Intelligence Artificielle

Introduction d’un projet de régulation des algorithmes d’IA à l’échelle fédérale

Un projet de loi chargeant la Federal Trade Commission de réguler les entités sous sa responsabilité a été introduit au Sénat américain et la Chambre des représentants au début du mois de février. Il concerne les entités qui déploient ou utilisent des logiciels de “décision augmentées”, y compris ceux intégrant des algorithmes d’Intelligence Artificielle. Cet Algorithmic Accountability Act s’inscrit dans une tendance de plus en plus nette du gouvernement fédéral américain à converger vers un modèle de régulation en matière de gestion de l’intelligence artificielle et de données ayant des caractéristiques communes avec l’Union Européenne.

Retour sur le Global Emerging Technology Summit organisé le 13 juillet par la NSCAI

La National Security Commission on Artificial Intelligence (NSCAI) a organisé un sommet sur les technologies émergentes le 13 juillet 2021 à Washington, DC afin de convier les pays partenaires des États-Unis autour du thème de l’intelligence artificielle (IA) et plus largement des nouvelles technologies. Plusieurs intervenants de haut niveau du gouvernement américain ont invité leurs alliés à s’unir aux États-Unis afin de bâtir une coalition technologique des démocraties contre les régimes jugés autoritaires.

Démantèlement de la branche « santé » de Google : les géants de la tech peinent à révolutionner le domaine médical 

Intelligence artificielle

Les nouvelles technologies comme l’intelligence artificielle, la robotique ou encore la blockchain sont porteuses de solutions qui pourraient révolutionner la médecine de demain. L’application de ces dernières se heurte cependant en pratique à de nombreux défis, dont un des plus importants est de gagner la confiance des utilisateurs. Le démantèlement de la division Santé de Google cette semaine, qui succède à celui de Microsoft HealthVault en 2019 et la volonté d’IBM de vendre son unité Watson Health en février dernier, sont les preuves des difficultés que rencontrent les géants de la tech à révolutionner le monde médical. 

Les verrous restants pour le déploiement à grande échelle de l’Intelligence Artificielle dans le monde médical. Echange virtuel entre Fei Fei LI et Andrew Ng.

En mai 2021, une discussion virtuelle sur le futur de l’Intelligence Artificielle (IA) appliquée à la médecine s’est tenue entre deux des chercheurs les plus reconnus du domaine dans la Silicon Valley : Fei Fei Li, co-directrice de l’Institut for Human-centered Artificial Intelligence (HAI) et professeur d’informatique à Stanford, et Andrew Ng, co-fondateur de DeepLearning.AI et professeur-adjoint à Stanford – modérée par Curtis Langlotz, professeur de radiologie à Stanford et directeur du Stanford’s Center for Artificial Intelligence in Medicine and Imaging (AIMI).

Equations aux dérivées partielles et Deep Learning: un lien fécond et une recherche dynamique aux Etats-Unis

Les équations aux dérivées partielles sont omniprésentes en mécanique et leur résolution, exacte ou approchée, est un sujet extrêmement difficile auxquels les scientifiques et les ingénieurs se sont attelés depuis plus d’un siècle. Cette discipline a récemment trouvé une synergie forte avec le domaine beaucoup plus en vogue du Deep Learning. Ce lien inattendu et en apparence contre nature est jusqu’à présent particulièrement fructueux et semble ne pas se limiter à un simple effet du mode dû à l’Intelligence Artificielle.

Le « federated learning », un paradigme d’apprentissage en plein essor aux Etats-Unis

Le « federated learning » est un paradigme d’apprentissage décentralisé qui permet de tirer parti de nombreuses bases de données pour entrainer des modèles d’intelligence artificielle sans avoir à faire sortir les données de leur silo. Le principe de base est simple: plutôt que d’envoyer les données à l’algorithme, il s’agit d’envoyer l’algorithme vers les données et ne faire remonter sur un serveur centralisé que les paramètres entrainés. Bien que les techniques associées à ce paradigme ne soient apparues qu’au cours des cinq dernières années, elles sont déjà déployées à grandes échelles et pourraient apporter des réponses à de nombreuse difficultés actuelles rencontrées par l’IA, notamment en matière de de confidentialité des données, d’équité, et d’écologie.