Intelligence Artificielle

Catégorie : Intelligence Artificielle

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.

L’actuel directeur de l’OSTP à la Maison Blanche promeut les sciences de la prédictibilité

Kelvin Droegemeier, directeur de l’Office of Science and Technology Policy (OSTP) toujours en fonction, souhaite définir un nouveau cadre de recherche pour faire progresser la compréhension et la prédictibilité du système terrestre. Le « changement climatique » n’est pas mentionné en tant que tel.  Cependant, les experts impliqués dans la réflexion s’accordent sur la nécessité d’apporter des améliorations à la qualité des prévisions, en constatant qu’une compréhension fine du fonctionnement du système terrestre et des limites de la prédictibilité sont nécessaires. Des progrès de la prévision des phénomènes pour des périodes plus longues et pour un éventail élargi d’enjeux sont envisageables en développant une approche pluridisciplinaire, en misant sur les progrès informatiques, l’accès à de nouvelles données d’observations, l’incorporation d’un plus grand nombre de composants dans les modèles, l’utilisation de l’intelligence artificielle et autres techniques analytiques de données.
Cette dynamique qui pourrait durer au delà de l’administration Trump, nécessiterait l’émergence d’une nouvelle génération « inspirée » de scientifiques et d’ingénieurs, en interaction avec les décideurs publics et privés.
Les prévisions météorologiques, la pollution atmosphérique, la fonte des glaces, l’humidité des sols, le fonctionnement des écosystèmes et de nombreuses autres composantes du système terrestre sont autant d’éléments qui, aujourd’hui, sont essentiels pour pouvoir prendre des décisions dans un grand nombre de domaines.

L’IA pour la découverte de nouvelles thérapies: un domaine très actif en Silicon Valley

La découverte de nouvelles thérapies est un domaine à forts enjeux financiers et sanitaires et particulièrement complexe, et de fortes attentes reposent sur l’Intelligence Artificielle pour améliorer ce processus de découverte. La Silicon Valley héberge une forte concentration de compétences à la fois en informatique et en biologie, ce qui en fait un réceptacle idéal pour une forte innovation dans ce domaine. Pour autant, les effets de l’IA dans ce processus de découverte mettront probablement longtemps avant d’être visibles.

L’IA pour le diagnostic médical : un marché en croissance exponentielle mais des doutes qui restent à lever.

Intelligence artificielle

Un rapport paru cet été du Grand View Research concernant l’utilisation de l’Intelligence Artificielle (IA) pour le diagnostic médical confirme la forte croissance de ce marché et les nombreux espoirs qui y sont placés en vue d’un diagnostic plus rapide, plus fiable, et d’un accès aux soins plus étendus[1]. Le rapport projette une croissance exponentielle de ce marché dans le monde, avec un taux de croissance annuel estimé à 32,3% entre 2020 et 2027. Ce marché passerait ainsi de 288 millions en 2019 à 3 milliards en 2027. L’Amérique du Nord domine très largement en ce qui concerne l’adoption de ces solutions, avec une proportion des revenus correspondants de 58% en 2019 et des investissements très forts dans ce secteur. Le rapport couvre autant les produits logiciels que le hardware et les services. Et il apparait que le logiciel occupe la place la plus importante dans ce paysage avec une part de marché à 43,9%, et semble destiné à rester en position dominante. Cette domination du marché vient notamment d’une forte demande en matière d’outils d’analyses d’images médicales hébergées et analysées sur le cloud.

Service pour la Science et la Technologie

Organismes de recherche associés

Liens utiles

Ambassade de France
France Diplomatie

EURAXESS North America

D-Fi USA

Twitter Linkedin

Mentions légales – Politique de confidentialité

© Copyright 2023 – Service pour la Science et la Technologie. Tous droit réservés.