Vue normale
-
Intelligence artificielle
-
Du cloud à l'on-premise : les nouveaux standards de l’IA pour l’analyse des données
Alors que le volume mondial de données atteindra 175 zettaoctets d’ici fin 2025, les entreprises se retrouvent face à un défi majeur :...
-
Intelligence artificielle
-
IA générative et environnement : méfions-nous des idées reçues !
La croissance rapide de l'IA ces dernières années a déclenché une vague d'investissements sans précédent dans les centres de données du monde...
IA générative et environnement : méfions-nous des idées reçues !
-
Intelligence artificielle
-
Data scraping et intelligence artificielle : quel cadre juridique ?
Quels objectifs pour le Data Scraping ? Le Data Scraping (ou moissonnage de données) consiste en l’extraction de données structurées...
Data scraping et intelligence artificielle : quel cadre juridique ?
-
Intelligence artificielle
-
Agentique, robotique : l'IA au-delà de la simple gestion des données
Progressivement, l’intelligence artificielle (IA) est utilisée bien au-delà de son rôle initial de simple outil de traitement des données, pour...
Agentique, robotique : l'IA au-delà de la simple gestion des données
-
ActuIA

-
L’ESA et l’alliance EUT+ mettent l’IA au service de la sécurité des alunissages
La prochaine mission spatiale sans équipage de l’Agence Spatiale Européenne (ESA) vers la Lune s’appuiera sur des avancées en IA développées par deux institutions européennes membres de l’alliance EUT+ : l’Université des sciences appliquées de Darmstadt (h_da) et l’Université de technologie de Troyes (UTT). Leur projet “Détection automatique des dangers basée sur l’IA dans les images de la surface lunaire”, soutenu financièrement par l’ESA, vise à améliorer la sécurité des atterrissages lunaires
L’ESA et l’alliance EUT+ mettent l’IA au service de la sécurité des alunissages
La prochaine mission spatiale sans équipage de l’Agence Spatiale Européenne (ESA) vers la Lune s’appuiera sur des avancées en IA développées par deux institutions européennes membres de l’alliance EUT+ : l’Université des sciences appliquées de Darmstadt (h_da) et l’Université de technologie de Troyes (UTT). Leur projet “Détection automatique des dangers basée sur l’IA dans les images de la surface lunaire”, soutenu financièrement par l’ESA, vise à améliorer la sécurité des atterrissages lunaires, un défi que les récentes tentatives d’exploration robotique ont souligné.
Malgré l’avancée des technologies depuis la mission Apollo 11 en 1969, atterrir sur la Lune reste une entreprise complexe. La surface lunaire est parsemée de cratères, de rochers et d’irrégularités, qui compliquent chaque mission. Des échecs récents, comme celui de la sonde japonaise Hakuto-R, montrent que les agences spatiales continuent de se heurter à ces dangers.
Le professeur Hichem Snoussi, expert en IA de l’Université de technologie de Troyes, explique :
“Des problèmes surviennent souvent lors de l’atterrissage. La surface de la Lune a des cratères et de gros rochers qui rendent l’atterrissage risqué de petites sondes. Un atterrissage radiocommandé n’est pas possible en raison de la distance entre la Terre et la Lune. Par conséquent, il est important d’identifier à l’avance les sites d’atterrissage appropriés et d’évaluer l’état de la surface afin de rendre la mission plus sûre et d’augmenter les chances de succès. Si quelque chose dans ce système ne fonctionne pas, des équipements coûtant des millions deviendront des débris spatiaux”.
Pour relever ce défi, l’ESA a fait appel à l’expertise de l’Université de Technologie Européenne (EUt+), une alliance de neuf universités technologiques. Après un processus de sélection rigoureux, le projet dirigé par les professeurs Hichem Snoussi de l’UTT et Andreas Weinmann de la h_da, qui coopèrent étroitement au sein du laboratoire de science des données EUT+, a été retenu.
IA et zero-shot learning
Le cœur de ce projet réside dans l’utilisation d’une technique avancée d’apprentissage automatique, le zero-shot learning. Contrairement aux méthodes traditionnelles qui reposent sur d’importants volumes de données annotées manuellement, cette approche permet à l’IA de détecter des dangers à partir d’images existantes, sans nécessiter une classification préalable. Elle réduit considérablement le besoin d’intervention humaine, tout en augmentant la précision de la détection d’obstacles comme des rochers ou des cratères, souvent dissimulés sous des ombres.
Le professeur Andreas Weinmann souligne :
“Nous travaillons ici avec les dernières technologies du traitement de l’image et du langage. Nous utilisons des systèmes d’IA existants qui ont déjà été formés et qui en savent donc énormément, même s’il s’agit de connaissances sur d’autres données d’image que celles que nous utilisons. Nous spécifions maintenant ces systèmes pour notre cas d’utilisation : identifier les roches et les cratères à la surface de la Lune”.
L’objectif est de fournir une analyse en temps réel des images capturées, offrant ainsi des données fiables pour sécuriser les atterrissages. Le projet a été lancé officiellement le 9 juillet dernier au centre de l’ESA à Darmstadt, le doctorant Patrick Bauer, récemment diplômé de l’OTH Regensburg, accompagne les chercheurs dans ce projet. Il travaillera entre les trois sites de l’ESA, l’h_da et l’UTT, afin de superviser le développement et la mise en œuvre des algorithmes nécessaires pour détecter les anomalies à la surface de la Lune.
Vers des missions sécurisées
L’ESA espère réduire les risques d’échec lors des atterrissages lunaires et permettre à terme des missions habitées plus sûres et plus efficaces. Au-delà de la mission lunaire en cours, ce projet pourrait ouvrir la voie à d’autres collaborations entre l’ESA et les universités européennes.
Le professeur Hichem Snoussi conclut :
“L’ESA s’engage dans une aventure spatiale d’une envergure sans précédent, et notre contribution représente une pierre angulaire de ce projet ambitieux. En développant cette technologie, nous ne faisons pas seulement un pas vers la sécurité des atterrissages lunaires, mais nous ouvrons également la voie à de futures explorations audacieuses de l’espace.”

-
Intelligence artificielle
-
Une conduite du changement efficace est déterminante pour le développement logiciel basé sur l'IA
L'adoption du développement de logiciels alimentés par l'IA ne se limite pas à l'intégration de nouveaux outils. En effet, si l'IA est là pour...
Une conduite du changement efficace est déterminante pour le développement logiciel basé sur l'IA
-
Intelligence artificielle
-
Le deep learning et les technologies 3D au service de l'inspection des batteries des voitures électriques
Un grand constructeur de véhicules électriques a récemment fait les gros titres pour avoir supprimé plus de 100 étapes de son processus de...
Le deep learning et les technologies 3D au service de l'inspection des batteries des voitures électriques
-
Opinions Libres
-
Decode Quantum avec Jean Dalibard
Nous voici dans le 73e épisode des entretiens Decode Quantum, toujours avec Fanny Bouton et moi-même. Nous recevons aujourd’hui Jean Dalibard, un (grand) physicien français spécialiste d’optique quantique et du contrôle des atomes. Cet épisode est aussi diffusé par Frenchweb. Photo de Jean Dalibard par Philippe Imbert. Jean Dalibard est un physicien français spécialisé en […]
Decode Quantum avec Jean Dalibard
-
Intelligence artificielle
-
Les hébergeurs d’applications doivent intégrer la complexité de l'intelligence artificielle
Contrairement à ce que l’on peut croire, l’intelligence artificielle n’est pas une entité simple, mais bien une technologie multiple et...
Les hébergeurs d’applications doivent intégrer la complexité de l'intelligence artificielle
-
Intelligence artificielle

-
PyTorch dévoile Torchtune pour fine-tuner les LLM
PyTorch, le framework chouchou des bidouilleurs d’IA, vient de nous pondre un petit truc cool : Torchtune ! 💎 Cette nouvelle bibliothèque native, encore en phase alpha mais déjà disponible en open-source sur GitHub, va vous permettre de fine-tuner les gros modèles de langage (LLM) comme un pro, sans vous prendre la tête. Torchtune est donc une boîte à outils hyper flexible et modulaire qui va vous permettre de vous éclater à customiser des modèles pour vos propres besoins, le tout avec des
PyTorch dévoile Torchtune pour fine-tuner les LLM
![]()
PyTorch, le framework chouchou des bidouilleurs d’IA, vient de nous pondre un petit truc cool : Torchtune ! 💎 Cette nouvelle bibliothèque native, encore en phase alpha mais déjà disponible en open-source sur GitHub, va vous permettre de fine-tuner les gros modèles de langage (LLM) comme un pro, sans vous prendre la tête.
Torchtune est donc une boîte à outils hyper flexible et modulaire qui va vous permettre de vous éclater à customiser des modèles pour vos propres besoins, le tout avec des recettes mémoire efficaces qui tournent même sur une bête carte graphique de gamer, comme les NVidia 3090/4090.
Son secret ?
Une architecture bien pensée qui mise sur l’interopérabilité avec l’écosystème des LLM, qu’ils soient open-source ou non. Concrètement, ça veut dire que vous allez pouvoir brancher Torchtune à tout un tas d’outils et de frameworks que vous adorez déjà, comme Hugging Face 🤗, PyTorch FSDP 🪢, Weights & Biases 📈, et plein d’autres.
Grâce à des recettes simples et bien documentées pour les modèles populaires comme Llama 3, Mistral ou Gemma 7B, même les débutants vont pouvoir se lancer dans l’aventure sans flipper. Bon OK, il faudra quand même un peu de bagage en PyTorch et en LLM, mais rien d’insurmontable ! Et si vous êtes un pro, vous allez pouvoir hacker le code à volonté pour l’adapter à vos besoins spécifiques.
Alors comment on met les mains dans le cambouis avec Torchtune ?
Rien de plus simple, mon cher Watson ! Il vous suffit d’installer la dernière version stable de PyTorch (2.2.2 au moment où j’écris ces lignes), puis de télécharger Torchtune depuis PyPI avec un petit
pip install torchtune
Et voilà, vous êtes prêt à en découdre avec les LLM !
Pour vous faire les dents, je vous conseille de jeter un œil au tutoriel sur le fine-tuning de Llama2 7B. C’est le parfait point de départ pour comprendre comment Torchtune fonctionne et comment l’utiliser pour vos propres projets.
En gros, ça se passe en 4 étapes :
- Téléchargez le modèle pré-entraîné et le tokenizer depuis Hugging Face Hub avec
tune download. - Choisissez une recette de fine-tuning (LoRA, QLoRA, full…) et customisez-la avec un fichier de config en YAML.
- Lancez l’entraînement avec
tune runen précisant votre recette et votre config. Vous pouvez même faire du multi-GPU avectorchrun! - Admirez le résultat et testez votre modèle fine-tuné avec une inférence locale. Si tout se passe bien, exportez-le avec ExecuTorch pour le déployer en prod, ou utilisez les API de quantification de Torchao pour l’exporter en int4 ou int8 et l’utiliser sur mobile ou en edge.
Facile, non ? 😄
Bon OK, j’avoue, j’ai un peu simplifié. En vrai, il y a pas mal de subtilités et de paramètres à régler pour obtenir les meilleurs résultats, comme le learning rate, le nombre d’époques, la taille du batch, le ratio de LoRA, et tout un tas d’autres trucs, mais c’est justement sa flexibilité qui vous permet d’expérimenter à l’infini pour trouver la combinaison parfaite.
Bref, si vous êtes dev et que vous aimez jouer avec les LLM c’est à tester.

-
Intelligence artificielle
-
Adoption de l’IA Act : vers une IA sécurisée
La régulation de l’IA jusque dans ses racines L’IA Act se focalise sur deux cibles. Tout d’abord, la règlementation européenne vise le...