La start-up française Whitelab Genomics, spécialisée dans l’IA appliquée à la recherche et au développement en médecine génomique, annonce sa collaboration avec le laboratoire de chimie médicinale dirigé par le professeur Pierre-Luc Boudreault à l’Institut de Pharmacologie de Sherbrooke (IPS), au Québec. L’objectif de leur partenariat est de développer des peptides visant de nouvelles cibles pharmacologiques et d’optimiser des vecteurs viraux en thérapies géniques, ouvrant ainsi la voie à une nouvelle ère de médecine de précision.

Créée en 2019 par David Del Bourgo, Julien Cottineau et Lucia Cinque, WhiteLab Genomics, soutenue par Y-Combinator, a fait partie de la première promotion de Future4Care, l’accélérateur dédié à la santé numérique, créé en 2021 par Capgemini, Orange, Sanofi et Generali.

La start-up, lauréate du programme French Tech Health20 et plus récemment de French Tech 2030, conjugue science des données et biologie pour accélérer le développement des thérapies géniques. Grâce à sa technologie exclusive, l’entreprise optimise la conception de vecteurs viraux et minimise les risques associés à la mise au point de nouveaux traitements. Elle accompagne ses clients et partenaires (pharma, biotech et laboratoires académiques) dans les phases de recherche et le développement in-silico, leur permettant de gagner un temps précieux pour proposer aux patients de nouvelles thérapies.

Après une levée de fonds de 10 millions d’euros réalisée auprès d’OMNES Capital et Debiopharm en 2022, la start-up s’est installée à Boston et Montréal.

Le partenariat avec IPS

Depuis deux mois, ce partenariat combine IA, modélisation moléculaire et chimie médicinale pour mieux cibler et traiter les cellules défectueuses impliquées dans des pathologies complexes du système nerveux central et d’autres maladies dégénératives, notamment la maladie de Parkinson et la sclérose latérale amyotrophique (SLA).

David Del Bourgo, co-fondateur et CEO de WhiteLab Genomics, commente :

“Ceci est une très bonne opportunité pour mettre en avant le potentiel de notre plateforme d’IA en collaboration avec des riches bases de données et l’expertise fournie par le laboratoire de médecine chimique du professeur Boudreault. Notre récent investissement au Canada, comprenant l’ouverture de notre deuxième entité nord-américaine l’année dernière à Montréal et des collaborations de recherche avec plusieurs laboratoires au Québec, s’aligne avec notre vision internationale d’accélération et d’optimisation de la découverte de médicaments génomiques.”

Une collaboration prometteuse

Le Pr Boudreault, en collaboration avec les laboratoires des Prs Michel Grandbois et Philippe Sarret, teste actuellement les peptides développés par Whitelab. Ces peptides servent d’ancrage aux vecteurs, optimisant leur fixation sur les cibles cellulaires à traiter et maximisant ainsi leur efficacité.

Les données expérimentales recueillies alimentent en continu la plateforme d’IA de WhiteLab Genomics. Ce processus itératif contribue à affiner les prédictions et à optimiser la conception des peptides.

Le Pr Pierre-Luc Boudreault conclut :

“En combinant notre expertise en chimie médicinale avec la plateforme d’IA de pointe de WhiteLab Genomics, nous repoussons les limites de ce qui est possible en matière de développement de médicaments. Cette collaboration illustre le pouvoir des partenariats interdisciplinaires pour générer des avancées significatives dans le domaine de la santé.” 

Les assistants applicatifs, comme Google Gemini ou Notion AI, incarnent une nouvelle ère de productivité. Ils ne se contentent plus de prédire des résultats : ils orchestrent des actions planifiées et automatisées. L’AI Decision Matrix d’AI Builders Research, le cabinet d’analystes d’AI Builders, en cartographiant et analysant les solutions des principaux acteurs de ce marché, permet aux entreprises de choisir la solution la plus adaptée à leurs besoins spécifiques.

Les LLMs : des orchestrateurs

Les LLMs, dotés de milliards de paramètres, agissent comme des orchestrateurs, capables de :

• Décomposer les tâches : ils identifient les étapes nécessaires pour répondre à une requête complexe ;
• Planifier : ils structurent et ordonnent ces étapes pour proposer une exécution cohérente ;
• Attribuer des outils : ils assignent des ressources spécifiques à chaque étape, permettant une action directe et adaptée.

Ces modèles fonctionnent comme des Large Action Models (LAM), transformant une requête en une série d’actions réalisables.

Du réactif à l’actionnable

Le machine learning a permis aux systèmes d’IA d’évoluer du réactif au prédictif, l’IA générative du prescriptif à l’actionnable planifié.

Stéphane Roder, PDG d’AI Builders commente :

“L’actionnabilité est certainement la vraie révolution de l’IA Générative. Ces assistants d’un nouveau genre, capables de réaliser des actions, semblent devenir un nouveau standard d’interaction avec nos applications du quotidien”.

Typologie des assistants applicatifs

Les assistants applicatifs sont des chatbots intégrés à des logiciels ou à des suites logicielles qui utilisent des agents pour actionner les applications de la suite dans laquelle ils opèrent, permettant ainsi une automatisation efficaces des tâches.

Il peut s’agir d’assistants bureautiques comme Microsoft Copilot ou Gemini de Google ou d’assistants dédiés aux suites métiers comme Agentforce de Salesforce ou Joule de SAP.

L’AI Decision Matrix (AIDM)

L’AIDM se veut un outil évolutif, AI Builders prévoit déjà une nouvelle publication d’ici 6 mois. Il ne pouvait tenir compte lors de sa publication de la décision par Microsoft de retirer son assistant Copilot pour les utilisateurs professionnels, annoncée ce 16 décembre.

L’AIDM évalue les solutions selon leur performance et leur maturité. La performance inclut des critères comme la qualité des réponses, la personnalisation, la sécurité des données et la complexité des tâches réalisées tandis que pour la maturité, l’AIDM analyse l’adoption sur le marché, les intégrations possibles, la facilité d’utilisation et la scalabilité.

Les solutions étudiées sont classées en quatre catégories :

• Best in Class : solutions leaders, combinant haute performance et intégration fiable ;
• Safe Bet : options solides et matures, adaptées à un large spectre de besoins ;
• Next Gen : technologies performantes mais exigeant une maturité accrue pour leur exploitation ;
• Rising Star : Solutions prometteuses encore en phase de développement.

Exemples d’assistants applicatifs évalués par l’AIDM

AI Builder a évalué quinze assistants applicatifs. Parmi ceux-ci :

Microsoft Copilot

Points forts : Intégration avec des outils tiers comme SAP et ServiceNow, possibilité de créer des agents spécialisés.

Catégorie : Best in Class.

Google Gemini

Performances : Nombreuses fonctionnalités grâce à une intégration
totale avec l’écosystème Google, notamment les outils BigQuery, Workspace et Colab.

Catégorie : Best in Class.

SAP Joule

Particularités : Dashboards automatiques, création d’agents personnalisés via Joule Studio.

Catégorie : Next Gen.

Notion AI

Atouts : Simple d’utilisation, capable de générer des tableaux et de rechercher dans plusieurs bases de données.

Catégorie : Safe Bet.

On retrouve dans le tableau ci-dessous les catégories attribuées à chacun des assistants analysés.

Depuis l’émergence des grands modèles de langage (LLMs), certains ont été qualifiés d’“ouverts”, ce qui a pu prêter à confusion avec le terme “open source” lors de leur présentation. En février dernier, l’Allen Institute for Artificial Intelligence (Ai2), a publié la première version d’OLMo, (Open Language Model), un LLM qui répond aux critères stricts de l’OSAID, la définition de l’IA open source de l’OSI. Le modèle a depuis été mis à jour en avril et dernièrement avec OLMo 2 qu’il présente comme “le meilleur modèle de langage entièrement ouvert à ce jour”. 

AI2 est un institut de recherche à but non-lucratif fondé en 2014 par Paul Allen, philanthrope et cofondateur de Microsoft, décédé en 2018. Son objectif est de favoriser le développement de l’intelligence artificielle au service de la société, en mettant l’accent sur des applications responsables et éthiques. L’institut collabore avec des universités, des entreprises et d’autres institutions de recherche pour stimuler l’innovation dans ce domaine.

AI2 se concentre sur des domaines variés tels que la compréhension du langage naturel, la vision par ordinateur, l’apprentissage automatique et la robotique. Parmi ses contributions majeures, on trouve Semantic Scholar, un moteur de recherche avancé destiné à aider les chercheurs à accéder et à analyser des articles scientifiques, ainsi que AllenNLP, une bibliothèque open source dédiée au traitement du langage naturel.

OLMo 2

Dans le domaine de la GenAI, AI2 milite également pour l’open source. Après Molmo, une famille de modèles d’IA multimodaux, il présente OLMo2, sa dernière famille de modèles de langage.

Dans le cadre de la validation et de la mise à l’essai de l’OSAID, la première version d’OLMo a été considérée comme réellement open source tout comme Pythia (Eleuther AI), Amber et CrystalCoder (LLM360) et T5 (Google) contrairement à Llama de Meta ou Grok de xAI. OLMo 2 correspond lui aussi pleinement aux critères exigés.

AI2 écrit sur son blog :

“Parce que la science entièrement ouverte nécessite plus que des poids ouverts, nous sommes ravis de partager une nouvelle série de mises à jour d’OLMo, y compris des poids, des données, du code, des recettes, des points de contrôle intermédiaires et des modèles optimisés pour les instructions, avec la communauté plus large de la modélisation du langage !”

Une architecture améliorée et un pré-entraînement optimisé

OLMo 2 est une nouvelle famille de modèles de langage de 7 et 13 milliards de paramètres, le premier a été entraîné sur environ 4,05 milliards de tokens tandis que le second l’a été sur un total de 5 000 milliards de tokens.

Les modifications architecturales principales apportées à OLMo incluent l’intégration de RMSNorm pour une meilleure stabilité et l’utilisation de plongements positionnels rotatifs.

AI2 a utilisé une approche en 2 étapes. Pour la 1ère, les modèles ont été pré-entraînés avec OLMo-Mix-1124, une collection d’environ 3,9 milliards de jetons. Les modèles ont, dans un second temps, été affinés avec un mélange composé à part égale de données web filtrées et de données spécifiques à un domaine (contenu académique, forums de questions-réponses, données d’instructions et cahiers d’exercices mathématiques, à la fois synthétiques et générés par l’homme) provenant de Dolmino-Mix-1124. L’Institut a ensuite échantillonné les 843 milliards de tokens obtenus pour optimiser leurs performances lors des étapes finales d’entraînement.

Performance et comparaison de OLMo 2

Selon les évaluations d’AI2, OLMo 2 7B et 13B sont les meilleurs modèles entièrement ouverts à ce jour, surpassant souvent les modèles de “poids ouverts” de taille équivalente, tout en égalant voire dépassant certains modèles partiellement propriétaires. Par exemple, OLMo-2-7B surpasse Llama 3.1 8B de Meta tandis qu’OLMo-2-13B dépasse Qwen 2.5 7B d’Alibaba Cloud malgré un coût de calcul moindre.

AI2 a utilisé Tülu 3, sa famille de modèles de suivi d’instructions, pour les variantes Instruct d’OLMo 2. Celles-ci ont été évaluées sur leurs capacités de suivi d’instructions, de rappel des connaissances, de mathématiques et de raisonnement général. Elles se sont révélées compétitives avec les meilleurs modèles à poids ouverts, OLMo 2 13B Instruct surpassant les modèles Qwen 2.5 14B instruct, Tülu 3 8B et Llama 3.1 8B instruct.

Theremia, une jeune start-up française spécialisée dans le développement de traitements médicaux de précision, annonce une levée de fonds d’amorçage de 3 millions d’euros. Le tour de table a été mené par Eurazeo et Salica Investments, rejoints par différents business angels.

Soutenue par Entrepreneur First, Theremia a été créée en janvier 2024 par Iris Maréchal, ex-consultante au BCG, spécialisée en santé publique et mathématiques, aujourd’hui son PDG, et Chloé Geoffroy, docteure en neurosciences. Son équipe, qui compte actuellement sept collaborateurs, combinant des compétences en IA, sciences de la vie et pharmacologie, s’est donnée pour objectif d’améliorer l’efficacité des traitements et de limiter leurs effets secondaires en prenant en compte les particularités de différentes populations de patients, notamment ceux atteints de troubles neurologiques.

La jeune pousse, qui a été accompagnée par Station F dans le cadre du programme “Female Founders Fellowship”, a intégré en septembre dernier la cohorte d’accélérateurs “DayOne – Healthcare Innovation 2024”. Ce programme hybride de six mois soutient les start-ups innovantes dans le domaine de la santé numérique, en particulier celles qui travaillent à l’interface avec l’industrie pharmaceutique, en leur apportant un mentorat spécialisé et des ressources pour faciliter leur entrée sur le marché.

Apporter le meilleur traitement à chaque patient grâce à l’IA

Selon Theremia, environ 60% des patients arrêtent leur traitement en raison d’effets indésirables ou de résultats insuffisants, ce qui est dû aux limites des traitements standardisés. Comprendre l’effet des molécules selon l’âge, le sexe, le poids ou l’origine ethnique permet d’ajuster les dosages des médicaments aux besoins spécifiques de chaque patient, améliorant ainsi l’efficacité et réduisant les effets secondaires.

Sa plateforme utilise des algorithmes avancés d’apprentissage automatique et de causalité, pour découvrir les relations entre les variables des médicaments et les résultats des patients. Les laboratoires pharmaceutiques peuvent ainsi accélérer la mise sur le marché de nouveaux médicaments ou étendre leurs brevets.

La start-up s’adresse aujourd’hui aux pathologies neurologiques telles qu’Alzheimer, Parkinson, la sclérose en plaques et la dépression. Grâce à ce financement, elle espère renforcer son équipe pour affiner sa solution et nouer de nouveaux partenariats avec des instituts médicaux.

L’éditeur de logiciels Dassault Systèmes (3DS) annonce la publication du premier guide mondial qui explique comment utiliser les jumeaux virtuels pour évaluer les dispositifs médicaux de manière plus rapide et sécurisée. Intitulé “ENRICHMENT Playbook”, ce manuel de 44 pages, développé avec la Food and Drug Administration (FDA) vise à asseoir la crédibilité des essais cliniques in silico dans le secteur médical et à favoriser l’adoption de cette technologie dans les processus réglementaires.

Après avoir lancé “Living Heart” en 2014 en collaboration avec la FDA, un projet réunissant des chercheurs cardiovasculaires, des développeurs de dispositifs médicaux et des cardiologues pour développer et valider des modèles numériques précis du cœur humain, Dassault Systèmes a annoncé en 2019, la prolongation de sa collaboration avec l’agence de réglementation dans le cadre du projet “Enrichment”.

Ce projet de cinq ans avait pour but de démontrer comment les jumeaux numériques peuvent simuler des cohortes de patients, permettant de prédire avec une précision sans précédent les effets potentiels d’un dispositif médical avant même qu’il n’entre en contact avec un patient. Cette approche permet non seulement de renforcer la sécurité des patients, mais également de réduire les essais sur l’homme et l’animal, ce qui est en ligne avec une volonté croissante de limiter l’expérimentation animale.

Il a impliqué une équipe internationale et interdisciplinaire, incluant des experts du milieu académique, de l’industrie, de la pratique clinique, et des agences gouvernementales. En travaillant sur la plateforme 3DEXPERIENCE de Dassault Systèmes, les membres de cette équipe ont analysé et documenté les défis scientifiques et réglementaires liés aux essais in silico, avec pour objectif de crédibiliser cette méthodologie auprès des régulateurs.

La publication de “ENRICHMENT Playbook” est le fruit de ces cinq années de coopération intensive. Validé par des pairs et disponible en libre accès, le manuel est structuré autour d’une méthodologie rigoureuse et d’un cadre stratégique pour guider les professionnels du secteur dans la mise en œuvre des essais cliniques in silico. Il s’appuie sur les recommandations des directives finales de la FDA publiées sous le titre “Assessing the Credibility of Computational Modeling and Simulation in Medical Device Submissions”. Ces directives précisent comment évaluer et intégrer les jumeaux virtuels dans les soumissions réglementaires, une avancée capitale pour l’industrie de la santé.

Les essais cliniques in silico sont une nouvelle frontière pour les sciences de la vie, et le guide “ENRICHMENT Playbook ” est conçu pour soutenir l’industrie dans cette transition. En réduisant la dépendance aux essais sur l’homme et l’animal, cette approche ouvre de nouvelles perspectives pour accélérer les processus de validation et pour comprendre les effets des dispositifs médicaux.

Claire Biot, vice-présidente Industrie des Sciences de la vie et Santé chez Dassault Systèmes, commente :

“Alors que l’industrie de la santé poursuit sa transformation numérique, le guide Playbook ENRICHMENT représente un véritable tournant dans l’évolution des méthodologies d’essais cliniques. La forte participation et la contribution de divers experts ont joué un rôle primordial pour garantir la conformité du manuel aux normes scientifiques et réglementaires les plus strictes, ainsi que son utilisation très pratique pour une application immédiate sur le terrain. Nous nous engageons à stimuler l’innovation collaborative dans ce secteur afin d’améliorer l’expérience des patients”.

Dans le domaine de la vision par ordinateur, le suivi précis de points dans des vidéos reste une tâche complexe, notamment en raison de la difficulté d’annoter des vidéos réelles. Les modèles traditionnels s’appuient souvent sur des données synthétiques, ce qui limite leur performance dans des environnements non contrôlés. Pour pallier cette lacune, une équipe de chercheurs de l’Université d’Oxford et de Meta AI a développé CoTracker3, un nouveau modèle de suivi de points qui intègre une méthode d’entraînement semi-supervisé innovante.

Le suivi de points est crucial pour des tâches telles que la reconstruction 3D, le montage vidéo, où il est nécessaire de suivre précisément les correspondances dans une séquence d’images, il est également utilisé dans d’autres domaines comme la réalité augmentée ou la robotique. Des modèles récents comme PIPs, TAP-Vid, TAPIR et CoTracker utilisent des réseaux de neurones transformateurs pour améliorer le suivi de points, notamment dans des cas complexes comme les occlusions et les mouvements rapides. Cependant, la disponibilité de données d’entraînement de haute qualité est cruciale pour tirer pleinement parti de ces réseaux neuronaux.

Or, l’annotation manuelle de points spécifiques dans une vidéo pour créer des ensembles de données d’entraînement est souvent longue et coûteuse, nécessitant une attention minutieuse et une expertise humaine. Si les vidéos synthétiques, qui peuvent être annotées automatiquement, sont une alternative efficace pour les tâches de bas niveau,  l’écart entre les données synthétiques et réelles (le “sim-to-real gap”) reste une limitation notable, particulièrement pour des tâches plus complexes. D’autre part, constituer une collection diversifiée de vidéos synthétiques à grande échelle représente un coût élevé. Par conséquent, l’entraînement des modèles de suivi de points à l’aide de vidéos réelles reste une option intéressante.

L’apport du pseudo-étiquetage

Contrairement aux modèles traditionnels, CoTracker3 exploite ainsi des pseudo-étiquettes générées à partir de vidéos réelles, produites par d’autres modèles préalablement entraînés sur des données synthétiques. Ce processus permet de contourner l’écart statistique entre les données synthétiques et réelles, en utilisant les vidéos réelles comme source d’entraînement, sans nécessiter une annotation humaine laborieuse.

Simplicité et performance accrue

L’une des principales caractéristiques de CoTracker3 est la simplification de son architecture. Il emprunte des éléments aux modèles précédents, y compris les mises à jour itératives et les caractéristiques convolutionnelles de PIPs, l’attention inter-piste pour le suivi conjoint, les pistes virtuelles pour l’efficacité, et l’entraînement déroulé pour une opération par fenêtre de CoTracker, ainsi que la corrélation 4D de LocoTrack. En même temps, il simplifie considérablement certains de ces composants et en élimine d’autres, comme l’étape de correspondance globale de BootsTAPIR et LocoTrack.

En réduisant le nombre de composants souvent complexes dans les modèles concurrents, il parvient à offrir une performance accrue tout en nécessitant beaucoup moins de données d’entraînement. Ce modèle est capable de suivre des points avec une précision améliorée, même lorsqu’ils sont temporairement occlus ou sortent du champ de vision.

Mise à l’échelle et résultats

CoTracker3 se distingue également par sa capacité à bénéficier d’une mise à l’échelle, aussi bien en mode en ligne qu’hors ligne. Son efficacité dans le suivi de points, même sur des périodes prolongées et dans des conditions difficiles, en fait une solution performante sur des benchmarks standards. Bien que certains cas spécifiques, comme le suivi sur des surfaces sans caractéristiques distinctes (par exemple, un ciel dégagé), restent des défis, le modèle surpasse globalement ses prédécesseurs tels que LocoTrack et BootsTAPIR.

Pour les chercheurs, il démontre la puissance d’un protocole d’entraînement semi-supervisé simple, où des vidéos réelles sont annotées en utilisant plusieurs modèles de suivi disponibles sur le marché, puis utilisées pour affiner un modèle qui surpasse tous les enseignants. Cette approche lui permet de surpasser les modèles entraînés sur 1 000 fois plus de vidéos. En suivant les points conjointement, CoTracker3 gère les occlusions mieux que tout autre modèle, particulièrement en mode hors ligne, comme on peut le voir dans la vidéo ci-dessous.

Il pourrait, selon eux, servir de bloc de construction pour des tâches nécessitant une estimation de mouvement, telles que le suivi 3D, la génération de vidéos contrôlées ou la reconstruction 3D dynamique.

Retrouver son référentiel GitHub ici, la démo sur Hugging Face ici. CoTracker3 et les ressources associées sont mis à disposition sous une licence A-NC afin de faciliter la poursuite des recherches.

Références de l’article :

“COTRACKER3: SIMPLER AND BETTER POINT
TRACKING BY PSEUDO-LABELLING REAL VIDEOS”arXiv:2410.11831v1 [cs.CV] 15 Oct 2024

Auteurs et affiliations :

Nikita Karaev^1,2,Iurii Makarov¹,Jianyuan Wang^1,2,Natalia Neverova¹,Andrea Vedaldi¹,Christian Rupprecht^{2
1 Meta AI, 2Groupe de géométrie visuelle, Université d’Oxford}

La première partie de l’étude “GenAI for Social Content Survey” de GetApp se consacrait à l’utilisation par les marketeurs de la GenAI sur les réseaux sociaux. La seconde partie se concentre sur l’adaptation des entreprises aux nouvelles réglementations de Meta concernant l’étiquetage des contenus générés par l’IA et est accompagnée des commentaires de Julien Pibourret, expert en social selling, auteur et formateur en médias sociaux et web marketing.

GetApp est une plateforme de recherche et de comparaison d’applications et de logiciels métiers acquise par Gartner en 2015. Son objectif est de permettre aux professionnels, en particulier ceux des petites et moyennes entreprises, de trouver les solutions logicielles qui répondent le mieux à leurs besoins.

Pour cette étude, elle a interrogé en mai dernier 1 680 personnes (135 en France) ayant un rôle dans le marketing, les relations publiques, les ventes ou le service à la clientèle au sein d’entreprises de toutes tailles à travers le monde. Chacune d’entre elles a indiqué utiliser la GenAI pour la gestion des réseaux sociaux de son entreprise au moins une fois par mois.

L’étude révèle une hausse de l’utilisation de la GenAI par les marketeurs : 63 % des marketeurs ont déjà utilisé l’IA générative pour créer du contenu sur les réseaux sociaux.

• Plus d’un tiers des marketeurs interrogés déclare que 10 % à 25 % du contenu produit sur leurs réseaux sociaux l’a été avec des outils de GenAI ;
• Un marketeur sur trois anticipe que d’ici à 18 mois, l’IA sera présente dans 25 % à 50 % du contenu publié sur les réseaux sociaux ;
• Concernant l’efficacité, 45 % des répondants estiment que les contenus assistés par IA surpassent ceux créés exclusivement par des humains, tandis que 61 % ont constaté une hausse (“significative” pour 14 % et “légère” pour 47 %) de l’engagement et des impressions (nombre total de fois où un contenu est affiché) sur leurs réseaux grâce à l’utilisation de la GenAI ;
• 66 % d’entre eux s’attendent à ce que toutes les tâches de marketing numérique soient assistées par des outils d’IA d’ici les cinq prochaines années.

La transparence, un gage de confiance pour les consommateurs

Selon l’étude, les plateformes de Meta, Instagram et Facebook, sont utilisées respectivement par 81% et 56 % des marketeurs.

47 % des personnes interrogées ont déclaré avoir été “modérément informés” et 31 % “très informées” de l’initiative de Meta visant à étiqueter le contenu généré par l’IA sur Instagram, Facebook et Threads, la majorité d’entre elles s’attendent à ce que cette initiative ait un impact positif.

Selon les données de l’enquête :

• 16 % des spécialistes du marketing pensent que l’étiquetage de l’IA aura un impact “très positif”, améliorant très probablement la transparence et la confiance avec leur public ;
• 42 % s’attendent à un impact “plutôt positif”, améliorant potentiellement l’authenticité et l’engagement du contenu.

Cependant, seulement 27 % des entreprises interrogées indiquent systématiquement que leur contenu a été créé ou modifié par l’IA, ce qui souligne un manque de transparence généralisé alors que  44 % l’indiquent parfois et 27 % ne le mentionnent jamais.

Alors que 11 % des répondants anticipent un impact “plutôt négatif” de l’étiquetage de l’IA, probablement en raison des préoccupations liées à la perception du public et à la méfiance envers le contenu généré par l’IA, 40 % ont mis en place une politique formelle et documentée pour encadrer l’utilisation de l’IA générative dans leurs stratégies de création de contenu.

Julien Pibourret insiste sur l’importance de la transparence dans ces nouvelles pratiques :

“En communiquant de manière proactive sur l’utilisation de l’IA, les entreprises peuvent montrer leur engagement envers la transparence et l’éthique de leur stratégie de contenu online.”

Il met également en garde contre les risques d’un manque de transparence :

“Ne pas mentionner que le contenu est généré par l’IA peut compromettre la réputation d’une entreprise, affaiblir l’engagement de sa communauté et même entraîner des conséquences légales.”

La GenAI s’impose progressivement comme un pilier central dans les stratégies de marketing numérique. Mais pour tirer pleinement parti de cette technologie, les entreprises devront non seulement continuer à optimiser son utilisation, mais aussi à s’adapter aux exigences croissantes en matière de transparence et d’éthique. La clé réside dans l’équilibre entre innovation technologique et respect des attentes des consommateurs.

Le rapport “State Of The Media” de Cision, acteur majeur de l’industrie des médias et des relations publiques, dresse un panorama des défis rencontrés par les journalistes de divers secteurs et en explore les répercussions pour les équipes de relations médias. Cette année, sa quinzième édition met en lumière les spécificités des journalistes Tech face à leurs homologues d’autres secteurs, en s’appuyant sur les réponses de 3 016 journalistes de 19 marchés différents, dont 500 provenant des secteurs de la technologie et de l’ingénierie.

Les principaux défis : crédibilité, audience et IA

En 2024, les journalistes Tech partagent avec leurs homologues des autres secteurs les mêmes préoccupations fondamentales. Cependant, certaines nuances apparaissent dans les priorités :

• Maintien de la crédibilité et lutte contre les fake news – Un défi majeur pour tous, avec 43 % des journalistes Tech et 42 % des autres secteurs qui y accordent une importance primordiale ;
• Adaptation aux changements de comportements de l’audience – 41 % des journalistes Tech et d’autres secteurs estiment nécessaire de suivre l’évolution des modes de consommation des médias ;
• Déclin de la publicité et des revenus – Ce point est légèrement plus préoccupant pour la Tech (36 %) que pour les autres secteurs (34 %) ;
• Manque de personnel – Une préoccupation récurrente pour 35 % des journalistes Tech, contre 36 % pour leurs homologues ;
• Emergence de l’IA – Les journalistes de la Tech accordent une attention particulière à l’essor de l’IA, qu’ils considèrent comme le cinquième défi le plus important : 28 % contre 26% pour leurs confrères ;
• Concurrence des créateurs de contenus sur les réseaux sociaux, un défi moindre pour la Tech (24 % contre 28 % pour les autres).

Journalistes et utilisation de l’IA

Selon le rapport de Cision, le taux d’adoption de l’IA reste faible pour l’ensemble de la profession, bien que les journalistes Tech soient les plus enclins à utiliser cette technologie. Interrogés sur leur utilisation des outils d’IA générative tels que ChatGPT ou Gemini de Google, 49 % d’entre eux affirment ne pas y avoir recours du tout contre 53 % de leurs confrères. Tous secteurs confondus, les journalistes ne sont que 12 % à faire un usage régulier de la GenAI, 7 % à le faire souvent dans le secteur de la Tech contre seulement 5 % pour leurs homologues.

Les journalistes utilisent l’IA principalement pour :

• Rechercher des sujets (26 % Tech vs 23 % autres secteurs) ;
• Créer des supports multimédias (12 % Tech contre 8 % autres secteurs) ;
• Inspirer de nouvelles idées et structurer les sujets (14 % et 20 % dans la Tech, des pourcentages proches des autres secteurs).

Un usage plus intensif des réseaux sociaux

Les journalistes Tech sont les plus grands utilisateurs des réseaux sociaux : près de 98 % les utilisent dans le cadre de leur travail. Si le classement des trois premiers usages est identique pour les deux groupes, ils placent la veille de l’information en 4ème position
alors que leurs confrères préfèrent le réseautage.

L’an passé, les usages prioritaires ont été les suivants :

• Publier et mettre en avant du contenu (76 % pour la Tech contre 71 % pour les autres secteurs) ;
• Obtenir des informations (71 % vs 67 %) ;
• Echanger avec leur public (65 % vs 63 %) ;
• Faire de la veille (62 % pour la Tech, soit 8 points de plus que leurs confrères) ;
• Faire du réseautage (59 % vs 55 %) ;
• S’informer sur les sujets tendance (“trending topics”)  (55 % vs 54 %) ;
• Contrôler ou vérifier des informations (53 % vs 51 %) ;
• Se connecter avec des experts et demander des interviews (52 %, soit 5 points de plus que les autres secteurs).

LinkedIn, plateforme privilégiée des journalistes Tech

Cision a interrogé les journalistes sur leurs activités prévues sur les plateformes. Pour ceux de la Tech, LinkedIn, avec 51 %, sera la plateforme de prédilection alors que leurs homologues  penchent pour Instagram (44 %). YouTube est également en forte progression chez les journalistes Tech, avec 33 % d’entre eux prévoyant de l’utiliser davantage, contre 28 % dans les autres secteurs.

Les journalistes Tech et les communicants : une relation exigeante

Les journalistes Tech sont plus sollicités que les autres. En effet, 22 % d’entre eux reçoivent plus de 151 sollicitations par semaine, contre 15 % pour l’ensemble de la profession. Cependant, ces sollicitations sont jugées non pertinentes par près de 72 % des journalistes Tech, une tendance similaire aux autres secteurs. Malgré tout, les journalistes Tech montrent un intérêt accru pour certains types de contenus, notamment :

• Les communiqués de presse (77 %, soit 4 points de plus que la moyenne) ;
• Les rapports de recherche originaux (68 % contre 61 % pour les autres secteurs) ;
• Les interviews d’experts (52 %, un écart de 8 points par rapport aux autres secteurs).

Les informations exclusives sont également appréciées par les 2 groupes (55 %).

Les journalistes Tech sont également plus nombreux à considérer les contenus fournis par les communicants comme une source d’inspiration pour leurs sujets. Les communiqués de presse (72 %), les experts du secteur (56 %), et les courts pitchs par mail (52 %) sont pour eux les trois sources les plus utiles, suivis de la newsroom de l’entreprise (39%).

Zhipu AI, licorne chinoise spin-off de l’Université Tsinghua de Pékin a annoncé récemment le lancement de son dernier modèle text-to-vidéo CogVideoX-5B. Comme son prédécesseur, CogVideoX-2B, le modèle est open source, mais est, quant à lui, publié sous la licence CogVideoX qui permet une utilisation gratuite uniquement à des fins de recherche.

Développé avec les techniques d’IA les plus récentes, notamment un auto-encodeur variationnel (VAE) 3D et un transformateur expert pour améliorer l’alignement entre le contenu vidéo et les descriptions textuelles, CogVideoX se distingue par sa capacité à créer des vidéos cohérentes, capturant non seulement des détails visuels riches, mais aussi des mouvements complexes avec une fluidité sans précédent.

Les deux modèles génèrent des vidéos de six secondes, à une fréquence de 8 images par seconde et une résolution de 720×480 pixels. Cette dernière version surpasse son prédécesseur en termes de qualité et de performance.

Des technologies de pointe

L’un des éléments clés de l’architecture de CogVideoX est le VAE causal 3D qui permet une compression efficace des données vidéo, à la fois dans les dimensions spatiales et temporelles. Contrairement aux modèles de génération vidéo antérieurs utilisant un VAE 2D, où l’on observe couramment des scintillements, il permet d’assurer une continuité entre les images dans les vidéos produites par CogVideoX.

La structure du VAE comprend un encodeur, un décodeur et un régularisateur d’espace latent, permettant de réduire la longueur des séquences et les exigences computationnelles pendant l’entraînement, tout en maintenant une reconstruction vidéo de haute qualité.

Un Transformateur Expert pour fusionner les données textuelles et visuelles

L’Expert Transformer est lui aussi un élément essentiel de l’architecture de CogVideoX, spécialement conçu pour gérer l’interaction complexe entre les données textuelles et vidéo.

Dans les transformateurs classiques, toutes les modalités de données sont traitées de manière uniforme, ce qui peut entraîner des inefficacités, notamment lors de la combinaison d’entrées textuelles et vidéo aux caractéristiques et échelles variées. Le transformateur expert de CogVideoX utilise la technique de normalisation “Adaptive LayerNorm” (AdaLN), pour traiter distinctement les caractéristiques du texte et de la vidéo, facilitant leur intégration fluide.

Un entraînement progressif

Les chercheurs ont adopté et conçu plusieurs techniques d’entraînement avancées pour optimiser les performances du modèle. L’entraînement à durée mixte avec la méthode Frame Pack améliore les capacités de généralisation du modèle pour différentes longueurs de vidéo, tout en maintenant une qualité constante,  tandis que l’entraînement progressif, utilisant tout d’abord des vidéos basse résolution puis des vidéos de résolution de plus en plus haute, permet au modèle de capturer d’abord les détails généraux avant de les affiner.

L’échantillonnage uniforme explicite, quant à lui, stabilise la courbe de perte d’entraînement et accélère la convergence en définissant différents intervalles d’échantillonnage temporel sur chaque rang parallèle de données. Le modèle apprend ainsi efficacement sur l’ensemble de la séquence vidéo.

CogVideoX-5B

CogVideoX-2B avait été salué pour ses performances, notamment en matière de capture de mouvement humain, de contenu dynamique et de restauration de scènes. Le nouveau modèle, avec ses paramètres plus élevés, le surpasse non seulement dans ces domaines, mais également en termes de suivi des instructions, de génération vidéo et d’effets visuels.

Des exemples de vidéos qu’il a générées sont partagées sur Hugging Face.

Pour faciliter les développements futurs, les chercheurs ont rendu open-source une partie des poids du modèle CogVideoX accessible sur GitHub et du VAE 3D. Ils travaillent au développement de modèles plus grands. Pour plus d’informations sur leur approche, vous pouvez consulter leur article de recherche sur arXiv.

La sortie du modèle marque une nouvelle étape dans le domaine de la génération vidéo à partir de texte, avec des implications potentielles dans divers secteurs, allant de la production cinématographique à l’éducation, en passant par le marketing et les médias.

Intel et IBM ont annoncé une collaboration stratégique visant à intégrer les accélérateurs d’IA Intel Gaudi 3 dans IBM Cloud. Ce déploiement, prévu pour début 2025, a pour objectif de rendre l’IA d’entreprise plus abordable, performante, et sécurisée, en s’appuyant sur les capacités des processeurs Xeon de 5e génération d’Intel et les services cloud hybrides d’IBM.

L’un des points clés de cette collaboration est l’amélioration du rapport coût/performance pour les charges de travail d’IA, en particulier dans les environnements de cloud hybride. Grâce à Gaudi 3, IBM Cloud proposera des solutions flexibles et évolutives, permettant aux entreprises d’ajuster leurs ressources en fonction de leurs besoins, ce qui leur permettra réduire les coûts tout en augmentant l’efficacité opérationnelle.

Justin Hotard, vice-président exécutif et directeur général d’Intel Data Center et de l’IA, explique :

“Pour libérer tout le potentiel de l’IA, il faut un écosystème ouvert et collaboratif qui offre aux clients un choix et des solutions accessibles. En intégrant les accélérateurs d’IA Gaudi 3 et les processeurs Xeon à IBM Cloud, nous créons de nouvelles capacités d’IA et répondons à la demande de solutions informatiques d’IA abordables, sécurisées et innovantes.”

L’accélérateur d’IA Gaudi 3

IBM Cloud deviendra ainsi le premier fournisseur de services cloud à intégrer les accélérateurs Gaudi 3, conçus pour le calcul GenAI, présentés en avril dernier par Intel.

Fabriqué selon un processus de 5 nm, doté de vingt-quatre ports Ethernet 200 gigabits intégrés, Intel Gaudi 3 est conçu pour permettre à chaque composant fonctionnel, comme le moteur de multiplication matricielle (MME), les cœurs de processeur Tensor (TPC) et les cartes d’interface réseau (NIC), de travailler simultanément, permettant ainsi d’accélérer le calcul et la mise à l’échelle des opérations de deep learning, lesquelles nécessitent la réalisation simultanée de nombreuses opérations sur de grandes quantités de données.

La mémoire, avec 128 Go de capacité HBMe2 et 3,7 To de bande passante mémoire, répond aux exigences croissantes des LLMs, améliorant ainsi les performances et la rentabilité des charges de travail d’IA.

La combinaison de cette technologie avec les capacités éprouvées des processeurs Xeon de 5e génération offre une infrastructure robuste et performante, adaptée aux besoins variés des entreprises, que ce soit pour le développement, le test ou le déploiement de solutions d’IA.

Elle prend en charge les charges de travail d’IA d’entreprise dans le cloud et dans les centres de données, offrant aux clients une visibilité et un contrôle accrus sur leur pile logicielle, simplifiant ainsi la gestion des charges de travail et des applications.

IBM prévoit également d’intégrer Gaudi 3 à sa plateforme Watsonx, fournissant ainsi aux clients des ressources supplémentaires pour faire évoluer leurs charges de travail d’IA dans des environnements de cloud hybride. Cette intégration permettra d’optimiser le rapport prix/performances pour l’inférence des modèles, contribuant ainsi à une adoption plus large de l’IA dans les entreprises.

Sécurité et résilience au cœur de l’initiative

IBM et Intel s’engagent à fournir des solutions d’IA accessibles à tous les secteurs, y compris ceux soumis à des réglementations strictes. IBM Cloud, connu pour ses capacités de sécurité et de conformité, exploitera Gaudi 3 pour offrir un service d’IA robuste et sécurisé, adapté aux besoins spécifiques des entreprises modernes.

L’intégration de Gaudi 3 dans IBM Cloud Virtual Servers for VPC permettra en outre aux entreprises basées sur x86 d’exécuter des applications plus rapidement et de manière plus sécurisée, améliorant ainsi l’expérience utilisateur.

Les premières offres IBM Cloud avec Gaudi 3 seront disponibles au début de l’année 2025. Les entreprises qui cherchent à rester compétitives dans un paysage technologique en constante évolution pourront ainsi accéder à une infrastructure d’IA puissante, flexible et sécurisée, qui leur permettra de maximiser leur potentiel d’innovation.

Juniper Networks, un leader des réseaux sécurisés pilotés par l’IA, a dévoilé ce 20 août, le programme “Blueprint for AI-Native Acceleration”, visant à rationaliser et optimiser chaque étape de l’intégration de sa plateforme de mise en réseau AI-native. Grâce à ce programme complet, les clients et partenaires de l’entreprise peuvent accélérer le retour sur investissement de l’ensemble de la suite de sécurité réseau de Juniper, des campus et succursales aux datacenters et aux réseaux étendus (WAN).

Un soutien global pour l’adoption des réseaux AI-native

Le programme “Blueprint for AI-Native Acceleration” se distingue par son approche holistique, proposant une série d’initiatives pour optimiser chaque étape de l’intégration de la technologie AI-native dans les réseaux d’entreprise. Il comprend :

• Une formation complète et gratuite : Juniper offre un éventail de formations gratuites qui permettent aux entreprises de développer rapidement les compétences nécessaires pour exploiter pleinement les réseaux AI-native. Cette formation couvre non seulement les aspects techniques, mais aussi les stratégies pour optimiser les opérations réseau grâce à l’AIOps ;
• Des offres d’essai exclusives : Pour permettre aux entreprises de tester ses solutions AI-native avant de s’engager pleinement, Juniper propose des offres à durée limitée et facilite l’accès à son offre de mise en réseau AI-native pour les candidats qualifiés par le biais de ses divers programmes ;
• Des licences flexibles : Juniper introduit de nouvelles options de licences Enterprise qui offrent une plus grande flexibilité en termes d’abonnement et de gestion des licences. Ces licences sont conçues pour s’adapter aux besoins spécifiques de chaque entreprise, facilitant ainsi l’adoption des technologies AI-native ;
• Des services d’assistance innovants : Le programme inclut des services d’assistance basés sur l’IA, qui améliorent l’efficacité des opérations tout en augmentant la satisfaction des clients. Ces services sont disponibles 24h/24 et 7j/7, offrant une assistance technique dédiée, des bilans proactifs et un support tout au long du cycle de vie du réseau.

La plateforme de mise en réseau AI-native de Juniper

La plateforme de mise en réseau AI-native de Juniper, au cœur de ce programme, est conçue pour maximiser l’efficacité opérationnelle des entreprises. En exploitant des technologies AIOps de pointe, elle permet de réduire de 85% les coûts d’exploitation et les incidents réseau de 90 %. Les entreprises peuvent ainsi bénéficier d’une fiabilité accrue, d’une sécurité renforcée et d’une gestion réseau simplifiée.

Grâce au programme “Blueprint for AI-Native Acceleration”, les clients et partenaires peuvent désormais bénéficier de ces avantages, avec des déploiements jusqu’à neuf fois plus rapides.

Renforcer la confiance dans l’IA

Dans un contexte où les environnements informatiques deviennent de plus en plus complexes, soumis à des exigences et attentes élevées de la part des utilisateurs et des dirigeants d’entreprise, de nombreuses entreprises hésitent encore à tirer parti de l’IA, perdues face aux fausses affirmations et au battage médiatique qui l’entoure.

Le programme de Juniper aide les entreprises à naviguer dans l’adoption des réseaux AI-native en leur fournissant une approche structurée. Grâce à des conceptions validées et des services d’assistance proactifs, les entreprises peuvent accélérer leur adoption de l’IA tout en optimisant leurs performances réseau.

Jeff Aaron, vice-président directeur du marketing produit, Juniper Networks, conclut :

“Souvent, le plus difficile est de faire le premier pas avec les nouvelles technologies. Ce programme Juniper aide les clients à accélérer leur délai de rentabilisation grâce à la plateforme de mise en réseau AI-native, tout en améliorant leur confort et leur confiance dans l’adoption de l’IA”. 

Lors de Connect 2023, il y a déjà presque un an, Mark Zuckerberg disait vouloir rendre l’IA plus accessible à travers AI Studio, une plateforme permettant de configurer des assistants IA pour les services de messagerie Instagram, Messenger et WhatsApp, même sans compétences en programmation. Meta a annoncé la semaine dernière le déploiement de l’outil, construit sur Llama 3.1, aux Etats-Unis.

Lorsqu’il a dévoilé le développement d’AI Studio et d’un sandbox qui permettra aux personnes qui ne codent pas de créer leurs propres IA, le PDG de Meta a affirmé :

“Les gens pourront interagir avec ces IA dans tout l’univers des produits Meta. Elles auront des profils sur Instagram et Facebook et vous pourrez discuter avec elles sur WhatsApp, Messenger et en message privé sur Instagram. Enfin, elles seront incarnées par des avatars dans le métavers”.

Meta a d’ailleurs utilisé lui-même AI Studio pour créer des chatbots, chacun doté de sa propre personnalité et de ses centres d’intérêt, incarnés par des célébrités, avec lesquels les utilisateurs de ses messageries peuvent interagir. Ceux-ci vont pouvoir créer des personnages fictifs ou des versions personnalisées d’eux-mêmes.

Créer des IA en fonction de ses centres d’intérêt

Avec AI Studio, les utilisateurs peuvent créer des personnages IA adaptés à leurs besoins et préférences. Ceux-ci pourront les aider à rédiger des légendes Instagram, génèreront des mèmes hilarants, donneront des conseils de cuisine ou de voyage…

La création d’une IA sur AI Studio est simple et intuitive, une variété de modèles d’invites est disponible pour aider les utilisateurs à démarrer s’ils le désirent. Les utilisateurs peuvent se rendre sur ai.meta.com/ai-studio ou utiliser l’application Instagram pour commencer. À partir de là, ils peuvent personnaliser tous les aspects de leur IA, du nom à l’avatar, en passant par le ton et le style de communication.

Meta a également mis en place un guide détaillé avec des conseils d’experts pour aider les utilisateurs à perfectionner leurs créations. Les IA peuvent être conçues pour une utilisation personnelle ou partagées avec des amis, des abonnés ainsi que le grand public sur Instagram, Messenger, WhatsApp et le site Web AI Studio.

Exemples de créations

Pour montrer les possibilités offertes par AI Studio, Meta a partagé quelques exemples de personnages IA créés par des utilisateurs :

• Mangez comme vous y vivez ! : Créée par le chef Marc Murphy, cette IA offre des conseils culinaires personnalisés pour adopter les coutumes locales lors de  voyages ;
• What Lens Bro : Le photographe Angel Barclay a conçu une IA qui conseille sur le choix des objectifs parfaits pour des séances photo ;
• Flip Pawsitive Affirmation Dog : L’acteur et défenseur des animaux Rocky Kanaka propose une IA qui délivre des affirmations positives pour remonter le moral ;
• Sammy The Stress Ball : Créée par le groupe de mèmes Assistants vs. Agents, cette IA aide à gérer le stress quotidien au travail.

Une extension pour les créateurs de contenu

AI Studio ne se limite pas à la création d’IA amusantes et utiles. Les créateurs de contenu  peuvent également utiliser cette plateforme pour étendre leur présence en ligne. Les IA personnalisées peuvent répondre automatiquement aux messages directs, partager des liens vers du contenu pertinent et aider à gérer les interactions avec leurs abonnés.

Les créateurs peuvent personnaliser leur IA en fonction d’éléments tels que leur contenu Instagram, les sujets à éviter et les liens qu’ils souhaitent qu’elle partage. Grâce au tableau de bord professionnel de l’application Instagram, ils peuvent activer et désactiver les réponses automatiques, et même décider à qui leur IA répond. Ses réponses sont d’ailleurs clairement étiquetées pour garantir la transparence et la confiance des utilisateurs.

Des créateurs populaires comme Chris Ashley, Violet Benson, Don Allen et Kane Kallaway  permettent à leurs fans d’interagir avec leurs IA personnalisées directement via Instagram.

Sécurité et responsabilité

Meta prend la sécurité et la responsabilité très au sérieux. Des politiques et des protections rigoureuses ont été mises en place pour garantir une utilisation sûre et responsable des IA.

La société conclut la présentation de AI Studio ainsi :

“Avec AI Studio, nous faisons les premiers pas dans la création d’un monde où tout le monde peut exploiter les capacités créatives de l’IA – et ce n’est que le début”.

L’IA générative transforme le marketing sur les réseaux sociaux en automatisant la création de contenu, qu’il s’agisse de texte, d’images ou de vidéos. Selon l’étude “GenAI for Social Content Survey” de GetApp, la technologie pourrait permettre aux entreprises de générer près de la moitié de leur contenu d’ici 2026. Cependant, cette évolution technologique pose des questions cruciales concernant l’authenticité de la marque.

GetApp est une plateforme de recherche et de comparaison d’applications et de logiciels métiers acquise par Gartner en 2015. Son objectif est de permettre aux professionnels, en particulier ceux des petites et moyennes entreprises, de trouver les solutions logicielles qui répondent le mieux à leurs besoins.

Afin d’en savoir plus sur l’impact de l’IA générative sur les stratégies de marketing des médias sociaux, elle a interrogé en mai dernier 1 680 personnes (135 en France) ayant un rôle dans le marketing, les relations publiques, les ventes ou le service à la clientèle au sein d’entreprises de toutes tailles à travers le monde. Chacune d’entre elles a indiqué utiliser la GenAI pour la gestion des réseaux sociaux de son entreprise au moins une fois par mois. Cet article présente les résultats de l’étude côté français.

L’IA générative : la nouvelle norme en matière de création de contenu ?

Actuellement, 63 % des marketeurs ont déjà utilisé l’IA générative pour créer du contenu sur les réseaux sociaux, et 50 % pour produire des images de haute qualité, captant ainsi l’attention du public. Cette tendance est en forte croissance, avec 73 % des entreprises planifiant d’accroître considérablement leurs investissements dans l’IA générative dans les 18 prochains mois.

Les avantages observés incluent :

• Gain de temps : 46 % des marketeurs constatent un « temps considérable » économisé grâce à l’IA générative ;
• Meilleure gestion des tâches : 34 % notent une gestion améliorée de leur travail grâce à l’automatisation des tâches répétitives ;
• Réduction des coûts : 41 % affirment que l’automatisation permet de réaliser des économies. Une efficacité financière qui permet aux entreprises d’allouer des budgets à d’autres domaines stratégiques tels que la publicité ou l’engagement des clients.

Les plateformes Instagram, TikTok et Facebook sont les plus couramment utilisées pour ces contenus, respectivement par 81 %, 58 %, et 56 % des marketeurs.

Les défis de l’authenticité

Malgré ces avantages, l’intégration de l’IA générative pose des défis importants. Près de la moitié des marketeurs (47 %) rencontrent des difficultés pour aligner le contenu généré avec les valeurs de leur marque. La crainte de diffuser des informations erronées est également élevée, avec 57 % des répondants se déclarant « moyennement » à « très préoccupés ». En outre, 39 % des marketeurs ont du mal à faire en sorte que le contenu généré résonne avec leur audience cible.

Une supervision humaine essentielle

Pour garantir la qualité du contenu, 50 % des marketeurs insistent sur la nécessité d’une supervision humaine. Cela permet de maintenir l’alignement avec la stratégie marketing et de répondre aux attentes de l’audience. D’autres stratégies incluent l’adaptation du contenu aux tendances des réseaux sociaux (47 %) et la personnalisation pour renforcer l’engagement (41 %).

Pour GetApp, les entreprises doivent prioriser l’entraînement des modèles d’IA avec des ensembles de données diversifiés, afin de réduire les biais et refléter fidèlement la diversité du public, alors qu’aujourd’hui, seulement 24 % des entreprises interrogées le font.

Elle souligne également que signaler clairement le contenu généré par l’IA permet de maintenir la confiance des consommateurs et de garantir la transparence, mais les entreprises sont encore trop peu nombreuses à le faire (22 %).

Elicia Petit, analyste de contenu chez GetApp, conclut :

“L’IA générative offre des avantages considérables pour les marketeurs, tels que le gain de temps et la réduction des coûts. Cependant, il est crucial de maintenir une supervision humaine pour garantir que le contenu reste fidèle aux valeurs de la marque et résonne avec l’audience cible. L’authenticité ne doit pas être sacrifiée au profit de l’efficacité technologique. En intégrant soigneusement ces outils et en restant attentifs aux tendances actuelles, les entreprises peuvent maximiser les avantages de l’IA générative tout en préservant l’intégrité de leur marque”.

Retrouver l’intégralité de l’étude ici.

Des chercheurs du MIT et de l’Université de Bâle ont utilisé l’IA générative pour développer une technique basée sur la physique afin de classer les transitions de phase dans les matériaux ou les systèmes physiques. Cette méthode, nettement plus efficace que les approches d’apprentissage automatique traditionnelles, pourrait transformer la manière dont les scientifiques explorent les propriétés des matériaux. Leurs résultats ont été récemment publiés dans la revue Physical Review Letters.

Comprendre les transitions de phase

Les diagrammes de phase sont fondamentaux en physique et essentiels pour la compréhension du comportement des matériaux dans diverses conditions. Ils décrivent les états dans lesquels un matériau peut exister : l’eau, par exemple, peut être trouvée sous forme de glace, de liquide ou de vapeur. Entre ces phases, des transitions de phase se produisent en fonction de différents paramètres tels que la température ou la pression.

Les transitions de phase sont un sujet de recherche très actif, les scientifiques s’intéressent particulièrement aux transitions dans des matériaux moins conventionnels ou des systèmes complexes, tels que le passage d’un conducteur ordinaire à un supraconducteur ou d’un état non magnétique à un état ferromagnétique. Ces transitions sont détectées grâce à un “paramètre de commande” qui varie de manière significative lors du changement de phase.

Cependant, le calcul des diagrammes de phase est extrêmement complexe, reposant traditionnellement sur une expertise théorique approfondie et des techniques manuelles fastidieuses. Les systèmes physiques sont en effet constitués de nombreuses particules interagissant entre elles, créant une multitude d’états possibles, états qui étaient classés jusque-là grâce aux réseaux de neurones.

Julian Arnold, doctorant dans le groupe de Christoph Bruder de l’Université de Bâle, explique :

“Le problème est qu’un solide ou un liquide est constitué de très nombreuses particules – atomes ou molécules. Ces particules interagissent, c’est-à-dire qu’elles s’attirent ou se repoussent ; ils forment ce que l’on appelle un système à N corps. Il existe de nombreuses possibilités pour l’état général du matériau – caractérisé par la position des particules, mais aussi des propriétés supplémentaires, telles que l’orientation des spins, qui indiquent la direction de l’aimantation”.

Une nouvelle approche basée sur l’IA générative

Les chercheurs du MIT et de l’Université de Bâle ont exploité des modèles génératifs d’IA pour développer un cadre d’apprentissage automatique capable de cartographier automatiquement les diagrammes de phase des systèmes physiques. Contrairement aux classificateurs discriminants, les modèles génératifs estiment la distribution de probabilité des données et peuvent générer de nouveaux points de données qui correspondent à cette distribution, ce qui permet de construire un classificateur basé sur la physique sans nécessiter de grandes quantités de données d’entraînement.

Cette approche est inspirée de modèles d’IA générative comme ChatGPT, qui utilisent des algorithmes complexes pour générer du contenu nouveau à partir de données existantes. En appliquant cette technique aux systèmes physiques, les chercheurs peuvent estimer approximativement les distributions de probabilité des états du système, permettant une classification plus efficace et précise des phases.

Frank Schäfer, postdoctorant au laboratoire Julia du laboratoire d’informatique et d’IA (CSAIL) et co-auteur, souligne :

“C’est une très bonne façon d’incorporer quelque chose que vous savez sur votre système physique au plus profond de votre schéma d’apprentissage automatique. Cela va bien au-delà de la simple ingénierie des caractéristiques sur vos échantillons de données ou de simples biais inductifs”.

Julian Arnold teste actuellement cette méthode sur des modèles de trous noirs pour détecter leurs transitions de phase. À l’avenir, cette technique pourrait automatiser les laboratoires de physique, l’algorithme définissant automatiquement les paramètres de contrôle des expériences et calculant immédiatement les diagrammes de phase à partir des données mesurées. Les scientifiques pourraient également utiliser cette approche pour résoudre différentes tâches de classification binaire dans les systèmes physiques.

Implications pour les modèles de langage

Il est intéressant de noter que cette méthode inspirée de ChatGPT peut également être appliquée à des modèles de langage comme ChatGPT lui-même. Par exemple, la “température” de ChatGPT peut être ajustée pour contrôler la créativité de l’algorithme. Une température basse produit des résultats prévisibles, tandis qu’une température élevée génère du texte plus aléatoire et chaotique. La technique des chercheurs pourrait déterminer la transition optimale entre ces phases et ajuster les modèles de langage en conséquence.

Sources de l’article :

“Mapping Out Phase Diagrams with Generative Classifiers” : https://doi.org/10.1103/PhysRevLett.132.207301

AUTEURS ET AFFILIATIONS

Crédit Mutuel Alliance Fédérale, bancassureur de premier plan en France pionnier dans l’adoption de l’IA, intensifie ses efforts pour intégrer les technologies de pointe dans ses opérations quotidiennes. En collaboration avec IBM, la banque mutualiste se prépare à déployer des solutions d’IA générative innovantes qui transformeront les services offerts à ses clients et sociétaires.

Crédit Mutuel Alliance Fédérale regroupe 14 fédérations du Crédit Mutuel qui est partenaire d’IBM depuis plus de 50 ans. Leur collaboration autour de l’intelligence artificielle a débuté il y a environ huit ans avec la création par sa filiale technologique, Euro-Information, et IBM, d’un centre de compétences dédié au développement de solutions d’IA à Strasbourg : “Cognitive Factory”. En 2021, les deux partenaires annonçaient le lancement d’AmbitionS, un nouveau pôle d’excellence technologique permettant d’accélérer l’offre de services et technologies comme l’IA ou le cloud privé, en synergie avec la plateforme IBM Z, pour les clients et adhérents, partenaires et salariés de toutes les fédérations de Crédit Mutuel, et leurs filiales.

Une nouvelle étape dans la collaboration avec IBM

Depuis son adoption précoce de l’IA, Crédit Mutuel Alliance Fédérale a fait des avancées significatives en utilisant ces technologies pour optimiser ses opérations. En 2023, l’IA a permis de libérer près d’un million d’heures de travail administratif, donnant à ses 25 000 conseillers plus de temps pour se concentrer sur les besoins de leurs sociétaires et clients.

En 2017, la banque mutualiste exploitait la solution Watson d’IBM pour aider ses collaborateurs du Crédit mutuel à faire face à l’afflux de mails, la plateforme d’IA et de données Watsonx d’IBM est désormais déployée sur l’infrastructure de calcul interne du Crédit Mutuel.

Ce dernier a pour ambition de déployer progressivement 35 cas d’usages d’IA générative dans ses réseaux et ceux de sa filiale CIC, les trois premières solutions devraient être disponibles dès cet été. Ces cas d’usage couvriront divers aspects des opérations bancaires, allant de l’amélioration de l’expérience client à la gestion des risques et à la conformité.

Éric Petitgand, directeur général de Crédit Mutuel Alliance Fédérale, commente :

“Depuis huit ans, la réussite de notre collaboration avec IBM dans les technologies d’intelligence artificielle démontre la pertinence de notre stratégie combinant engagement mutualiste et innovation. Avec watsonx, les équipes d’Euro-Information et d’IBM, réunies au sein de la Cognitive Factory, travaillent à l’industrialisation de 35 nouveaux cas d’usages pour permettre à nos conseillers bancaires d’offrir toujours les meilleurs services à nos clients et sociétaires”.

InstructLab et développement sur mesure

Parallèlement, Crédit Mutuel teste InstructLab, développé conjointement par IBM et Red Hat, introduit lors de l’édition 2024 de Think, le mois dernier. Ce projet communautaire qui permet aux développeurs de concevoir des modèles d’IA génératives spécifiques à leurs domaines avec leurs propres données, sera utilisé pour développer des modèles d’IA spécifiques au domaine bancaire à partir des données internes de l’institution. Frantz Rublé, président d’Euro-Information, souligne l’importance de cette approche pour adapter l’IA générative aux engagements éthiques et spécifiques de Crédit Mutuel.

Amélioration de l’expérience client

Avec l’aide d’IBM Consulting et de la Cognitive Factory d’Euro-Information, Crédit Mutuel a déjà déployé plusieurs solutions d’IA avancées. Les nouveaux développements incluront des outils comme MonIA, qui propose une large gamme de services basés sur l’IA tels que la synthèse de documents et la transcription de rendez-vous. Les conseillers bancaires bénéficieront également de modèles de réponses aux courriels clients et d’un assistant IA pour des réponses personnalisées, augmentant ainsi leur efficacité et la qualité du service client.

Une IA éthique et de confiance

Crédit Mutuel Alliance Fédérale s’engage à utiliser l’IA de manière éthique et responsable. La Chambre Syndicale et Interfédérale de l’institution a adopté une charte pour une IA de confiance, soutenue par watsonx.governance d’IBM, afin de garantir le respect de l’intimité numérique et l’utilisation transparente des données.

Quantiq, une DeepTech française, vient d’annoncer la finalisation d’une première levée de fonds de 2,6 millions d’euros. Ce financement, réalisé auprès d’un pool de business angels et de la BPI, lui permettra de finaliser la certification médicale de sa technologie en Europe et aux USA, de mener de nouvelles études cliniques et de poursuivre ses ambitions dans le domaine de la santé connectée.

Une technologie de rupture pour le suivi médical

Fondée en 2020 par Alain Habra et Fabien Niel, Quantiq développe une technologie innovante capable de transformer n’importe quelle caméra, webcam ou smartphone en un dispositif médical. Cette solution permet de mesurer en seulement 30 secondes les paramètres vitaux à distance, comme la pression sanguine et la fréquence respiratoire, mais également des indicateurs physiologiques clés tels que la cohérence cardiaque, la variabilité du rythme cardiaque ou le stress.

Le principe repose sur la mesure du taux d’absorption de la lumière par le sang circulant sous la peau du visage du patient. En combinant expertises médicales, physique, traitement d’images avancé et IA, Quantiq est en mesure de fournir des diagnostics précis et rapides.

Répondre à la pénurie de dispositifs médicaux

Le suivi des patients est crucial, surtout pour les 2 milliards de personnes souffrant de maladies chroniques. Actuellement, la production de dispositifs médicaux est insuffisante : seulement 100 millions d’unités sont produites chaque année, alors que pour répondre aux besoins, un milliard seraient nécessaires. Quantiq entend pallier cette insuffisance grâce à sa technologie accessible et facile à intégrer via une API.

Validation clinique et perspectives de certification

Quantiq a déjà mené des études cliniques sur près de 500 patients dans plusieurs hôpitaux français, le CHU de Bordeaux, le CHR de Metz-Thionville et l’Hôpital Saint-Joseph de Paris, démontrant une fiabilité et une précision comparables aux standards hospitaliers actuels, et supérieures à celles des autres solutions de RPPG (Remote Photoplethysmography). D’autres études sont en cours, notamment avec le Médipôle Lyon Villeurbanne, pour continuer de valider et affiner la technologie.

De nombreux acteurs clés de la santé européens (hôpitaux, plateformes de télésurveillance, de la médecine à domicile) se disent prêts à adopter sa solution dès qu’elle aura obtenu la certification médicale CE Class IIA .

Les 2,6 millions d’euros levés permettront non seulement à Quantiq de finaliser le processus de certification médicale en Europe et aux USA mais également de poursuivre les études cliniques pour valider de nouvelles constantes, comme la détection des fibrillations atriales, responsables de 30 % des AVC dans le monde, et la mesure du taux d’hémoglobine alors que 1,6 milliard de personnes souffrent d’anémie.

.Alain Habra, PDG de Quantiq, conclut :

“Cette levée de fonds marque une étape clé dans notre développement et notre mission de réduire les inégalités d’accès aux diagnostics et aux soins. Nous disposons à présent de toutes les clés de succès pour devenir le hub de la santé sur smartphone du secteur médical et nous nous en réjouissons”.

Micron Technology, l’un des leaders mondiaux en fabrication de solutions de mémoire et de stockage, a annoncé jeudi dernier le lancement de l’échantillonnage de sa puce de mémoire graphique de nouvelle génération, la GDDR7, prenant en charge les GPU. Grâce à une densité de bits améliorée et une bande passante système de plus de 1,5o/s, elle élargit de manière significative les possibilités de charges de travail dans les domaines de l’IA, des jeux et du calcul haute performance (HPC).

S’appuyant sur la technologie DRAM 1β (1-bêta) et une architecture innovante, la GDDR7 de Micron offre une vitesse de mémoire impressionnante de 32 Gbit/s, tout en optimisant la consommation d’énergie. Comparée à la GDDR6, elle améliore la bande passante système de jusqu’à 60% et introduit quatre canaux indépendants pour une gestion optimale des charges de travail. Ces avancées se traduisent par des temps de réponse plus rapides, un gameplay plus fluide et des temps de traitement réduits, améliorant ainsi l’expérience utilisateur.

En termes d’efficacité énergétique, la GDDR7 surpasse la GDDR6 de plus de 50% et réduit la consommation d’énergie en mode veille jusqu’à 70%, grâce à un nouveau mode veille. De plus, les fonctionnalités avancées de fiabilité, disponibilité et maintenabilité (RAS) de la GDDR7 assurent une meilleure intégrité des données et une plus grande fiabilité des appareils sans compromettre les performances. Ces caractéristiques font de la GDDR7 une solution idéale pour les applications d’IA, de jeux et de HPC.

L’intégration de la GDDR7 dans l’offre de Micron enrichit son portefeuille de produits de pointe pour les applications d’inférence IA avancée, couvrant les composants CPU, NPU et GPU, avec des options de mémoire DDR, LPDDR et GDDR. Pour les applications de jeu, la mémoire GDDR7 de Micron permet d’améliorer le gameplay grâce à l’IA, offrant des paysages, des joueurs et des scénarios adaptables grâce à la mise à l’échelle des performances et à l’optimisation de la mémoire tampon de trame.

Les premiers résultats montrent que la GDDR7 de Micron peut augmenter le débit des tâches d’IA générative jusqu’à 33% et réduire le temps de réponse de jusqu’à 20%. Pour les jeux, les cartes graphiques équipées de GDDR7 offriront une amélioration de plus de 30% des images par seconde (FPS ou IPS) pour le ray tracing et la rastérisation, par rapport à la GDDR6 et la GDDR6X dans les résolutions 1080p, 1440p et 4K.

La transition vers la GDDR7 est soutenue par l’introduction de la signalisation PAM3, qui améliore le rapport signal/bruit (SNR), basée sur le succès de la technologie PAM4 de la GDDR6X, garantissant des performances accrues pour les futures générations de produits.

Plusieurs de ses partenaires utilisent déjà cette nouvelle puce. Parmi eux, AMD pour améliorer les performances de ses cartes graphiques et Cadence pour tester et valider ses sous-systèmes IP de mémoire, notamment l’IP GDDR7 PHY fonctionnant à des vitesses allant jusqu’à 36 Gb/s.

Praveen Vaidyanathan, vice-président et directeur général du Compute Products Group chez Micron, souligne :

“Micron est une fois de plus à la pointe de l’innovation en matière de mémoire en développant des solutions à la plus haute bande passante, construites avec un processus et une technologie d’interface avancée pour maintenir notre leadership en matière de performances graphiques. Les capacités exceptionnelles de la mémoire GDDR7 de Micron permettent d’atteindre de nouveaux niveaux de réalisme et de performance pour les applications les plus exigeantes”.

La puce Micron GDDR7 sera disponible au cours du second semestre 2024.

Bpifrance a annoncé ce mardi 21 mai le lancement de “H”, une start-up spécialisée en modèles de fondation et d’IA agentique, accompagné d’une levée de fonds initiale de 220 millions de dollars. Parmi les investisseurs figurent des géants mondiaux tels qu’Accel, Amazon, UiPath, Bpifrance via son fonds Large Venture, Eric Schmidt ou Xavier Niel. D’autres investisseurs les ont rejoints notamment Aglaé Ventures, Creandum, Eurazeo, FirstMark, Motier Ventures, Samsung Ventures et Visionaries Club de Bernard Arnault.

“H” se distingue par son objectif ambitieux : introduire la puissance de la GenAI dans les entreprises du monde entier grâce à une nouvelle génération de modèles multimodaux, spécialisés sur l’action. Ces modèles, conçus pour raisonner, planifier et collaborer, visent à révolutionner des secteurs entiers et à rendre l’intelligence artificielle générale (IAG ou AGI), une réalité tangible.

Une équipe de classe mondiale

L’équipe de la start-up se compose de 25 ingénieurs et chercheurs en IA, provenant de grandes entreprises (un bon nombre est passé chez DeepMind), de laboratoires universitaires et de scale-ups. Voici quelques membres clés de l’équipe :

• Charles Kantor (CEO) : L’un des cofondateurs et le CTO de “H” qu’il a effectivement lancé en septembre dernier. Diplômé de Stanford, il mène la vision de l’entreprise ;
• Karl Tuyls (Chief Research Operations) : Ancien directeur de recherche chez DeepMind, il a contribué à des projets majeurs comme AlphaRank et DeepNash ;
• Laurent Sifre (CTO) : Ancien scientifique principal chez DeepMind, connu pour son travail sur AlphaGo, AlphaFold, et d’autres projets phares ;
• Daan Wierstra (Chief Scientist) : Principal Scientist, chez DeepMind, il est un co-inventeur des réseaux Q profonds et de deepRL. Il rejoindra prochainement l’équipe de H ;
• Julien Perolat (Chief Multi-Agent) : Ex-chercheur chez DeepMind, il a codirigé des travaux fondamentaux sur la théorie des jeux et l’apprentissage par renforcement multi-agents.

L’investissement de 220 millions de dollars servira à renforcer les talents de recherche de l’entreprise et à acquérir les capacités de calcul et les données nécessaires pour développer des modèles d’IA de pointe. H vise à créer des architectures agentiques et verticales capables de transformer la productivité des entreprises et des consommateurs à grande échelle.

Collaborations stratégiques

Outre ce financement, la jeune pousse bénéficiera de partenariats stratégiques avec certains des investisseurs, notamment avec UiPath. Lui apportant un soutien commercial, technologique et un accès au marché, ces alliances renforceront sa capacité à déployer ses innovations dans divers secteurs.

Charles Kantor, CEO de H, affirme :

“J’ai une grande chance de pouvoir construire cette aventure aux côtés de co-fondateurs aussi brillants, d’investisseurs passionnés, ainsi que de nos partenaires stratégiques.

Avec H, nous établissons une approche de l’Intelligence Artificielle qui n’est pas seulement état-de-l’art, mais aussi H-olistique et H-umaine. L’équipe est unie autour d’une mission tout aussi simple qu’ambitieuse : faire progresser la productivité de milliards de personnes. Nous sommes déterminés à transformer des secteurs entiers ainsi que nos expériences quotidiennes, en faisant du tandem homme-ordinateur une réalité, et ouvrant la voie à une Intelligence plus générale et plus complète”. 

Les réseaux sociaux sont devenus au fil des ans des espaces commerciaux. La plateforme client HubSpot vient de publier son rapport “Social Media Trends 2024” réalisé en collaboration avec Meltwater. Cette étude, réalisée auprès de marketeurs de divers secteurs du monde entier, souligne l’omniprésence des réseaux sociaux dans les stratégies marketing des entreprises, leur usage pour le service client et la vente en ligne ainsi qu’une utilisation croissante de l’IA générative pour se démarquer. 

Internet a révolutionné le commerce, permettant au potentiel client à la recherche d’un produit de comparer rapidement les offres des différentes marques. Toutefois les habitudes des consommateurs en ligne ont changé : plutôt que de parcourir les sites web, ils achètent de plus en plus sur la recommandation d’un ami ou d’un influenceur.

Face aux défis du marketing moderne, les équipes ont besoin de solutions innovantes pour répondre aux attentes croissantes des clients et aux changements rapides des modes de consommation. Avec des budgets réduits, elles doivent optimiser leurs ressources et leur temps. L’IA et l’automatisation sont donc des alliés précieux pour les marketeurs, qui peuvent se libérer des tâches répétitives et stimuler leur créativité, notamment grâce à l’IA générative.

Un précédent rapport de HubSpot a révélé que les marketeurs ciblent avant tout les acheteurs qui ont grandi en ligne. Soixante-quatorze pour cent des marketeurs veulent atteindre les Millennials (personnes nées entre 1980 et 2000) et 67 % veulent engager la génération X (entre 1965 et 1979), seuls 27 % d’entre eux se disant intéressés par les audiences des baby-boomers. Les réseaux sociaux Facebook, Instagram, YouTube et TikTok leur offrent aujourd’hui le meilleur retour sur investissement.

Pour 78 % des marketeurs français, les réseaux sociaux deviennent des canaux de contact privilégiés pour le service client.

Les marketeurs français pionniers de l’utilisation de la GenAI sur les réseaux sociaux

Parmi les 10 tendances en matière de marketing sur les réseaux sociaux en 2024 révélées par cette dernière étude, la principale est l’intégration d’outils d’IA générative dans les stratégies marketing.

En effet, la quasi-totalité des professionnels du marketing interrogés (97 %) envisage d’exploiter des fonctionnalités d’IA intégrées aux plateformes sociales pour la création de contenu. Ces fonctionnalités IA in-App comprennent la génération et l’édition d’images, la rédaction de légendes et l’utilisation de chatbots pour gérer les interactions et les réponses aux messages.

Bien que certains d’entre eux restent sceptiques quant à son impact sur la réputation de la marque et à la capacité à pouvoir créer du contenu qui se démarque des concurrents, les marketeurs français sont plutôt en avance : 84 % utilisent déjà l’IA générative pour créer du contenu sur les réseaux sociaux, contre 73 % au niveau mondial. Parmi eux, 69 % estiment que les contenus générés avec l’IA obtiennent des performances supérieures aux contenus créés sans IA.

La montée du “Social Searching” et son impact sur le marketing

Les réseaux sociaux prennent désormais le relais des moteurs de recherche traditionnels (Google, Bing, Yahoo) : avant d’acheter, les consommateurs se tournent de plus en plus vers les réseaux sociaux, une tendance observée notamment chez les plus jeunes.

Les réseaux sociaux sont identifiés comme un canal de vente efficace : une grosse majorité de marketeurs français (82 %) estime que les consommateurs seront plus enclins à acheter des produits directement via les réseaux sociaux que sur les sites web des marques, une tendance qui gagne également en popularité à l’échelle mondiale.

Les marques doivent donc adapter leurs stratégies marketing pour répondre à cette nouvelle réalité, en mettant l’accent sur la visibilité et l’engagement sur les plateformes sociales.

Le rôle croissant du marketing d’influence

Le précédent rapport de HubSpot révélait qu’en 2023, un consommateur sur quatre a acheté un produit sur la recommandation d’un influenceur.

La collaboration avec des influenceurs et des créateurs de contenu reste une stratégie clé pour les marques, 77 % des entreprises françaises collaborent avec des influenceurs ou créateurs de contenus, notamment sur YouTube et Instagram, contre 62 % des entreprises au niveau global. 74 % des marques françaises prévoient d’augmenter leurs investissements dans le marketing d’influence cette année, contre 55 % à l’échelle mondiale.

Par ailleurs, les entreprises françaises semblent privilégier la qualité à la quantité : 39 % travaillent avec des nano-influenceurs contre 24 % au niveau mondial. Au-delà de coûter moins cher, les nano-influenceurs représentent une opportunité pour les marques de se connecter à des communautés certes plus restreintes, mais particulièrement engagées.

La montée des contenus éducatifs

En France, les contenus éducatifs (infographie, tutoriel, Q&R avec un expert…) gagnent en popularité et en impact. Les marketeurs le considèrent comme le deuxième type de contenu ayant généré le plus de retour sur investissement en 2023 et reconnaissent de plus en plus l’importance de ce type de contenu pour susciter l’intérêt des consommateurs et renforcer la crédibilité de la marque. Les investissements dans ce domaine devraient d’ailleurs augmenter dans les mois à venir.

Pour découvrir toutes les tendances et les conseils de HubSpot pour optimiser la stratégie marketing cliquer ici

Au cœur de l’économie de l’attention, le temps que nous passons sur les écrans dont nous sommes de plus en plus dépendants. Alors que plateformes en ligne et entreprises rivalisent pour capter et maintenir l’attention des utilisateurs qui leur permettra d’engranger des revenus publicitaires, Anne Alombert, philosophe et membre du Conseil national du numérique, propose d’agir à la source en limitant le pouvoir des grandes entreprises technologiques plutôt que de contrôler les usages des citoyens comme il est envisagé, afin de protéger les libertés d’expression et de pensée.

Un récent sondage de l’Ifop sur les Français et l’addiction au numérique révèle que 65% des Français se considèrent dépendants de leur smartphone. Ce pourcentage monte à 89% pour les 18-24 ans qui passeraient en moyenne 7 heures/jour sur Internet. Cette addiction est devenue une préoccupation sociétale, le Parlement européen a d’ailleurs appelé en décembre dernier la Commission à légiférer pour contrer la nature addictive des jeux en ligne, des médias sociaux, des services de streaming et des marchés en ligne.

Une des principales préoccupations soulevées par Anne Alombert, co-pilote des travaux du Conseil national du numérique sur l’économie de l’attention, est l’émergence des IA génératives qui, en raison de leur fonctionnement probabiliste fermé, risquent d’accentuer l’uniformisation des contenus, de renforcer les biais existants, contribuant ainsi à la désinformation et constituant une menace sérieuse pour le débat public et la démocratie elle-même.

Elle déclare en préambule dans sa note “De la recommandation algorithmique privée aux pratiques citoyennes et contributives : assurer nos libertés à l’ère de l’intelligence artificielle” :

“Face aux effets de l’économie de l’attention, que le développement des  “intelligences artificielles génératives” risque d’aggraver, les propositions fleurissent : interdiction des  smartphones dans certains lieux publics, rationnement du nombre de gigas quotidiens, etc. Mais est-il bien raisonnable de vouloir contrôler les usages des citoyens sans s’être efforcé, d’abord, de limiter le pouvoir des plateformes ? En démocratie, le rôle de la puissance publique n’est-il pas d’abord de nous protéger de l’influence grandissante des entreprises privées sur nos libertés d’expression et de pensée ? Si ce sont les fonctionnalités technologiques et les modèles d’affaires des géants du numérique qui sont à l’origine de la captation des attentions et de la désinformation généralisée, prenons le problème à sa racine plutôt que de nous attaquer à ses effets.”

Selon elle, la puissance publique a un rôle fondamental à jouer, avant toute chose pour transformer le fonctionnement et les interfaces des plateformes afin de rendre possible l’exercice des libertés, aujourd’hui menacées. Elle propose deux leviers, faciles à activer, qui, par ailleurs, pourraient constituer les principes d’un projet européen pour un numérique à la fois démocratique et contributif : des algorithmes de recommandation citoyenne et le dégroupage des réseaux sociaux.

Conçus à l’origine comme des espaces de divertissement, de partage et de libre expression, les réseaux sociaux sont petit à petit devenus des lieux de cyberharcèlement, de violence en ligne et de désinformation, où aucune innovation extérieure n’est possible, captant une part importante de la valeur des contenus qui les alimentent.

Les algorithmes de recommandation contributive et citoyenne remplaceraient ceux de recommandation automatique de contenus. Fondés sur une diversité de critères et sur l’avis des utilisateurs, ils seraient à mêmes de recréer de la confiance dans les contenus proposés alors que seulement 16% des 68% de Français à s’informer sur les réseaux sociaux déclarent avoir confiance dans ces plateformes selon une étude publiée par La Croix.

Anne Alombert explique :

“À travers une multiplicité de systèmes de recommandations, il s’agit de réinventer le pluralisme médiatique dans l’espace numérique, au lieu de soumettre la circulation des informations aux intérêts financiers des plateformes”.

Ajoutant :

“Il serait temps d’appliquer aux réseaux sociaux les principes d’ouverture nous permettant de toucher du doigt le réel apport des médias numériques : dépasser l’alternative entre privé et public par des pratiques citoyennes et contributives”.

Pour le Conseil national du numérique, ces changements structurels et économiques sont juridiquement atteignables notamment à travers le dégroupage des réseaux sociaux, proposition portée par de nombreuses ONG, associations, organismes, chercheurs et chercheuses en France et en Europe comme Maria Luisa Stas.

Il déclare :

“En contraignant les plateformes à s’ouvrir à des innovations tierces, la puissance publique garantirait une liberté d’innover, de choix et de pensée, et inciterait les entreprises à renouveler des modèles économiques aujourd’hui potentiellement toxiques. Autant de mesures politiques qui pourraient constituer un projet européen démocratique et contributif pour les prochaines années, dans la continuité des règlements européens et de la récente résolution du Parlement européen sur les interfaces addictives. La marche est accessible et l’enjeu est de taille : faire le pari de la démocratie numérique”.

Retrouver la note d’Anne Alombert ici

C’est sur X qu’Elon Musk a annoncé la pose de l’implant cérébral de la société Neuralink, dont il est un des cofondateurs, sur un humain. Selon lui, l’opération s’était bien passée et les premiers résultats montraient une activité neuronale prometteuse.

La start-up Neuralink a été cofondée en juillet 2016 par Elon Musk et une équipe de scientifiques et d’ingénieurs. Son objectif était de développer un dispositif d’interface cerveau-machine implantable afin d’améliorer la vie des personnes atteintes de graves lésions cérébrales et de la moelle épinière, dans le but final de créer une interface cérébrale complète capable de connecter plus étroitement l’intelligence biologique et artificielle.

Si en 2019 Elon Musk envisageait l’installation du dispositif sur un patient humain en 2020, il a du patienter jusqu’au 29 janvier dernier.

La technologie de Neuralink consiste en une puce informatique dotée d’électrodes qui est implantée à la surface du cerveau par un robot chirurgical. En effet, l’activité cérébrale était dans un premier temps enregistrée à partir de 1024 électrodes réparties sur 64 fils, mais ceux-ci sont si minces qu’ils ne peuvent être insérés par la main humaine, Neuralink a donc conçu un robot capable de le faire.

La société a fait état de progrès significatifs dans la miniaturisation des composants, l’augmentation du nombre d’électrodes et l’amélioration de la fiabilité des interfaces. Le dispositif amélioré se compose à présent de 96 sondes, chacune d’entre elles comprend 32 électrodes, ce qui représente un total de 3 072 électrodes placées dans  le cerveau.

Si à l’origine les implants ont été conçus afin de venir en aide aux personnes atteintes de paralysie ou de cécité, ils pourraient être ensuite utilisés pour combattre les maladies neuro-dégénératives comme celles d’Alzheimer ou de Parkinson. Selon Elon Musk, ils pourraient également aider à lutter contre l’obésité, l’autisme, la dépression et la schizophrénie et même permettre la navigation sur Internet et la télépathie.

En mai 2023, Neuralink a reçu l’approbation de la FDA pour des essais cliniques sur les humains après avoir expérimenté le dispositif sur des animaux. Ce qui a d’ailleurs valu à la start-up d’être accusée de maltraitance animale et d’être au cœur de plusieurs polémiques.

En février de la même année, le département américain des Transports avait annoncé mener une enquête sur Neuralink après qu’une organisation de défense des animaux ait accusé la startup d’avoir transporté des matières contaminées provenant de primates malades sans avoir suivi la procédure.

Parallèlement, elle faisait l’objet d’une enquête fédérale pour maltraitance animale, certains de ses employés s’étant plaints de la précipitation des tests réalisés sur les animaux. Elon Musk aurait demandé à son personnel d’accélérer les tests sur des singes, des porcs et des moutons causant la mort de nombre d’entre eux.

Télépathie, le premier implant de Neuralink

Suite à l’approbation de la FDA, Neuralink avait demandé aux personnes souffrant de paraplégie, de cécité, de surdité et/ou d’aphasie souhaitant participer aux essais cliniques de s’inscrire sur son “Registre des patients”.

Elon Musk n’a pas spécifié de quel handicap était atteinte la personne à qui a été posée l’implant de Neuralink, il a néanmoins  déclaré “Le premier produit de Neuralink s’appelle Télépathie. Il permet de contrôler votre téléphone ou votre ordinateur, et à travers eux presque n’importe quel appareil, simplement par la pensée”. 

Si Neuralink s’en tient à ses projets, le premier essai clinique chez l’humain ou étude PRIME (abréviation de Precise Robotically Implanted Brain-Computer Interface) visera à évaluer la sécurité de l’implant, du robot chirurgical ainsi que la fonctionnalité initiale de l’interface cerveau-machine dont l’objectif est de permettre aux personnes paralysées de contrôler des dispositifs externes par la pensée.

Les puces implantables sont le sujet de nombreuses recherches, une équipe de l’EPFL a ainsi conçu une neuro-puce pour détecter et atténuer les symptômes de maladies neurologiques. La startup Cortera Neurotechnologies a mis au point dès 2019 un implant intelligent de stimulation cérébrale pour la maladie de Parkinson. Certains malades atteints de cette maladie se voient depuis des années proposer la pose d’électrodes de stimulation dans le cerveau.

Selon Elon Musk, les dispositifs de Neuralink pourraient être régulièrement mis à niveau, ce qui soulève des questions éthiques et de sécurité.

Si l’implant de Neuralink n’apporte pas une révolution dans le domaine des neurosciences, il ouvre néanmoins des perspectives dans le traitement des maladies neurologiques.  Neuralink devra toutefois prouver à la FDA que ses dispositifs sont sûrs et fiables avant d’envisager leur mise sur le marché.

La découverte de nouveaux matériaux est un processus long et coûteux, qui repose souvent sur des expériences empiriques et des simulations complexes. Pour accélérer la découverte d’électrolytes solides pour les batteries, un domaine de recherche très actif en raison des enjeux environnementaux et économiques liés au stockage de l’énergie, des chercheurs de Microsoft et du Pacific Northwest National Laboratory ont développé une approche innovante qui combine IA et calcul haute performance (HPC) dans le cloud. Leur méthode leur a permis d’explorer un vaste espace chimique et de prédire de nouveaux matériaux stables et fonctionnels, qu’ils ont ensuite synthétisé et caractérisé expérimentalement.

Les électrolytes sont des matériaux qui permettent le transport des ions entre les électrodes d’une batterie. Dans les batteries lithium-ion, utilisées dans une large gamme d’applications, des smartphones aux véhicules électriques, les électrolytes qui transportent les ions entre les deux électrodes de la batterie, l’anode et la cathode, sont liquides, potentiellement inflammables ou toxiques.

Le développement de batteries à électrolytes solides qui offrent des avantages en termes de sécurité, de performance et de durabilité est un objectif majeur des scientifiques des matériaux. Il est d’ailleurs l’objectif du projet ELIAS, porté par Saft et mis en œuvre par un consortium d’acteurs académiques et industriels, lancé en mai 2023 et soutenu par France 2030.

Cependant, il est difficile de trouver des électrolytes solides qui réunissent toutes les propriétés requises, telles que la stabilité thermique, la stabilité électrochimique, la conductivité ionique et la compatibilité avec les autres composants de la batterie.

Pour relever ce défi, les chercheurs de Microsoft et du Pacific Northwest National Laboratory ont utilisé des modèles d’IA pour filtrer plus de 32 millions de candidats selon des critères de stabilité, de bande interdite, de fenêtre de stabilité électrochimique et de diffusivité des ions Li ou Na. Ces modèles d’IA sont basés sur des réseaux neuronaux de graphes, capables de représenter et d’apprendre les propriétés des structures cristallines, comme l’ont démontré récemment les chercheurs de Google DeepMind avec GNoME.

Ils les ont entraînés sur des données issues de calculs quantiques et de bases de données publiques et les ont déployés sur des ressources de calcul dans le cloud, ce qui a permis de réduire le temps et le coût de la découverte de matériaux.

Parmi les candidats filtrés par les modèles d’IA, les auteurs ont sélectionné les plus prometteurs pour les soumettre à des calculs plus précis basés sur la théorie de la fonctionnelle de la densité (DFT) et la dynamique moléculaire ab initio (AIMD). Ces calculs, effectués sur Azure Quantum Elements de Microsoft, qui donne accès à un superordinateur basé sur le cloud et adapté à la recherche en chimie et en science des matériaux, ont permis de confirmer la stabilité et la conductivité des matériaux, ainsi que d’évaluer d’autres propriétés comme la dureté, la densité et le coût. Les chercheurs ont également éliminé les matériaux rares ou toxiques et ainsi identifié 23 candidats finaux, dont 5 déjà connus.

Ils ont ensuite synthétisé et caractérisé les structures et les conductivités de leurs meilleurs candidats. Au lieu d’utiliser soit des ions lithium (Li) soit des ions sodium (Na) comme conducteurs, ils ont choisi une approche peu conventionnelle : les combiner. L’introduction de Li à la place de Na a considérablement amélioré la conductivité ionique dans un nouveau matériau d’électrolyte solide prometteur, Na2LiYCl6, par rapport au matériau parent Na3YCl6. De plus, l’introduction de lithium a entraîné une réduction significative de l’énergie d’activation par rapport au matériau parent, ce qui indique un processus de diffusion ionique plus efficace. Cette amélioration de la conductivité et la réduction de l’énergie d’activation sont probablement dues à la présence des ions Li+ dans le transport ionique, ainsi qu’à des modifications potentielles de la structure cristalline.

Ce nouveau matériau ouvre des perspectives pour la conception de batteries solides polyvalentes. Les auteurs soulignent que l’intégration de l’IA et du HPC dans le cloud permet non seulement d’accélérer la découverte de matériaux, mais aussi de démocratiser le processus de découverte en rendant les ressources de calcul facilement accessibles et reproductibles.

Leurs travaux illustrent le potentiel de l’IA et du HPC dans le cloud pour transformer la découverte de matériaux et favoriser l’innovation scientifique et technologique. Les auteurs envisagent de poursuivre leurs recherches en explorant d’autres espaces chimiques, en affinant leurs modèles d’IA et en validant leurs candidats dans des systèmes de batteries solides. Ils espèrent que leur approche inspirera d’autres chercheurs pour la découverte de nouveaux matériaux avec des propriétés ciblées.

Références de l’article :

“Accelerating computational materials discovery with artificial intelligence and cloud high-performance computing: from large-scale screening to experimental validation” arXiv:2401.04070v1 8/01/2024

Auteurs :
Chi Chen1, Dan Thien Nguyen2, Shannon J. Lee2, Nathan A. Baker1, Ajay S. Karakoti2, Linda Lauw1, Craig Owen3, Karl T. Mueller2, Brian A. Bilodeau1, Vijayakumar Murugesan2, Matthias Troyer1

1 Azure Quantum, Microsoft,
2 Physical and Computational Sciences Directorate, Pacific Northwest National Laboratory,
3 Microsoft Surface, Microsoft.

Material Projects, une base de données en libre accès du Berkeley Lab, permet aux chercheurs d’accéder à des informations cruciales sur divers matériaux, Google DeepMind a permis avec son outil GNoME d’y ajouter 380 000 structures cristallines. Certains des calculs de GNoME ont été utilisés avec les données du projet Materials pour tester A-Lab, un laboratoire futuriste du Berkeley Lab, combinant robotique et IA pour accélérer la découverte de nouveaux matériaux.

Fondé en 1931, le Lawrence Berkeley National Laboratory (Berkeley Lab), est un laboratoire national multiprogramme géré par l’Université de Californie pour le compte de l’Office of Science du département de l’Énergie des États-Unis. Le laboratoire A-Lab, qui y est installé, a démarré ses activités en février dernier et fonctionne 24h/24, 7 jours/7.

Material Projects : une base de données pour la découverte de matériaux

Lancé en 2011 par le Berkeley Lab, le Materials Project est le dépôt d’informations en libre accès sur les matériaux inorganiques qui compte le plus grand nombre d’utilisateurs (400 000) dans le monde. En calculant les propriétés des matériaux connus ou prédits, il permet aux chercheurs de se concentrer sur des matériaux prometteurs pour les technologies futures, comme des alliages plus légers qui permettraient d’économiser le carburant, des cellules solaires plus efficaces pour stimuler les énergies renouvelables ou des transistors plus rapides pour la prochaine génération d’ordinateurs.

Google DeepMind a utilisé les informations du projet Materials pour développer l’outil  GNoME, basé sur le deep learning, qui a permis la découverte de 2,2 millions de nouveaux cristaux, dont 380 000, considérés comme stables et prometteurs pour des applications technologiques futures, ont été ajoutés à la base de données de Material Projects.

L’ensemble de données comprend la façon dont les atomes d’un matériau sont disposés (la structure cristalline) et sa stabilité (énergie de formation).

Kristin Persson, fondatrice et directrice du Materials Project au Berkeley Lab et professeure à l’UC Berkeley, explique :

“Nous devons créer de nouveaux matériaux si nous voulons relever les défis environnementaux et climatiques mondiaux. Grâce à l’innovation dans les matériaux, nous pouvons potentiellement développer des plastiques recyclables, exploiter l’énergie résiduelle, fabriquer de meilleures batteries et construire des panneaux solaires moins chers qui durent plus longtemps, entre autres choses”.

A-Lab : l’automatisation guidée par l’IA pour la synthèse de nouveaux matériaux

Dirigé par la scientifique Yan Zeng, le laboratoire A-Lab utilise des robots guidés par l’IA pour effectuer les étapes complexes du processus de synthèse de matériaux. Cette automatisation permet de traiter 50 à 100 fois plus d’échantillons par jour que ne le ferait un chercheur humain, accélérant considérablement le rythme de découverte.

En seulement 17 jours , A-Lab a permis de créer 41 nouveaux composés prédits par le Materials Project sur une tentative de 58, soit un rythme de plus de deux nouveaux matériaux par jour, là où il aurait fallu des mois à un chercheur humain. Les données du GNoME ont été utilisées comme vérification supplémentaire de la stabilité de ces matériaux prévus.

Gerd Ceder, chercheur principal d’A-Lab et scientifique au Berkeley Lab et à l’UC Berkeley, conclut :

“Nous avons eu ce taux de réussite stupéfiant de 71 %, et nous avons déjà quelques moyens de l’améliorer. Nous avons montré que la combinaison de la théorie et des données avec l’automatisation donne des résultats incroyables. Nous pouvons fabriquer et tester des matériaux plus rapidement que jamais, et l’ajout de points de données supplémentaires au projet sur les matériaux signifie que nous pouvons faire des choix encore plus intelligents”.

Références : blog Berkeley Lab

L’essor de l’IA, en particulier générative, a ouvert de nouvelles perspectives dans différents secteurs, notamment celui des services publics. Elle peut être une source d’amélioration de la qualité du service rendu avec une réduction des délais de traitement, faciliter le travail des agents publics (gain de temps, aide à la priorisation, valorisation des jeux de données..). Cependant l’opacité des algorithmes, la fameuse “boite noire”, pose la question de l’égalité du contrôle des déclarations lors du traitement des dossiers.

L’IA pour lutter contre la fraude

Si le mois dernier Stanislas GUERINI, alors Ministre de la Transformation et de la Fonction publiques, se félicitait du succès de l’expérimentation de l’IA générative au sein des services publics, le gouvernement n’a pas attendu l’arrivée de cette dernière pour utiliser l’IA au sein de ses services.

Au cours des dix dernières années, la Direction Générale des Finances Publiques (DGFiP), chargée du contrôle fiscal, a ainsi opéré une “révolution technologique” dans sa stratégie de détection des irrégularités fiscales. Initialement axée sur le contrôle triennal des contribuables à revenus et patrimoines élevés, cette stratégie a évolué vers une utilisation intensive de technologies numériques.

Le projet CFVR (ciblage de la fraude et valorisation des requêtes), lancé en 2017, financé par le FTAP (Fonds de Transformation de l’Action Publique) afin d’améliorer “l’efficacité des opérations de contrôle fiscal en rénovant la phase de ciblage des opérations”, lui a permis de poursuivre la modernisation de ses techniques d’analyse grâce à l’IA et d’exploiter les données dont elle dispose avec le data mining, afin d’y repérer les incohérences déclaratives.

Les algorithmes de notation au sein du service public

Près d’un tiers des contrôles fiscaux reposent aujourd’hui sur des analyses de risques alimentées par le traitement massif des données. Au sein de certains organismes publics, comme la Caisse nationale d’allocations familiales (CNAF) qui gère les caisses d’allocations familiales (CAF), ce sont des algorithmes de notation qui vont inciter les agents à effectuer des contrôles.

La Quadrature du Net, une association qui s’oppose au sein du collectif « Stop Contrôles » aux effets de la dématérialisation et de l’utilisation du numérique par les administrations à des fins de contrôle social, a mis en lumière en 2022 l’utilisation d’un algorithme de scoring par la CNAF.

La problématique de cet algorithme est son caractère discriminatoire car il ciblerait en priorité les bénéficiaires les plus fragiles au vu des critères de notation utilisés. L’association qui a obtenu de la Commission d’accès aux documents administratifs (Cada) les codes sources d’une version utilisée entre 2010 et 2014 et ceux de la version suivante utilisée jusqu’en 2018 de l’algorithme et le droit de les publier, révèle les critères qui permettent d’attribuer aux allocataires un score de risque allant de 0 à 1. Plus la note se rapproche de 1, plus la probabilité qu’un individu ait touché des indus augmente, entraînant des contrôles.

Parmi les critères discriminatoires révélés associés à un risque d’abus élevé, on trouve :

• revenus faibles ;
• chômage ou le fait ne pas avoir de travail stable ;
• être un parent isolé ;
• consacrer une part importante de ses revenus au loyer ;
• avoir de nombreux contacts avec la CAF.

Le fait d’être en situation de handicap tout en travaillant ferait augmenter le score de “suspicion”, comme le dénomme l’association, tout comme celui d’habiter dans des quartiers défavorisés.

Des algorithmes de notation devraient être déployés dans d’autres institutions publiques comme les impôts, Pôle emploi, la CNAM et la CNAV.

Lutter contre les pratiques discriminatoires liées aux algorithmes

La discrimination dans les algorithmes est un problème sérieux qui peut affecter les droits et renforcer les inégalités. La réglementation et la surveillance appropriées sont nécessaires pour assurer que les décisions basées sur l’IA sont éthiques et respectent les principes fondamentaux de justice et d’égalité.

En 2020, le Défenseur des Droits et la CNIL alertaient sur le manque de transparence des algorithmes et d’information des usagers, recommandant aux pouvoirs publics de mettre en place des mesures afin de lutter efficacement contre les atteintes aux droits fondamentaux. Contrôler la qualité et la représentativité des données utilisées par les algorithmes, ainsi que leur traitement et leur analyse, était l’une de ces recommandations.

Le rapport “IA, impôts et prestations sociales” confié à Sylvie Vermeillet et Didier Rambaud dans le cadre du programme de travail 2024 de la délégation à la prospective du Sénat dont le thème est “L’intelligence artificielle et l’avenir du service public”, pourrait permettre d’identifier des mesures potentielles pour garantir l’éthique et l’égalité des droits.