer rapidement et avec précision les structures de bandes de phonons est cruciale car on estime que 70% de l’énergie produite dans le monde se retrouve sous forme de chaleur perdue. Si les scientifiques peuvent prédire comment la chaleur se déplace à travers les isolants et les semiconducteurs, des systèmes de génération de puissance plus efficaces peuvent être conçus.

Le problème avec tout cela est que les propriétés thermiques des matériaux peuvent être très difficiles à modéliser. Ceci est dû aux phonons, un quantum d’énergie vibratoire mécanique.

Ces particules subatomiques transportent la chaleur, et certaines des propriétés thermiques d’un matériau dépendent de la relation de dispersion des phonons, qui est la relation entre l’énergie des phonons et leur moment dans la structure cristalline. Non seulement cela est-il difficile à intégrer dans la conception d’un système, mais l’acquisition de ces informations pose également des défis importants.

Selon le principal auteur, Mingda Li, qui est professeur agrégé de science et d’ingénierie nucléaire :

“Les phonons sont les coupables de la perte thermique, mais obtenir leurs propriétés est notoirement difficile, soit par calcul, soit expérimentalement.”

C’est parce que leur plage de fréquence est extrêmement large que les phonons porteurs de chaleur sont si difficiles à prédire. De plus, ces particules voyagent et interagissent à des vitesses variables.

Les chercheurs ont essayé d’estimer les relations de dispersion des phonons à l’aide de l’apprentissage automatique depuis des années, mais les modèles restent bloqués car ils impliquent de nombreux calculs de haute précision.

“Si vous avez 100 CPU et quelques semaines, vous pourriez probablement calculer la relation de dispersion des phonons pour un matériau. La communauté tout entière veut une façon plus efficace de le faire.”

– Co-auteur principal Ryotaro Okabe, un étudiant en maîtrise de chimie

Les modèles d’apprentissage automatique utilisés pour effectuer des calculs de haute précision pour estimer les relations de dispersion des phonons sont appelés réseaux neuronaux de graphes (GNN). Ces réseaux convertissent la structure atomique d’un matériau en un graphique de cristal.

Le graphique de cristal se compose de plusieurs nœuds connectés par des arêtes. Les nœuds représentent les atomes, tandis que les arêtes agissent comme les liaisons interatomiques entre les atomes.

Les GNN ont bien fonctionné pour calculer la polarisation électrique et la magnétisation, entre autres quantités. Cependant, ils ne sont simplement pas suffisamment flexibles pour prédire avec précision la relation de dispersion des phonons, qui est une quantité extrêmement à haute dimension.

La modélisation de l’espace de moment des phonons avec une structure de graphique fixe ne fait pas l’affaire car ils voyagent autour des atomes sur différents axes. Ceci nécessite une flexibilité, que les chercheurs ont apportée grâce aux nœuds virtuels.

Alors que les nœuds de graphique sont utilisés pour représenter les atomes, l’équipe a réexaminé l’idée pour arriver à “les nœuds de graphique peuvent être n’importe quoi. Et les nœuds virtuels sont une approche générique que vous pouvez utiliser pour prédire de nombreuses quantités à haute dimension.”

En ajoutant des nœuds virtuels flexibles à la structure de cristal fixe, l’équipe a créé un nouveau cadre appelé réseau neuronal de nœuds virtuels (VGNN). En permettant à la sortie du VGNN de varier en taille, il n’est pas limité par la structure de cristal fixe.

Cependant, ces nœuds virtuels ne sont capables de recevoir des messages que des nœuds réels. Ainsi, même si les nœuds virtuels sont mis à jour avec les nœuds réels pendant le calcul, les nœuds virtuels n’affectent pas la précision du modèle.

Comme l’a expliqué le co-auteur principal Abhijatmedhi Chotrattanapituk, qui est un étudiant en maîtrise d’ingénierie électrique et d’informatique, “la façon dont nous faisons cela est très efficace en termes de codage. Vous générez simplement quelques nœuds supplémentaires dans votre GNN.”

“La façon dont nous faisons cela est très efficace en termes de codage. Vous générez simplement quelques nœuds supplémentaires dans votre GNN.”

En représentant les phonons par des nœuds virtuels, le modèle VGNN n’a pas besoin d’effectuer de nombreux calculs complexes pour prédire la relation de dispersion des phonons, ce qui le rend plus efficace que le GNN.

Le nouveau cadre AML créé par les chercheurs du MIT et d’ailleurs a été trouvé pour prédire les relations de dispersion des phonons jusqu’à 1 million de fois plus rapidement que les approches traditionnelles non basées sur l’IA. Même par rapport à d’autres techniques basées sur l’IA, ce nouveau cadre est 1 000 fois plus rapide avec une précision comparable ou même meilleure.

Lors de la prédiction de la capacité thermique d’un matériau, les chercheurs ont constaté que le modèle était légèrement plus précis, avec des erreurs de prédiction deux ordres de grandeur inférieures à celles de leur technique dans certains cas.

Selon les chercheurs, le modèle peut estimer les relations de dispersion des phonons pour quelques milliers de matériaux en quelques secondes à l’aide d’un ordinateur personnel. Cela permet l’exploration de plus de matériaux avec des propriétés thermiques spécifiques. Il peut même être utilisé pour calculer les relations de dispersion des phonons dans les systèmes d’alliage, ce qui est particulièrement difficile pour les modèles traditionnels.

Dans les microélectroniques, où la gestion de la chaleur est un grand défi pour les rendre plus rapides, la nouvelle méthode peut être extrêmement bénéfique et aider à développer des microélectroniques plus efficaces. De plus, la méthode peut aider à concevoir des systèmes de génération d’énergie qui produisent plus de puissance et plus d’efficacité.

Les chercheurs proposent trois versions du nouveau modèle, chacun capable d’estimer les phonons directement à partir des coordonnées atomiques du matériau mais avec une complexité croissante.

Voici deux entreprises qui peuvent bénéficier de ce développement lié à l’IA dans la prévision des propriétés thermiques des matériaux :

#1. Intel

En tant que principal fabricant de microprocesseurs, la gestion de la chaleur est cruciale pour Intel. Des modèles d’IA améliorés peuvent aider à concevoir des processeurs plus rapides et plus efficaces avec une meilleure dissipation de la chaleur, améliorant ainsi les performances et la durée de vie du produit et rendant Intel plus compétitif.

#2. NVIDIA

Une gestion thermique efficace est essentielle pour les GPU haute performance de NVIDIA utilisés dans les centres de données, les jeux et les applications d’IA. Des modèles d’IA améliorés peuvent conduire à de meilleures solutions de refroidissement, améliorant ainsi les performances et la fiabilité du produit, ouvrant la voie à la conception de systèmes d’IA économes en énergie et renforçant la position de NVIDIA sur le marché.

Assurer l’équité

Un article distinct, entre-temps, a amélioré l’équité en introduisant une aléatoire structurée dans l’allocation de ressources rares avec l’IA. Cela permet aux prédictions de modèles basés sur l’apprentissage automatique de traiter les incertitudes inhérentes sans compromettre l’efficacité.

Au cours de la dernière année, la popularité de l’IA générative comme ChatGPT a rendu la technologie une partie intégrante des entreprises. Les organisations se sont de plus en plus tournées vers les modèles d’apprentissage automatique pour allouer leurs ressources rares, telles que les avantages sociaux. Cela peut aller de la sélection de CV à la sélection de candidats pour des entretiens d’embauche, en passant par les fournisseurs de soins de santé qui classent les patients pour un approvisionnement limité en ressources médicales de sauvetage, comme les ventilateurs ou les organes, en fonction de leur taux de survie.

Lors de l’utilisation de modèles d’IA, on vise à atteindre des prédictions équitables en réduisant les biais. Ceci est souvent accompli avec des techniques telles que le calibrage des scores générés ou l’ajustement des fonctionnalités du modèle pour prendre des décisions.

Alors qu’il est traditionnellement admis que les algorithmes sont équitables, un nouvel article de chercheurs de l’Université Northeastern et du MIT soutient que l’obtention de l’équité à l’aide de l’apprentissage automatique nécessite souvent de l’aléatoire. Leur analyse a révélé que la randomisation est particulièrement bénéfique lorsque les décisions d’un modèle impliquent de l’incertitude. De plus, lorsque le même groupe reçoit constamment des décisions négatives, la randomisation doit être appliquée pour améliorer l’équité.

Les chercheurs ont présenté un cadre pour introduire une randomisation spécifique dans les décisions du modèle. La méthode peut être adaptée pour répondre à des situations individuelles et améliorer l’équité sans nuire à la précision ou à l’efficacité du modèle.

“Même si vous pouviez faire des prédictions équitables, devriez-vous décider de ces allocations sociales de ressources rares ou d’opportunités strictement sur la base de scores ou de classements ? À mesure que les choses s’amplifient et que nous voyons de plus en plus d’opportunités décidées par ces algorithmes, les incertitudes inhérentes à ces scores peuvent être amplifiées. Nous montrons que l’équité peut nécessiter une certaine forme de randomisation.”

– L’auteur principal, Shomik Jain, un étudiant en maîtrise de l’IDSS

Cette nouvelle recherche est basée sur un article précédent, qui a exploré les dommages causés par l’utilisation de systèmes déterministes à grande échelle et a constaté que l’utilisation de modèles d’apprentissage automatique dans l’allocation déterministe de ressources amplifie les inégalités existantes et renforce les biais. Selon l’auteur principal Ashia Wilson, un investigateur principal du LIDS :

“La randomisation est un concept très utile en statistiques, et à notre grande joie, elle satisfait les exigences d’équité venant à la fois d’un point de vue systémique et individuel.”

En explorant quand la randomisation peut améliorer l’équité, l’article le plus récent a adopté le concept de la valeur des loteries pour atteindre l’équité de la part du philosophe John Broome pour soutenir le besoin de randomisation dans les contextes de ressources rares pour honorer toutes les revendications en donnant à chaque personne une chance. Jain a déclaré :

“Lorsque vous reconnaissez que les gens ont des revendications différentes sur ces ressources rares, l’équité va nécessiter que nous respections toutes les revendications des individus. Si nous donnons toujours la ressource à la personne ayant la revendication la plus forte, est-ce équitable ?”

Une allocation déterministe dans laquelle une revendication plus forte obtient toujours la ressource peut causer une exclusion systémique ou conduire à une injustice cumulative. Les modèles d’apprentissage automatique peuvent également se tromper, et ces erreurs sont répétées lors de l’utilisation d’une approche déterministe.

L’article a noté que la randomisation peut aider à surmonter ces problèmes. Cependant, toutes les décisions ne devraient pas être randomisées de la même manière. Une décision moins certaine devrait avoir plus de randomisation.

Par exemple, l’allocation de reins implique la prédiction de la durée de vie, ce qui est très incertain, et lorsque deux patients ne sont qu’à cinq ans d’écart, il devient encore plus difficile de mesurer. Wilson a déclaré :

“Nous voulons exploiter ce niveau d’incertitude pour adapter la randomisation.”

Pour déterminer l’étendue de la randomisation requise dans différentes conditions, les chercheurs ont utilisé des méthodes de quantification de l’incertitude statistique pour montrer que la randomisation calibrée peut produire des résultats plus équitables sans affecter de manière significative l’efficacité ou l’utilité du modèle.

“Il y a un équilibre à être trouvé entre l’utilité globale et le respect des droits des individus qui reçoivent une ressource rare, mais souvent le compromis est relativement faible.”

– Wilson

Alors que la randomisation peut être vraiment bénéfique pour améliorer l’équité dans des domaines tels que les admissions universitaires, la recherche a également noté des situations telles que la justice pénale où la randomisation des décisions pourrait en réalité nuire aux individus au lieu d’améliorer l’équité.

À l’avenir, les chercheurs prévoient d’étudier d’autres cas d’utilisation et d’examiner l’effet de la randomisation sur d’autres facteurs, tels que les prix et la concurrence, et comment cela peut être utilisé pour améliorer la robustesse des modèles d’apprentissage automatique. Maintenant, nous allons examiner deux entreprises qui peuvent bénéficier de manière significative de ce développement :

#1. UnitedHealth Group

UnitedHealth Group Inc. peut améliorer l’équité dans la gestion des soins aux patients et la distribution des ressources en intégrant la randomisation structurée dans les modèles d’IA. Cette approche réduit les biais et garantit un accès équitable aux traitements, conformément à l’engagement de UnitedHealth à fournir des soins de haute qualité et abordables.

Il a rapporté des revenus de 98,9 milliards de dollars au deuxième trimestre 2024, soit une augmentation de 6 milliards de dollars par rapport à l’année précédente.

#2. Pfizer

Pfizer Inc. peut utiliser la randomisation structurée dans l’IA pour assurer une sélection équitable de patients dans les essais cliniques et une allocation équitable de traitements expérimentaux. Cette approche soutiendra la mission de Pfizer pour faire progresser l’équité en matière de santé et bénéficier à une population plus large.

En termes de revenus, Pfizer a rapporté des revenus annuels de 58,5 milliards de dollars en 2023.

Systèmes d’apprentissage de la langue personnalisés

Une autre application intéressante de l’IA est en train de se concrétiser dans la génération de livres de contes personnalisés pour aider les enfants à apprendre la langue. En utilisant l’IA générative et la technologie IoT domestique, l’étude la plus récente vise à offrir une méthode efficace et personnalisée pour aider les enfants à améliorer leur traitement du langage et de la communication.

Le développement du langage chez les enfants est d’une importance capitale, étant donné qu’il affecte leur croissance cognitive et académique. Étant donné le rôle qu’il joue dans le développement social global des enfants, les progrès du langage doivent être évalués régulièrement afin que des interventions linguistiques opportunes puissent être fournies.

Traditionnellement, une approche universelle est utilisée via des listes de vocabulaire standardisées et du matériel préfabriqué pour les évaluations et les interventions en matière de compétences linguistiques. Ceci est en dépit du fait que les enfants apprennent la langue en interagissant avec leur environnement, et comme ils grandissent dans des environnements divers, cela conduit à des variations dans l’exposition au vocabulaire.

Pour surmonter les limites de cette approche conventionnelle, une équipe de chercheurs a développé un système éducatif innovant adapté à l’environnement unique de chaque enfant.

Ce système d’apprentissage de la langue personnalisé s’appelle “Open Sesame? Open Salami! (OSOS)“. Il combine la théorie de la pathologie du langage avec une expertise pratique et prend en compte les variations dans le développement du langage des enfants grâce à un poids individuel des facteurs et des critères de sélection de vocabulaire flexibles.

Propulsé par l’IA générative et la détection omniprésente, OSOS profile l’environnement linguistique d’un enfant, extrait des mots prioritaires personnalisés et crée des livres de contes personnalisés qui incluent naturellement ces mots. Il se compose de trois modules principaux :

1. Profils de langage personnalisés
2. Extracteur de vocabulaire cible
3. Générateur d’aide à l’intervention personnalisée

Le profileur est déployé à la maison et intégré dans les appareils électroménagers ou les haut-parleurs intelligents pour collecter des échantillons de parole. Les parents contrôlent quand commencer et arrêter l’enregistrement.

À cette fin, des appareils IoT domestiques ont été utilisés pour capturer et surveiller l’environnement quotidien et l’exposition linguistique des enfants. Le vocabulaire des enfants a ensuite été examiné à l’aide de techniques de séparation de locuteurs, qui identifient et isolent différents locuteurs, et d’analyse morphologique pour évaluer les plus petites unités sémantiques du langage.

L’extracteur analyse les énoncés et extrait une liste de mots priorisés sélectionnables pour l’enfant. Chaque mot est analysé en calculant des scores pour eux en fonction de facteurs cruciaux liés à la pathologie du langage.

Le générateur, quant à lui, fournit une intervention sous la forme de livres de contes, une pratique clinique courante et faisant partie de la routine naturelle de la plupart des enfants. Pour créer des matériaux personnalisés, l’équipe a utilisé des technologies d’IA générative avancées, notamment GPT-4 et Stable Diffusion. Ces solutions ont permis de produire des livres sur mesure qui intègrent sans effort le vocabulaire cible de chaque enfant.

L’équipe a testé le système d’apprentissage de la langue personnalisé avec neuf familles sur une période de quatre semaines. Les résultats ont démontré l’applicabilité du système dans les contextes de la vie quotidienne et ont efficacement montré que les enfants apprennent le vocabulaire cible.

“Notre objectif est d’exploiter l’IA pour créer des guides personnalisés adaptés aux différents niveaux et besoins des individus.”

– Auteur principal Jungeun Lee de POSTECH

Les deux entreprises suivantes peuvent bénéficier des systèmes d’apprentissage de la langue personnalisés alimentés par l’IA :

#1. Amazon

Amazon, avec ses capacités d’IA et d’IoT étendues, peut intégrer des systèmes d’apprentissage de la langue personnalisés dans ses appareils intelligents pour la maison comme Alexa. Cela permettrait aux parents d’utiliser Alexa pour capturer et analyser le développement du langage de leurs enfants en temps réel, offrant ainsi des expériences d’apprentissage personnalisées.

En 2023, les revenus totaux d’Amazon ont augmenté de 12 % pour atteindre 575 milliards de dollars, avec des contributions significatives des segments Amérique du Nord, International et AWS.

Les revenus d’Amérique du Nord ont augmenté de 12 % pour atteindre 353 milliards de dollars, les revenus internationaux ont augmenté de 11 % pour atteindre 131 milliards de dollars, et les revenus d’AWS ont augmenté de 13 % pour atteindre 91 milliards de dollars. Le revenu d’exploitation est passé de 12,2 milliards de dollars en 2022 à 36,9 milliards de dollars en 2023, tandis que le flux de trésorerie disponible est passé d’un déficit de 11,6 milliards de dollars en 2022 à un excédent de 36,8 milliards de dollars.

#2. Alphabet Inc. (Google)

Google peut déployer des systèmes d’apprentissage de la langue personnalisés en utilisant ses appareils Google Home et Nest. En utilisant l’expertise d’IA de Google, ces appareils peuvent fournir du contenu d’apprentissage personnalisé et suivre le développement du langage, aidant ainsi à des interventions linguistiques plus efficaces pour les enfants.

En 2023, les revenus totaux d’Alphabet Inc. ont augmenté pour atteindre 307,4 milliards de dollars, contre 282,8 milliards de dollars en 2022. Les services Google, y compris la publicité Google Search et YouTube, ont généré 272,5 milliards de dollars, tandis que Google Cloud a rapporté 33,1 milliards de dollars. Le revenu d’exploitation est passé à 84,3 milliards de dollars, avec Google Cloud passant d’une perte de 1,9 milliard de dollars en 2022 à un bénéfice de 1,7 milliard de dollars. Les actifs totaux ont atteint 402,4 milliards de dollars, dont 110,9 milliards de dollars en liquidités.

Conclusion

Comme nous l’avons vu avec ces réalisations récentes, l’IA a des applications diverses allant de l’aide aux enfants pour le développement du langage à la conception de systèmes de conversion d’énergie plus efficaces et de dispositifs microélectroniques haute performance. Ceci montre à quel point la polyvalence de l’IA est puissante.

La capacité de l’IA à gérer de grands volumes de données, à effectuer des tâches répétitives de manière efficace, à apprendre à partir des données et à s’améliorer avec le temps en fait une force véritablement perturbatrice pour une large gamme d’industries qui innovent, améliorent leur efficacité et leur productivité, réduisent les coûts et améliorent la prise de décision. Dans ce contexte, l’IA présente un potentiel immense, qui pourrait très bien aller au-delà de nos estimations actuelles, pour transformer les industries et, à terme, notre vie.

Cliquez ici pour en savoir plus sur l’investissement dans l’intelligence artificielle.