DÉCOUVREZ NOTRE SOLUTION
DE PRÉVISION AUGMENTÉE

Le deep learning a marqué l’année 2023, avec le succès fulgurant des modèles de langage (LLMs) tels que ChatGPT (OpenAI)[1], Gemini (Google)[2], LLaMA (Facebook)[3]. Ces modèles, entraînés sur d’énormes quantités de données textuelles, parviennent à approximer la distribution probabiliste de leurs données d’entraînement, ce qui leur permet de générer un texte pertinent et cohérent avec […]

La virtualisation des capteurs est une application prometteuse de l’industrie 4.0. Grâce à l’intelligence artificielle, la méthode permet de s’affranchir de certaines contraintes et difficultés techniques associées à l’instrumentation des équipements, afin d’analyser et d’interpréter le fonctionnement d’un système en temps réel. Dans cet article, nous approfondirons l’application des capteurs virtuels par IA dans l’industrie aéronautique, […]

Dans son article, Ahmed Affes, Data Scientist / MLOps, répond à cette question en vous présentant les différentes étapes : le prétraitement, la génération d’un vecteur mathématique à l’aide d’un modèle de langage, les méthodes d’entraînement et le choix de la meilleure base de données pour le stockage.

 Retrouvez toutes nos autres videos sur notre chaîne YouTube.   I-L’apport de la génération de données synthétiques pour l’IA   L’accès à une grande quantité d’images est crucial pour les applications de Deep Learning (DL) et notamment en Computer Vision (CV). Nous avons vu ces dernières années beaucoup de discussions sur les approches data […]

Active Learning et Semi-Supervised Learning  Retrouvez toutes nos autres videos sur notre chaîne YouTube.    Dans le cadre de l’apprentissage supervisé, l’entraînement d’un réseau de neurones repose sur l’exploitation d’un ensemble de données dites labellisées, i.e. qui contiennent des informations permettant de guider l’entraînement du modèle. Dans le cas d’un problème de classification d’images […]

Pendant les deux dernières décennies, l’arrivée des nouvelles familles d’algorithmes provenant du domaine Data Mining et les nouvelles puissances de calcul permettant d’entraîner des réseaux profonds contenant des centaines de millions de paramètres ont révolutionné le domaine de l’IA. Cette révolution, initialement adoptée par les chercheurs, s’est rapidement propagé à quasiment tous les secteurs de l’industrie.

Le modèle YOLO, sorti en 2015, constitua une percée considérable dans le domaine de la Computer Vision. Il fut l’un des premiers modèles de détection à offrir des résultats de bonne qualité en temps réel là où auparavant il était difficile de concilier vitesse d’exécution et justesse. Il est depuis devenu une référence en la matière. YOLO est un modèle de détection single-stage, autrement dit les processus de localisation et d’identification d’objets dans une image sont réunis en une seule étape.

Il est un domaine où le couplage de Modèles Physiques et de Modèles d’Intelligence Artificielle est particulièrement performant et pertinent : les GéoSciences. Cet article donne des clés en particulier pour mettre en oeuvre des Modèles Physiques Augmentés (MPA) et des Modèles AI Augmentés Physiques (MAIAP).

Dans les projets de Machine Learning, en général, les modèles fonctionnent correctement si les proportions des classes du jeu de données utilisé sont relativement similaires. Cependant, des déséquilibres s’invitent parfois dans l’équation.
Découvrez dans cet article comment gérer ce type de problématique.