Modifier le calendrier des découvertes grâce à l’utilisation de l’intelligence artificielle (IA)

De la recherche manuelle à l’automatisation avec l’IA

Pendant un certain temps, les avancées scientifiques reposaient uniquement sur l’intuition de brillants scientifiques et non sur l’intelligence artificielle (IA). Ils devaient alors concevoir et tester leurs hypothèses manuellement à travers des expériences sur mesure. Cela était le plus souvent un processus laborieux et lent, prenant des années entre les idées initiales et les résultats réels.

Récemment, des niveaux plus élevés d’automatisation ont permis de réduire le travail manuel dans la recherche fondamentale. Par exemple, le séquençage de nouvelle génération (NGS) a rendu possible le séquençage du génome en quelques jours seulement et à moindre coût, alors que le premier séquençage du génome humain en 2003 avait coûté 3 milliards de dollars et avait pris une décennie à réaliser.

Séquenceur NGS – Source: Illumina

L’automatisation a permis que les étapes physiques de la recherche soient réalisées à grande échelle et à moindre coût. Mais l’effort intellectuel, par exemple l’analyse des données issues du séquençage du génome, reposait encore uniquement sur le cerveau humain et les modèles mathématiques assistés par ordinateur. Jusqu’à ce que l’IA devienne un nouveau facteur de changement.

Assister le cerveau humain

Plus la science progresse, plus les données deviennent complexes. Trouver de nouveaux matériaux repose sur un processus relativement simple, comme le mélange d’éléments qui n’avaient jamais été testés ensemble auparavant.

Mais les sciences des matériaux avancées, par exemple dans la technologie des batteries ou les semi-conducteurs, nécessitent la manipulation de composants au niveau du nanomètre, voire parfois au niveau des atomes individuels. Cela rend la modélisation et la compréhension du processus trop complexes pour que le cerveau humain puisse saisir pleinement toutes les données disponibles.

Par exemple, trouver le matériau adéquat pour une nouvelle conception de batterie peut impliquer de choisir parmi 32 millions de matériaux inorganiques potentiels. C’était la tâche à laquelle était confronté Vijay Murugesan, responsable du groupe des sciences des matériaux chez PNNL (Pacific Northwest National Laboratory).

Auparavant, des suppositions éclairées, des modèles informatiques approximatifs et des tests manuels étaient nécessaires pour réduire les possibilités et cela prenait des années. À la place, le PNNL a établi une collaboration avec Microsoft (MSFT ) afin de tirer parti de l’expertise de ce géant technologique en IA.

Enseigner la chimie à plusieurs IA

Microsoft travaille depuis longtemps sur ce type d’applications, via son programme AI4Science. Par exemple, son IA générative MatterGen « permet la conception de matériaux guidée par de larges propriétés ».

Source: Microsoft

En collaboration avec le PNNL, Microsoft a spécifiquement développé plusieurs IA différentes pour évaluer tous les éléments exploitables et leurs combinaisons.

Elle possède également une IA dédiée à la recherche des matériaux stables. Puis une IA évaluant les molécules en fonction de leur réactivité. Et une autre IA jugeant la capacité des molécules à conduire l’énergie.

Cette combinaison d’IA n’est pas conçue pour trouver chaque solution possible à un problème donné. Au contraire, elle examine l’immense paille de possibilités (des dizaines de millions) et tente de la réduire à quelques bons candidats.

Cette approche a réduit les 32 millions de matériaux potentiels à 500 000 candidats, puis à 800.

Elle diffère fondamentalement d’une approche purement basée sur des modèles mathématiques informatiques, qui tenterait de calculer par « force brute » les propriétés chimiques d’un matériau, souvent en le simulant atome par atome. Au lieu de cela, l’IA formule une « hypothèse éclairée » de ce qui devrait fonctionner en utilisant des analogies, pratiquement de la même manière qu’un humain le ferait. Sauf que l’équipe d’IA pouvait examiner 32 millions d’idées en moins de 80 heures.

Réduire des mois ou des années de travail à quelques jours ou semaines constitue une révolution complète du rythme du progrès scientifique.

Si elle était appliquée plus largement, cela pourrait changer complètement le rythme du progrès technologique dans les sociétés humaines.

Économiser des ressources précieuses

Une fois la liste réduite à seulement 800 candidats, les chercheurs ont pu déployer la méthode plus standard de calcul haute performance (HPC). Cela a permis de calculer tous les états énergétiques possibles des 800 candidats. Ensuite, un mélange d’IA dédiée et de HPC a été utilisé pour simuler les mouvements de chaque atome et molécule à l’intérieur de chaque matériau.

En utilisant le HPC sur seulement quelques centaines de candidats, cela a permis au PNNL d’économiser beaucoup de temps et d’argent, car cette méthode consomme énormément de puissance de calcul. Cela a réduit la liste des candidats à seulement 150.

À partir de là, une évaluation des coûts, de la disponibilité et d’autres considérations pratiques a réduit la liste initiale de 32 millions de candidats à seulement 23. Fait intéressant, parmi ces 23, 5 étaient déjà connus, démontrant la pertinence de la méthode, puisqu’elle a « redécouvert » ces 5 matériaux de manière indépendante.

Les méthodologies de recherche précédentes auraient fortement dépendu d’un HPC coûteux et lent. La méthode IA, quant à elle, a réduit le HPC à seulement 10 % du temps de calcul total. Le fait que le calcul IA soit basé sur le cloud, plutôt que d’utiliser le temps précieux et rare des superordinateurs des instituts de recherche, a également contribué à son efficacité.

Les prochaines étapes

La collaboration entre Microsoft et le PNNL sur les matériaux de batterie n’était que le début d’un accord de collaboration pluriannuel. En fin de compte, l’idée serait de générer suffisamment de données pour que savoir quel nouveau matériau utiliser pour concevoir une nouvelle batterie devienne aussi simple que de demander le système d’IA.

« La vision vers laquelle nous travaillons est des matériaux génératifs où je peux demander une liste de nouveaux composés de batterie avec les attributs souhaités, » – Nathan Baker, Responsable produit pour Azure Quantum Elements.

Il convient également de noter que la méthode actuelle repose sur l’informatique classique. Mais les programmes et logiciels d’IA de Microsoft sont conçus pour être mis à niveau vers l’informatique quantique dès que cette technologie sera suffisamment mature.

Cela offrirait une puissance de calcul sans précédent pour des sujets tels que les simulations chimiques et biologiques, augmentant la puissance de calcul de plusieurs ordres de grandeur (x100‑10 000). Nous sommes donc encore à un stade très précoce de l’IA travaillant à la conception de nouvelles molécules et matériaux.

Domaines d’application

La première expérience était centrée sur les matériaux de batterie. Mais de nombreux autres domaines sont susceptibles de bénéficier d’une telle compréhension avancée de la chimie, ainsi que de l’application des IA à d’autres sciences, toutes déjà dans le pipeline de Microsoft :

• Semi-conducteurs.
• Informatique quantique & cryptographie.
• Visuel and audio
• Biologie moléculaire & génomique.
• Biotechnologie & pharmaceutiques en général.
• Énergies renouvelables & changement climatique.
• Agriculture & Écologie.
• Économie.
• Sciences sociales.
• Mathématiques théoriques.

Chacun de ces domaines a vu la recherche peinée en raison de l’énorme masse de données et de la complexité des problèmes en jeu. De la même manière que le projet pilote sur les batteries, chacun pourrait bénéficier des insights fournis par les IA.

Actions scientifiques pilotées par l’IA

1. Microsoft

MSFT Graphique du prix

Microsoft occupe le centre de l’industrie technologique depuis presque sa création grâce à son système d’exploitation toujours dominant, Windows. Il est désormais également leader des logiciels d’entreprise (Office365, Teams, LinkedIn, Skype, GitHub), du jeu vidéo (Xbox et de multiples acquisitions de studios de jeux vidéo), et du cloud (Azure).

Plus récemment, il a réalisé de bons progrès en IA. Cela inclut certaines IA destinées aux consommateurs comme le Bing Image Creator et son partenariat approfondi avec OpenAI. Cela comprend également des initiatives davantage orientées vers les entreprises, comme le Copilot pour Microsoft 365 et Microsoft Research. Copilot est maintenant déployé auprès du commerce de détail et des petites entreprises également.

Microsoft s’est forgé une réputation d’être le géant technologique centré sur l’entreprise, comparé à des sociétés davantage orientées vers les consommateurs comme Apple (AAPL ) ou Facebook. Avec l’IA devenant de plus en plus importante dans les modèles économiques, la présence préexistante de Microsoft dans le cloud et les services aux entreprises devrait lui donner une avance pour déployer l’IA à grande échelle et pour l’acquisition de clients.

La collaboration/quasi-propriété avec des leaders du développement de l’IA comme OpenAI consolidera également la position de Microsoft en tant que puissance de l’IA.

2. NVIDIA

NVDA Graphique du prix

NVidia occupait initialement une position dominante sur le marché des cartes graphiques (GPU), principalement utilisées pour les jeux haut de gamme et la modélisation 3D. Les GPU sont capables d’exécuter des calculs en parallèle et diffèrent à cet égard des processeurs (CPU).

La conception de son matériel s’est avérée très adaptée au minage de cryptomonnaies (en particulier le Bitcoin), créant une forte vague de croissance pour l’entreprise.

Aujourd’hui, il semble qu’il soit tout aussi puissant pour l’entraînement des IA, faisant du matériel de Nvidia (NVDA ) l’épine dorsale de la révolution IA.

NVidia développe désormais des systèmes informatiques sur mesure pour différentes applications IA, des voitures autonomes, à la reconnaissance vocale et aux IA conversationnelles, aux IA génératives, ou à la cybersécurité.

Il est probable que Nvidia n’ait pas terminé de chercher de nouveaux cas d’utilisation pour le matériel de ses IA, comme le montre la recherche de Microsoft avec le PNNL. Par exemple, NVidia développe maintenant une gamme complète de solutions pour la découverte de médicaments, ainsi que des dispositifs médicaux alimentés par l’IA et des imageries médicales assistées par IA.

Source: NVidia

Il est probable qu’à très long terme, les concurrents de NVidia commencent à remettre sérieusement en cause l’avance initiale de l’entreprise. Mais pour le futur prévisible, compte tenu de l’explosion de la demande de puissance de calcul dédiée à l’IA, NVidia restera le principal fournisseur de tous les nouveaux centres de données d’entraînement IA en cours de construction.

3. CrowdStrike

CRWD Graphique du prix

Plus le monde dépend de l’IA et de la numérisation, plus la cybersécurité connectée deviendra importante.

CrowdStrike (CRWD ) a été fondée avec une approche cloud-first de la cybersécurité. L’offre de l’entreprise couvre toutes les catégories de menaces de cybersécurité, et parmi ses clients figurent 15 des 20 plus grandes banques américaines, 70 des entreprises du Fortune 100 et 556 des entreprises du Global 2000.

La croissance de CrowdStrike est soutenue par un marché total adressable (TAM) en expansion rapide, qui devrait croître de 13 % CAGR au cours des deux prochaines années. Avec des offres supplémentaires encore en développement, l’entreprise prévoit d’étendre son TAM de 76 milliards de dollars actuels à 158 milliards de dollars d’ici 2026.

Source: CrowdStrike

Un autre facteur de croissance pour CrowdStrike est l’expansion des affaires avec les clients existants. Lorsqu’un client commence avec au moins un module de cybersécurité, il continue généralement à intégrer davantage de modules, 62 % des clients utilisant 5 modules ou plus et 23 % utilisant 7 modules ou plus.

Cette dynamique crée un environnement qui permet à CrowdStrike d’augmenter ses marges lorsqu’une relation s’est développée suffisamment longtemps, avec une marge brute totale impressionnante de 78 % en 2023.

La transition vers le cloud est encore en grande partie en cours pour de nombreuses grandes entreprises. Cela crée une grande opportunité pour un leader du marché comme CrowdStrike de les aider à faire passer leur stratégie de cybersécurité vers le cloud également.

L’entreprise devrait également voir son activité internationale croître, avec encore les trois quarts des entreprises du Global 2000 qui n’ont pas encore intégré l’écosystème CrowdStrike.

L’approche cloud-first de CrowdStrike lui a permis de gagner rapidement des parts de marché et est maintenant reproduite par toutes les grandes entreprises de cybersécurité. Ainsi, les investisseurs devront prêter attention à la capacité de CrowdStrike à conserver son avantage malgré les contre-attaques croissantes de l’industrie.

4. Adobe

ADBE Graphique du prix

À première vue, l’émergence de l’IA générative, en particulier la génération d’images, pourrait constituer une menace pour le propriétaire de logiciels graphiques importants tels que Photoshop, InDesign, After Effects, Lightroom ou Illustrator.

Cela oublierait qu’Adobe (ADBE ) a été un pionnier de l’industrie logicielle, étant l’un des premiers à passer à un modèle d’abonnement basé sur le cloud, alors que la pratique de l’industrie consistait à vendre la dernière version du logiciel pour des milliers de dollars.

Il en va de même pour l’IA, avec Adobe Firefly. Cet outil de génération d’images IA est désormais intégré de manière transparente aux autres programmes logiciels d’Adobe, vous permettant de générer des images à partir d’un texte simple, de créer une image riche à partir d’un modèle 3D simple, ou même d’utiliser le « remplissage génératif », en élargissant une image existante de façon photoréaliste.

Source: Adobe

Avec l’IA réduisant la barrière de compétences requise pour créer des logos, des magazines ou modifier des images, l’offre et la demande de contenu original devraient probablement croître.

En adoptant le changement et l’IA, Adobe conservera probablement sa position de suite logicielle leader pour toutes les créations visuelles, et élargira encore davantage sa portée.

5. Upstart

UPST Graphique du prix

Upstart (UPST ) est une place de marché de prêts alimentée par l’IA, lancée bien avant que l’IA ne devienne le centre des conversations technologiques en 2023.

Le processus d’Upstart est en grande partie automatisé, avec 87 % des prêts accordés entièrement décidés par automatisation.

L’idée derrière Upstart est que le système de score de crédit existant est inefficace et obsolète. Avec beaucoup plus de données disponibles, il est possible d’identifier les risques de prêt plus efficacement et, par conséquent, d’offrir des prêts moins chers à une grande partie de la population.

Cela signifie que la méthode d’Upstart peut identifier des personnes avec des scores FICO élevés mais qui, en pratique, présentent un risque élevé de défaut de paiement. Inversement, les personnes avec des scores FICO faibles sont moins susceptibles de faire défaut.

Source: Upstart

Le marché total adressable est vaste, avec 4 trillions de dollars annuels provenant des prêts personnels, automobiles, immobiliers et aux petites entreprises.

En raison de la hausse des taux d’intérêt et de la réduction de la demande de prêts, Upstart a connu une certaine baisse de ses revenus et des pertes en 2023, avec le reste de son secteur.

Ce revers temporaire du volume de prêts n’a pas ralenti l’expansion du réseau de partenaires prêteurs d’Upstart, qui compte désormais 100 banques, contre 71 l’année précédente et seulement 10 lors de l’introduction en bourse en 2020, ainsi que 61 concessionnaires, contre 39 au début de 2023.

Les investisseurs d’Upstart devront espérer que le réseau croissant soit un signe clair de la valeur de la technologie Upstart et de son potentiel à devenir un important initiateur de prêts sur le marché américain.

Les progrès continus du calcul IA pourraient également lui donner un avantage sur un marché très concurrentiel de notation de prêts.