Source : www.zdnet.fr

➡️ Accéder à CHAT GPT en cliquant dessus

Un utilisateur de l’intelligence artificielle (IA) partage son expérience avec l’utilisation quotidienne de ChatGPT comme assistant personnel. Il explique que même s’il a eu une assistante humaine pendant des années en tant que propriétaire d’une entreprise prospère, ChatGPT peut presque remplacer cette aide. Il mentionne que ChatGPT peut aider à rédiger des e-mails et des messages de manière plus efficace en suggérant des mots et des phrases en fonction du contexte du message. Il montre un exemple d’e-mail généré par ChatGPT pour refuser une demande de parrainage, montrant ainsi la précision et l’utilité de l’outil. Il explique également comment ChatGPT peut être utilisé pour planifier des vacances, en demandant des recommandations sur des hôtels ou des activités pour une destination donnée. Enfin, il mentionne l’aspect financier de ChatGPT, ainsi que leur sponsoring pour la vidéo.
Source : Brian Jung | Date : 2023-04-22 16:00:15 | Durée : 00:14:06

➡️ Accéder à CHAT GPT en cliquant dessus

Source : www.europe1.fr

➡️ Accéder à CHAT GPT en cliquant dessus

Derrière ChatGPT, Google Bard, Meta AI et autres, il y a ce qu’on appelle les LLM, pour « large language models », ou grands modèles de langage en français. Ce sont en fait les moteurs des chatbots textuels d’IA, ceux qui apprennent et qui « comprennent » ce qu’on leur dit.

Bonjour chers débutants en intelligence artificielle! Nous allons aujourd’hui plonger dans le mystérieux monde des grands modèles de langage (LLM) qui se cachent derrière des noms tels que ChatGPT, Google Bard ou Meta AI. Comment fonctionnent-ils? Qu’est-ce qui les rend si puissants? Pas de panique, nous allons tout vous expliquer.

Qu’est-ce que ça veut dire « LLM »?

LLM est l’acronyme de l’expression anglaise « Large Language Model ». En français, on pourrait la traduire par « grand modèle de langage ». Il s’agit de modèles de langage qui possèdent généralement au moins un milliard de paramètres. En français, on peut aussi les nommer « modèles massifs de langage » et les désigner avec l’acronyme « MML ». Mais comment fonctionnent-ils exactement? C’est ce que nous allons voir.

Comment fonctionnent les LLM, les moteurs des intelligences artificielles?

Un LLM, c’est en réalité un réseau de neurones artificiels profonds. Chaque neurone informatique possède des entrées ainsi qu’une sortie. À l’aide de règles précises qu’on lui indique, le neurone formel peut transformer une entrée en une sortie. Ces neurones artificiels sont associés en réseaux selon différents types de connexions. La force de ce système de réseau de neurones, c’est qu’il peut « apprendre » de lui-même: c’est le machine learning. Pour faire apprendre à un LLM, il faut lui donner du texte, beaucoup de texte. On peut simplement prendre Wikipédia par exemple. La qualité de l’apprentissage dépend aussi de ce qu’on appelle l’étiquetage des données, qui consiste à donner la réponse à une tâche demandée à partir de données déterminées.

Ce qu’a changé l’architecture Transformer au deep learning

C’est en 2017 qu’un changement technologique va bouleverser le monde de l’intelligence artificielle : la création de l’architecture Transformer. Elle résulte d’une longue combinaison de procédés techniques, avec des travaux datant de nombreuses années. Un « transformeur » est un modèle d’apprentissage profond, principalement taillé pour le traitement automatique des langues. Là où les réseaux neuronaux traditionnels traitent une requête en entrée de manière séquentielle, le transformeur peut paralléliser cette entrée, afin de considérablement réduire les temps d’entraînement.

Les premiers « vrais » modèles de langage : GPT et BERT

Deux LLM, qu’on peut considérer comme des pionniers, ont été publiés en 2018 à quelques semaines d’écart. Le premier, c’est GPT, pour Generative Pre-Trained Transformer d’OpenAI. Le second, c’est BERT de DeepMind (qui appartient à Google). Grâce à l’architecture Transformer, ils se sont révélés être des révolutions dans les LLM. Ils sont très bons en compréhension du langage naturel ainsi qu’en génération de texte. Ils peuvent réaliser des tâches simplement en leur demandant de manière textuelle.

À quoi servent les large language models?

La grande force des LLM, c’est précisément qu’ils n’ont pas d’usage précis, puisqu’ils n’ont pas été entraînés sur une tâche particulière. Leur fonctionnement neuronal fait qu’ils sont entraînés à la prédiction d’une suite probable en fonction d’une entrée donnée. Si vous demandez à ChatGPT de vous raconter une histoire, il va probablement démarrer par « Il était une fois », puisque c’est très classique.

Voilà, en espérant que cet article ait pu éclairer certains aspects du fonctionnement des intelligences artificielles génératives textuelles. Nous avons effleuré des notions complexes, mais indispensables pour comprendre l’IA de demain, alors n’hésitez pas à fouiller davantage dans ce passionnant domaine!

Source : www.frandroid.com

➡️ Accéder à CHAT GPT en cliquant dessus

Source : presse-citron.net

➡️ Accéder à CHAT GPT en cliquant dessus

Google lance Gemini, un nouveau modèle d’IA

Google vient de lancer Gemini, un nouveau modèle d’intelligence artificielle qui va désormais permettre à Bard de fonctionner. Gemini sera également présent dans le Google Pixel et une version Ultra est prévue pour 2024.

Pour ceux qui connaissent ChatGPT, il est important de ne pas confondre l’application ChatGPT avec les modèles sous-jacents, GPT 4 et GPT 3.5, qui sont utilisés pour traiter les requêtes des utilisateurs. Désormais, pour l’IA de Google, Bard, le modèle qui se trouve derrière est Gemini, qualifié par Google de “le plus ambitieux et le plus performant de ses modèles d’IA”.

Gemini, un modèle multimodal

Gemini n’est pas qu’un simple modèle d’IA. Il s’agit en réalité d’un modèle multimodal, capable de réagir à différents types de sources d’informations, y compris le texte, le code, l’audio, l’image et la vidéo. Une vidéo publiée par Google montre l’IA de Google en action, décrivant un dessin, inventant un jeu, résolvant une énigme et établissant des liens logiques entre différents objets.

Google détaille dans un communiqué que le modèle Gemini a été conçu pour être nativement multimodal, lui conférant une capacité de compréhension et de raisonnement sur tous types d’entrées. Cela le rend plus performant que les modèles existants et étend ses capacités dans tous les domaines de l’IA.

Trois versions de Gemini

Google a annoncé trois versions de Gemini : Gemini Pro, Gemini Nano et Gemini Ultra. Gemini Pro sera intégré à Google Bard dès maintenant, tandis que Gemini Nano sera intégré au Pixel 8 Pro. Enfin, Gemini Ultra sera testé par des clients, développeurs et experts en cybersécurité avant d’alimenter une version améliorée de Bard, appelée Bard Advanced, début 2024.

Par : Opera

Source : www.01net.com

➡️ Accéder à CHAT GPT en cliquant dessus

Découvrez comment l’intelligence artificielle révolutionne la conception de nouveaux matériaux

Pour concevoir de nouveaux matériaux, les chercheurs mettent l’intelligence artificielle à contribution

Pour concevoir de nouveaux matériaux, les chercheurs ne partent pas de rien, ils vont se baser sur les structures de matériaux déjà connus et la modifier légèrement, souvent en substituant un atome par un atome similaire. Une fois une structure déterminée, il faut vérifier sa stabilité. Pour ce faire, les chercheurs utilisent des méthodes de simulations ne pouvant tourner en un temps raisonnable que sur des supercalculateurs (serveurs, aux capacités énormes, utilisés par les chercheurs pour faire tourner des algorithmes demandeurs en ressources).

À ces calculs théoriques s’ajoute la recherche d’une synthèse permettant d’obtenir le matériau souhaité. Lors de cette phase, chaque échantillon obtenu par un protocole de synthèse testé se doit d’être caractérisé (il faut déterminer la nature et la position des atomes qui le constitue). C’est une fois la caractérisation faite que le chercheur peut analyser les résultats et choisir quelles sont les modifications à apporter à la synthèse. En suivant ces étapes, cela peut prendre plusieurs mois à un physicien pour concevoir un nouveau matériau et déterminer une procédure de synthèse.

Plus de 2,2 millions de nouvelles structures cristallines

Or GNoME est parvenu rapidement à déterminer plus de 2,2 millions de nouvelles structures cristallines (structures internes des matériaux) présentant une certaine stabilité.

La structure cristalline du Ba6Nb7O21, l’un des matériaux prédits par GNoME. Le barium est en bleun le niorbium en gris et l’oxygène en bleu. Crédits : Materials Project/Berkeley Lab

Parmi la mine de matériaux suggérés par l’intelligence artificielle, plus de 380.000 vont enrichir la base de données The Materials Project, fondée par des chercheurs de l’université américaine de Berkeley et servant de grande bibliothèque des matériaux. Cette grande base de données permet aux chercheurs de cataloguer les matériaux ainsi que leur propriété (s’ils sont conducteurs ou isolants, leurs propriétés magnétiques, ou encore s’ils ont déjà été observés expérimentalement) mais également de les calculer automatiquement par simulation quand cela est nécessaire.

Lire aussiGraphCast, l’intelligence artificielle de Google qui révolutionne les prévisions météo

Un réseau de neurones

L’approche par intelligence artificielle GNoME se base sur une catégorie de réseaux de neurones spécialisés dans le traitement d’informations pouvant être représentées par un graphe. Ce dernier est un objet mathématique constitué de nœuds reliés entre eux par des arêtes, ce qui est le cas d’une structure cristalline.

L’IA a été entraînée à partir des données de The Materials Project en 2018, soit l’équivalent de 69.000 matériaux différents. Le réseau de neurones est ainsi capable de proposer des structures cristallines en les dérivant de la base donnée. Une des caractéristiques principales de leur technologie est qu’elle est capable d’apprendre de ses erreurs (et de ses réussites). Chaque cristal proposé passe par un ensemble de simulation (similaire à celle de The Materials Project), les informations récupérées de cette simulation sont ensuite fournies en données d’entrée et d’apprentissage pour l’IA. C’est grâce à ce procédé d’apprentissage actif que GNoME réussit à s’améliorer au-delà même des données fournies initialement.

Lire aussi“La vague déclenchée par l’exploit de l’algorithme de DeepMind Alphafold n’est pas retombée”

Un laboratoire automatique pour accélérer le test de ces matériaux

Le 29 novembre 2023 également, ces chercheurs de Berkeley ont publié, dans Nature, les premiers résultats de leur laboratoire automatisé fonctionnant en partie grâce à l’intelligence artificielle, le A-Lab. Ce laboratoire est capable de déterminer des procédures de synthèse des matériaux en se basant sur la littérature scientifique et sur les expériences qu’il a effectuées.

Crédits : Berkeley Lab/US Department of Energy

Le labo est donc constitué de plusieurs parties : des bras robotiques, des fours contrôlables par ordinateur, pouvant chauffer de 600°C à 1100°C, ou encore d’un analyseur à rayons X, appareil capable de déterminer la structure interne d’un matériau à l’aide des rayons X. Tous ces appareils de pointe sont dirigés par une intelligence artificielle. Cette dernière a été entraînée sur une base de données regroupant des protocoles de synthèse récupérés dans près de 25.000 publications.

Pour récupérer les informations importantes de ces articles, les chercheurs ont utilisé une autre intelligence artificielle spécialisée dans le langage naturel, c’est-à-dire capable d’interpréter des textes écrits par l’humain sans avoir besoin d’intervention humaine préalable sur le texte. L’intelligence artificielle est ensuite capable de détecter les similarités entre le matériau cible et ceux de la littérature pour déterminer les poudres à mélanger, leur proportion et les températures des fours nécessaires.

100 échantillons par jour

La fabrication est opérée automatiquement par les robots. Une fois celle-ci terminée, les bras robotiques pulvérisent le solide obtenu et l’amène à l’analyseur à rayons X. Ce dernier utilise le phénomène de diffraction (déviation des rayons lumineux par la présence d’objets de petite taille, ici les atomes constituant le cristal). À partir des résultats de la diffraction, il est possible de déterminer la nature et la position des atomes dans le cristal analysé. Ces résultats sont ensuite, à l’instar des simulations pour GNoME, utilisés pour réentraîner le modèle et réajuster les fabrications proposées.

Grâce à cette automatisation, le laboratoire a réussi à déterminer en 17 jours la synthèse de 41 matériaux (sur les 58 analysés), à un rythme de 100 échantillons par jour. Ce rythme d’environ deux matériaux par jour permet une accélération dans la recherche de matériaux innovants – rappelons qu’un humain peut mettre plusieurs mois pour un seul matériau.

Source : sciencesetavenir.fr

➡️ Accéder à CHAT GPT en cliquant dessus

Un joueur demande à une intelligence artificielle de coder plusieurs jeux (tic-tac-toe, snake, Tetris et un prototype de Super Mario) et de les faire fonctionner sans que lui-même n’ait à faire quoi que ce soit. Au départ, l’IA crée des fichiers HTML, CSS et JavaScript pour le tic-tac-toe, mais ne mentionne pas la partie qui les relie. Le joueur doit donc pénétrer dans le code pour faire les modifications nécessaires. Pour le snake, l’IA fournit un code fonctionnel, mais avec des fonctionnalités manquantes, et le joueur demande à l’IA comment y remédier. Après deux erreurs de programmation de l’IA, le jeu est finalement terminé par le joueur. Pour le Tetris, l’IA fournit un code avec de nombreuses lacunes, ce qui requiert beaucoup de modifications par le joueur pour le faire fonctionner. La conclusion est que l’IA est une puissante aide, mais qu’elle nécessite encore une certaine surveillance et intervention de la part des développeurs.
Source : Guinxu | Date : 2022-12-23 23:18:46 | Durée : 00:09:37

➡️ Accéder à CHAT GPT en cliquant dessus

Apprentissage automatique

“Lorsqu’un élève a terminé un exercice, l’algorithme va ensuite lui présenter l’exercice qu’il juge le plus pertinent dans sa progression, sans que ce soit forcément linéaire. Un élève n’aura jamais la même suite d’exercices qu’un autre” explique Thierry de Vulpillières, cofondateur d’EvidenceB, à Tech&Co.

Par ailleurs, l’intelligence artificielle va pouvoir s’évaluer elle-même, grâce à un processus apprentissage automatique. Notamment pour déterminer si l’enchaînement des exercices qui a été proposé a permis à un élève de progresser plus rapidement. En analysant les données de l’ensemble des élèves, l’algorithme pourra automatiquement faire évoluer ses recommandations.

“La machine fait progresser chaque élève, et chaque élève fait progresser la machine” ajoute Thierry de Vulpillières.

En plus du mode classique (baptisé “Solo IA”), l’application propose des outils plus classiques, comme des tutoriels vidéo, un mode atelier (à utiliser par le professeur en classe), ou encore un mode duo pour réaliser des exercices en binôme. Les données liées à la progression des différents élèves sont ensuite accessibles aux enseignants, par le biais d’un tableau de bord.

Le fondateur d’EvidenceB assure que ces outils, dont le fonctionnement est basé sur des travaux effectués des chercheurs en sciences cognitives, sont les plus à même de faire progresser la France dans le classement PISA, qui accuse un retard de plus en plus important.

Malgré le déploiement de MIA Seconde à l’ensemble des élèves, le cabinet de Gabriel Attal assure à Tech&Co qu’il ne sera pas obligatoire.

Source : bfmtv.com

➡️ Accéder à CHAT GPT en cliquant dessus

Source : lesechos.fr

➡️ Accéder à CHAT GPT en cliquant dessus