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.
Ce nouvel article dresse l’état de l’art de l’extraction d’informations des images pour servir un objectif fixé. Un intérêt particulier y est porté sur la cartographie de l’occupation des sols.
Désennuagement, pan-sharpening, imagerie hyperspectrale… Découvrez les nouveaux pré-traitements en télédétection spatiale et aérienne.
Un article pour comprendre la télédétection spatiale et aérienne, qui regroupe l’ensemble des techniques liées à la reconnaissance d’objets sur la surface terrestre par le biais de capteurs embarqués sur des satellites.
Dans le monde, 2.5 quintillions de bytes de données sont générés par jour en moyenne, et cela ne cesse d’augmenter. Dans l’univers de l’intelligence artificielle, ces données sont une ressource primaire alimentant des algorithmes de plus en plus performants et entrainés. Mais… sont-ils responsables pour autant ?
Cet article présente une nouvelle approche méthodologique pour améliorer l’interprétation des modèles de Deep Learning, qui sont souvent très opaques : la méthode des « Integrated gradients ».
Les modèles de ML sont souvent des boites noires qu’on évalue selon leurs performances sans savoir exactement comment leurs décisions sont prises. Obtenir les meilleures performances possible peut suffire, mais comprendre les décisions est de plus en plus indispensable.
L’autoML est-il la fin des Data Scientists ? Découvrez comment la combinaison de 2 approches permet aux Data Scientists Aquila Data Enabler de gagner en pertinence sur des problématiques de forecasting et de détection d’anomalies.
Le Deepfake est une technique d’Intelligence Artificielle qui consiste à générer de la donnée synthétique très réaliste. Il peut s’appliquer à différents types de données, par exemple une image, une vidéo, un son (musique, voix), ou encore une écriture. Bienvenue dans Fake Wars !
The amount of textual content generated everyday is growing at an exponential rate. Such large numbers of textual data is a valuable source of knowledge, unfortunately it becomes impractical for anyone to process all the available information.
La quantité de contenu textuel généré chaque jour augmente à un rythme exponentiel. Un si grand nombre de données est une source précieuse de connaissances qui constitue un vrai challenge à traiter et analyser. La synthèse textuelle automatique est une solution à ce problème.
Activer notre smartphone via une simple commande vocale, dicter à sa voiture la destination souhaitée, demander à un assistant vocal de commander à manger… Les applications basées sur la voix sont de plus en plus nombreuses.
De la classification d’images au transfert de style, en passant par la détection d’objets, les applications au sein des entreprises se multiplient. Dans cet article, nous présentons plus spécifiquement les réseaux de neurones convolutionnels, utilisés pour les tâches de classification d’images et de détection d’objets.
Les Réseaux Antagonistes Génératifs (GAN) sont un nouveau type de réseau de neurones profonds (deeplearning). Leur objectif est de pouvoir estimer et représenter une distribution de données. Découvrez comment.
L’interprétation de modèles de Machine Learning complexes est aujourd’hui un enjeu important dans le domaine de la Data Science. Comprendre les paramètres qui ont influencés chaque valeur prédite est donc essentiel.
Découvrez comment les avancées de la Data Science permettent d’améliorer les services de santé (aide au diagnostic, optimisation des traitements médicamenteux, prédiction des rechutes patients ou des taux de remplissage, évaluation du risque de diagnostic erroné…)
Les séries temporelles sont des séquences de points de données mesurées sur des intervalles de temps successifs, utilisées en économétrie, en astronomie, en météorologie… Découvrez les dernières méthodes de prévision utilisées.
Découvrez comment l’Intelligence Artificielle révolutionne la détection de fraudes face à l’accroissement du volume des données dans les secteurs de l’assurance, de la banque et des télécommunications.
Dans ce nouvel article, nous nous intéressons aux capacités des réseaux de neurones pour la résolution de problèmes d’Intelligence Artificielle (IA) sous l’angle historique des fondements théoriques des réseaux de neurones, aujourd’hui largement présents dans l’industrie.
