Un centre d’évolution – La polyvalence de l’intelligence artificielle mise en avant par les réalisations récentes

Les innovations en intelligence artificielle façonnent l’avenir des entreprises dans presque tous les secteurs. De la santé, la fabrication, la finance, l’éducation, le divertissement et le juridique aux médias, au service client, aux transports et bien plus encore, pratiquement aucune industrie majeure n’a échappé à l’influence de l’IA.

Selon une enquête IBM de 2023, 42 % des entreprises à l’échelle de l’entreprise ont déjà intégré l’IA dans leurs opérations, tandis que 40 % supplémentaires envisagent la technologie pour leurs organisations.

Cela se comprend, étant donné que l’IA a le potentiel de transformer la productivité et, par conséquent, le potentiel du PIB d’une économie. 

Selon les estimations de PwC, l’IA pourrait contribuer à hauteur de 15,7 billion de dollars à l’économie mondiale d’ici la fin de cette décennie, 45 % des gains économiques totaux provenant d’améliorations de produits pilotées par l’IA sous forme d’accessibilité, d’attractivité, de variété et de personnalisation accrue, stimulant la demande des consommateurs. Parallèlement, 6,6 billion de dollars de la hausse du PIB dans les économies locales grâce à l’IA proviendrait probablement d’une productivité accrue, selon PwC.

L’IA devient rapidement une source majeure de disruption et d’avantage concurrentiel, agissant comme un hub central pour faire progresser presque chaque industrie. Ce potentiel immense et cette polyvalence de l’IA peuvent être observés dans les avancées récentes rendues possibles grâce à cette technologie. 

Prédire les propriétés thermiques

Une application intéressante de l’IA consiste à prédire les 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 résiduelle.

Comprendre la relation entre structure et propriété est crucial lors de la conception de matériaux aux caractéristiques spécifiques. D’ores et déjà, des progrès significatifs ont été réalisés dans les méthodes d’apprentissage automatique à cet égard. Cependant, des défis subsistent quant à la généralisabilité des modèles et à la prédiction des propriétés.

Ainsi, les dernières recherches ont présenté un réseau de neurones graphiques à nœud virtuel (VGNN) pour relever ces défis. Dans leur modèle à nœud virtuel, les chercheurs ont pu obtenir les spectres Γ‑phonon et la prédiction complète de la dispersion phononique uniquement à partir des coordonnées atomiques. En combinant leur approche avec les potentiels interatomiques d’apprentissage automatique, l’équipe a atteint une efficacité bien supérieure avec une meilleure précision.

La capacité de calculer rapidement et précisément les structures de bandes phononiques est cruciale car on estime que 70 % de l’énergie produite dans le monde se transforme en chaleur résiduelle. Si les scientifiques peuvent prédire comment la chaleur se déplace à travers les isolants et les semi‑conducteurs, des systèmes de génération d’énergie plus efficaces peuvent être conçus. 

Le problème réside dans le fait que les propriétés thermiques des matériaux sont très difficiles à modéliser. Cela s’explique par les phonons, quanta d’énergie mécanique vibratoire.

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

Selon le professeur principal Mingda Li, associé en sciences nucléaires et ingénierie:

« Les phonons sont responsables des pertes thermiques, mais obtenir leurs propriétés est notoirement difficile, que ce soit par calcul ou expérimentalement. »

C’est en raison de leur très large gamme de fréquences que les phonons porteurs de chaleur sont si difficiles à prédire. De plus, ces particules se déplacent et interagissent à des vitesses variables.

Les chercheurs tentent d’estimer les relations de dispersion phononique via 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 phononique pour un matériau. Toute la communauté souhaite vraiment une méthode plus efficace pour cela. »

– Co‑auteur Ryotaro Okabe, étudiant en chimie

Les modèles d’apprentissage automatique utilisés pour réaliser des calculs de haute précision afin d’estimer les relations de dispersion phononique sont appelés réseaux de neurones graphiques (GNN). Ces réseaux transforment la structure atomique d’un matériau en un graphe cristallin.

Le graphe cristallin comprend plusieurs nœuds reliés par des arêtes. Les nœuds représentent les atomes, tandis que les arêtes correspondent aux liaisons interatomiques.

Les GNN fonctionnent bien pour calculer la polarisation électrique et la magnétisation, entre autres quantités. Cependant, ils ne sont tout simplement pas assez flexibles pour prédire avec précision la relation de dispersion phononique, qui est une quantité extrêmement haute‑dimensionnelle.

Modéliser l’espace de moment des phonons avec une structure de graphe fixe ne suffit pas, car ils se déplacent autour des atomes selon différents axes. Cela nécessite de la flexibilité, ce que les chercheurs ont apporté grâce aux nœuds virtuels.

Alors que les nœuds du graphe représentent les atomes, l’équipe a réexaminé l’idée pour conclure que « les nœuds du graphe peuvent être n’importe quoi. Et les nœuds virtuels constituent une approche très générique que l’on peut utiliser pour prédire de nombreuses quantités haute‑dimensionnelles. »

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

Cependant, ces nœuds virtuels ne peuvent recevoir des messages que des nœuds réels. Ainsi, bien qu’ils soient mis à jour en même temps que les nœuds réels pendant le calcul, les nœuds virtuels n’influencent pas la précision du modèle.

Comme l’explique le co‑auteur Abhijatmedhi Chotrattanapituk, étudiant en génie électrique et informatique, les nœuds réels n’ont aucune idée de la présence des nœuds virtuels. Il a déclaré:

« La façon dont nous procédons est très efficace en termes de code. Vous générez simplement quelques nœuds supplémentaires dans votre GNN. »

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

Le nouveau cadre AML créé par des chercheurs du MIT et d’autres institutions a en fait démontré qu’il pouvait prédire les relations de dispersion phononique jusqu’à un million de fois plus rapidement que les approches traditionnelles non basées sur l’IA. Même comparé à d’autres techniques basées sur l’IA, ce nouveau cadre est 1 000 fois plus rapide avec une précision comparable voire supérieure. 

Lors de la prédiction de la capacité thermique d’un matériau, les chercheurs ont constaté que le modèle était légèrement plus précis, les erreurs de prédiction étant deux ordres de grandeur plus faibles dans certains cas.

Selon les chercheurs, le modèle peut estimer les relations de dispersion phononique pour quelques milliers de matériaux en seulement quelques secondes sur un ordinateur personnel. Cela permet d’explorer davantage de matériaux aux propriétés thermiques spécifiques. Il peut même être utilisé pour calculer les relations de dispersion phononique dans des systèmes d’alliages, ce qui est particulièrement difficile pour les modèles traditionnels.

Dans la microélectronique, où la gestion de la chaleur constitue un défi majeur pour accélérer les dispositifs, la nouvelle méthode peut être extrêmement bénéfique et aider à développer des microélectroniques plus efficaces. De plus, la méthode peut contribuer à la conception de systèmes de génération d’énergie produisant davantage de puissance avec une meilleure efficacité. 

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

Voici deux entreprises qui pourraient tirer parti de ce développement lié à l’IA dans la prédiction des propriétés thermiques des matériaux:

#1. Intel

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

#2. NVIDIA

Une gestion thermique efficace est essentielle pour les GPU haute performance de NVIDIA (NVDA ) utilisés dans les centres de données, le jeu vidéo et les applications d’IA. Des modèles d’IA renforcés peuvent conduire à de meilleures solutions de refroidissement, améliorant les performances et la fiabilité des produits. Cela ouvre la voie à la conception de systèmes d’IA économes en énergie, renforçant la position de marché de NVIDIA.

Assurer la parité

Un article distinct, quant à lui, a amélioré l’équité en introduisant une randomisation structurée dans l’allocation de ressources rares grâce à l’IA. Cela permet aux modèles basés sur le ML de prendre en compte les incertitudes inhérentes sans compromettre l’efficacité.

Au cours de l’année écoulée, la popularité de l’IA générative comme ChatGPT a fait de cette technologie une partie intégrante des entreprises. Les organisations se tournent de plus en plus vers les modèles de ML pour allouer leurs ressources limitées, telles que les prestations sociales. Cette utilisation peut aller du dépistage de CV à la sélection de candidats pour des entretiens d’embauche, en passant par le classement des patients par les prestataires de santé pour la distribution limitée de ressources vitales comme les ventilateurs ou les organes, selon leur taux de survie.

Lors de l’utilisation de modèles d’IA, on vise à obtenir des prédictions équitables en réduisant les biais. Cela est souvent réalisé grâce à des techniques comme la calibration des scores générés ou l’ajustement des caractéristiques du modèle pour orienter les décisions. 

Bien que l’on croie traditionnellement que les algorithmes sont équitables, un nouvel article de chercheurs du Northeastern University et du MIT soutient que l’atteinte de l’équité via le ML nécessite souvent de la randomisation. Leur analyse a montré que la randomisation est particulièrement bénéfique lorsque les décisions du modèle impliquent de l’incertitude. De plus, lorsqu’un 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 à chaque situation afin d’améliorer l’équité sans nuire à la précision ou à l’efficacité du modèle.

« Même si vous pouviez faire des prédictions équitables, devez‑vous décider de ces allocations sociales de ressources rares ou d’opportunités uniquement sur la base de scores ou de classements ? À mesure que les choses s’échelonnent 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 forme de randomisation. »

– L’auteur principal, Shomik Jain, étudiant diplômé en IDSS

Cette nouvelle recherche s’appuie sur un article précédent, qui a exploré les méfaits de l’utilisation de systèmes déterministes à grande échelle et a constaté que l’usage de modèles de ML pour allouer les ressources de façon déterministe amplifiait les inégalités existantes et renforçait les biais. Selon la chercheuse principale Ashia Wilson, investigatrice principale au LIDS:

« La randomisation est un concept très utile en statistique, et à notre grande satisfaction, elle satisfait les exigences d’équité tant du point de vue systémique qu’individuel. »

En explorant quand la randomisation peut améliorer l’équité, le dernier article a adopté la notion de valeur des loteries du philosophe John Broome pour argumenter la nécessité de la randomisation dans les contextes de ressources rares afin d’honorer toutes les revendications en donnant à chaque personne une chance. Jain a déclaré:

« Lorsque vous reconnaissez que les personnes ont des revendications différentes sur ces ressources limitées, l’équité exigera que nous respections toutes les revendications individuelles. Si nous accordons toujours la ressource à celui qui a la revendication la plus forte, est‑ce équitable ? »

Une allocation déterministe où la revendication la plus forte obtient toujours la ressource peut entraîner une exclusion systémique ou aggraver l’injustice. Les modèles d’apprentissage automatique peuvent également commettre des erreurs, qui se répètent lorsqu’on utilise une approche déterministe.

L’article indique que la randomisation peut aider à surmonter ces problèmes. Cependant, toutes les décisions ne doivent pas être randomisées de la même manière. Une décision moins certaine devrait faire l’objet d’une plus grande randomisation.

Par exemple, l’allocation d’organes implique la projection de l’espérance de vie, ce qui est très incertain, et lorsqu’il y a deux patients dont l’espérance de vie diffère de seulement cinq ans, la mesure devient encore plus difficile. Wilson a déclaré:

« Nous voulons exploiter ce niveau d’incertitude pour adapter la randomisation. »

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

« Il faut trouver un équilibre entre l’utilité globale et le respect des droits des individus qui reçoivent une ressource rare, mais souvent le compromis est relativement faible. »

– Wilson

Si la randomisation peut être très bénéfique pour améliorer l’équité dans des domaines comme les admissions universitaires, la recherche note également que dans des contextes tels que la justice pénale, la randomisation des décisions pourrait réellement nuire aux individus au lieu d’améliorer l’équité. 

À l’avenir, les chercheurs prévoient d’étudier d’autres cas d’usage et d’analyser l’effet de la randomisation sur d’autres facteurs, tels que les prix et la concurrence, et comment cela peut être utilisé pour renforcer la robustesse des modèles de ML. Maintenant, examinons deux entreprises qui pourraient bénéficier considérablement de ce développement:

#1. UnitedHealth Group 

UnitedHealth (UNH ) 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, en accord avec l’engagement d’UnitedHealth à fournir des soins de haute qualité et abordables.

Il a déclaré que les revenus du deuxième trimestre 2024 s’élevaient à 98,9 milliards de dollars, soit une hausse de 6 milliards de dollars d’une année sur l’autre.

#2. Pfizer 

Pfizer Inc. (PFE ) peut utiliser la randomisation structurée dans l’IA pour garantir une sélection équitable des patients dans les essais cliniques et une allocation équitable des traitements expérimentaux. Cette approche soutiendra la mission de Pfizer visant à promouvoir l’équité en santé et à bénéficier à une population plus large.

En termes de chiffre d’affaires, Pfizer a déclaré un revenu annuel de 58,5 milliards de dollars en 2023.

Systèmes d’apprentissage linguistique personnalisés

Une autre application intéressante de l’IA se manifeste dans la génération de livres d’histoires personnalisés pour aider les enfants à apprendre une langue. En utilisant l’IA générative et la technologie IoT domestique, la dernière étude vise à offrir une méthode efficace et personnalisée pour aider les enfants à mieux traiter la parole et la communication. 

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

Traditionnellement, une approche « taille unique » est utilisée via des listes de vocabulaire standardisées et du matériel préfabriqué pour les évaluations et les interventions des compétences linguistiques. Cela se produit malgré le fait que les enfants apprennent la langue en interagissant avec leur environnement, et comme ils grandissent dans des milieux divers, cela entraîne une variation de l’exposition au vocabulaire.

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

Ce système d’apprentissage linguistique personnalisé s’appelle « Open Sesame? Open Salami! (OSOS) ». Il combine la théorie de l’orthophonie avec une expertise pratique et s’adapte aux variations du développement linguistique des enfants grâce à une pondération individualisée des facteurs et à des critères flexibles de sélection du vocabulaire. 

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 d’histoires sur mesure incluant naturellement ces mots. Il comprend trois modules majeurs:

1. Profilage linguistique personnalisé
2. Extracteur de vocabulaire cible
3. Générateur d’aide à l’intervention personnalisée

Le Profilage doit être déployé à domicile et intégré aux appareils ménagers ou aux enceintes intelligentes afin de collecter des échantillons de parole. Les parents contrôleront le moment du démarrage et de l’arrêt de 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 la séparation des locuteurs, qui identifie et isole les différents intervenants, ainsi que de techniques d’analyse morphologique afin d’évaluer les plus petites unités sémantiques du langage.

L’Extracteur analyse les énoncés et extrait une liste priorisée sélectionnable de mots recommandables pour l’enfant. Chaque mot est analysé en calculant des scores basés sur des facteurs cruciaux liés à l’orthophonie.

Le Générateur, quant à lui, fournit une intervention sous forme de livres d’histoires, pratique clinique courante et partie intégrante des routines naturelles des enfants. Pour créer du matériel personnalisé, l’équipe a utilisé des technologies avancées d’IA générative, dont GPT‑4 et Stable Diffusion. Ces solutions leur ont permis de produire des livres sur mesure intégrant parfaitement le vocabulaire cible de chaque enfant. 

L’équipe a testé le système d’apprentissage linguistique personnalisé avec neuf familles pendant une période de quatre semaines. Les résultats ont démontré l’applicabilité du système dans des contextes quotidiens et ont clairement montré l’apprentissage du vocabulaire cible par les enfants.

« Notre objectif est de tirer parti de l’IA pour créer des guides personnalisés adaptés aux niveaux et aux besoins de chaque individu. »

– Auteur principal, Jungeun Lee du POSTECH

Les deux entreprises ci‑dessous peuvent bénéficier des systèmes d’apprentissage linguistique personnalisés propulsés par l’IA:

#1. Amazon

Amazon (AMZN ), grâce à ses vastes capacités en IA et IoT, peut intégrer des systèmes d’apprentissage linguistique personnalisés à ses appareils domestiques intelligents comme Alexa. Cela permettrait aux parents d’utiliser Alexa pour capturer et analyser le développement linguistique de leurs enfants en temps réel, offrant ainsi des expériences d’apprentissage sur mesure.

En 2023, le chiffre d’affaires total d’Amazon a augmenté de 12 % pour atteindre 575 milliards de dollars, les segments Amérique du Nord, International et AWS ayant contribué de manière significative. 

Le revenu en Amérique du Nord a progressé de 12 % pour atteindre 353 milliards de dollars, le revenu international a augmenté de 11 % pour atteindre 131 milliards de dollars, et le revenu d’AWS a grimpé de 13 % pour atteindre 91 milliards de dollars. Son 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 de -11,6 milliards de dollars en 2022 à +36,8 milliards de dollars.

#2. Alphabet Inc. (Google)

Google peut déployer des systèmes d’apprentissage linguistique personnalisés via ses appareils Google Home et Nest. En exploitant l’expertise en IA de Google, ces appareils peuvent fournir du contenu d’apprentissage sur mesure et suivre le développement linguistique, facilitant ainsi des interventions linguistiques plus efficaces pour les enfants.

En 2023, le chiffre d’affaires total d’Alphabet Inc. (GOOG ) est passé à 307,4 milliards de dollars, contre 282,8 milliards de dollars en 2022. Les services Google, incluant la recherche Google et les publicités YouTube, ont généré 272,5 milliards de dollars, tandis que Google Cloud a rapporté 33,1 milliards de dollars. Le revenu d’exploitation a atteint 84,3 milliards de dollars, Google Cloud étant passé d’une perte de 1,9 milliard de dollars en 2022 à un bénéfice de 1,7 milliard de dollars. Les actifs totaux s’élevaient à 402,4 milliards de dollars, dont 110,9 milliards de dollars en liquidités.

Conclusion

Comme nous l’avons vu à travers ces réalisations récentes, l’IA possède des cas d’usage variés, allant de l’aide aux enfants dans le développement du langage à la conception de systèmes de conversion d’énergie plus efficaces et de dispositifs microélectroniques haute performance. Cela montre à quel point la polyvalence de l’IA est puissante. 

La capacité de l’IA à gérer de grands volumes de données, à exécuter des tâches répétitives avec efficacité, à apprendre à partir des données et à s’améliorer au fil du temps en fait une force véritablement disruptive pour un large éventail d’industries qui innovent, améliorent leur efficacité et productivité, réduisent les coûts et renforcent la prise de décision. Dans ce contexte, l’IA présente un potentiel immense, qui pourrait bien dépasser nos estimations actuelles, pour transformer les industries et, à son tour, nos vies.

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