L’IA appliquée à la robotique a le vent en poupe. Pour exemple, Physical Intelligence, une jeune start-up basée à San Francisco a annoncé lundi dernier avoir levé la somme de 400 millions de dollars lors d’un tour de table mené par Jeff Bezos, fondateur et président exécutif du conseil d’administration d’Amazon, Thrive Capital et Lux Capital. OpenAI, Redpoint Ventures et Bond figurent parmi les autres investisseurs.

A son lancement, en mars dernier, Physical Intelligence (Pi) annonçait avoir reçu des financements initiaux de 70 millions de dollars apportés par de Khosla Ventures, Lux Capital, OpenAI, Sequoia Capital et Thrive Capital. Grâce à cette dernière levée de fonds, la start-up serait aujourd’hui valorisée à environ 2 milliards de dollars.

Son PDG et cofondateur Karol Hausman était auparavant chercheur scientifique chez Google DeepMind. Pi déclare sur son site :

“L’intelligence physique apporte l’IA à usage général dans le monde physique. Nous sommes un groupe d’ingénieurs, de scientifiques, de roboticiens et de bâtisseurs d’entreprise qui développent des modèles de fondation et des algorithmes d’apprentissage pour alimenter les robots d’aujourd’hui et les appareils à commande physique du futur”.

Son objectif est de développer un modèle d’IA polyvalent, capable de piloter divers robots et dispositifs physiques pour des applications multiples. Contrairement à la robotique traditionnelle, souvent axée sur des tâches spécifiques et répétitives dans des environnements contrôlés, Physical Intelligence travaille à créer une IA plus adaptative pour des interactions dans le monde réel.

Elle a d’ailleurs partagé sur son blog le 31 octobre dernier le fruit de son travail des huit derniers mois : π₀ (pi-zéro) et détaille son approche dans un article, expliquant :

“À l’instar des LLM, notre modèle est formé sur des données larges et diverses et peut suivre diverses instructions textuelles. Contrairement aux LLM, il s’étend sur des images, du texte et des actions et acquiert de l’intelligence physique en s’entraînant sur l’expérience incarnée de robots, apprenant à émettre directement des commandes motrices de bas niveau via une nouvelle architecture. Il peut contrôler une variété de robots différents et peut être soit invité à effectuer la tâche souhaitée, soit affiné pour le spécialiser dans des scénarios d’application difficiles”.

π0 est entraîné à partir de données multitâches et multirobots, incluant des tâches complexes comme plier du linge, nettoyer des tables, et assembler des boîtes. Il utilise un modèle de langage visuel (VLM) pré-entraîné, capable de manipuler des objets avec précision en temps réel grâce à un nouveau système d’appariement de flux pour des actions continues. Il peut ainsi être adapté rapidement pour de nouvelles tâches, surmontant ainsi les limites des modèles précédents.

La société qui collabore avec plusieurs entreprises et laboratoires de robotique, notamment pour affiner les conceptions matérielles pour la téléopération et l’autonomie, reconnait qu’il lui reste “un long chemin à parcourir”. Cependant, pour elle, “ces premiers résultats brossent un tableau prometteur pour l’avenir des modèles de fondation robotique”. 

Frédéric Bardolle, à la tête de l’incubateur numérique du ministère des Armées, considère que « la qualité des intervenants est incroyable, et les sujets évoqués sont très variés et toujours passionnants. »

Mehdi Benhabri, haut fonctionnaire spécialiste des questions scientifiques et technologiques, résume sa participation en ces termes : « Le Paris Machine Learning est rapidement devenu l’un des plus grands rassemblements de France sur les thématiques de l’intelligence artificielle en général et du machine learning en particulier. Le dynamisme de ses animateurs a permis de mobiliser des compétences de haut niveau dans un cadre original et peu formel afin d’échanger de manière libre et approfondie, sans les rigidités et les contraintes du monde académique. »

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

 

Une identité et une charte

Au cours des réunions suivantes, nous peaufinons les valeurs de notre groupe et esquissons notre charte. À savoir une structure plate, sans cooptation. Son but est de donner aux membres le point de vue des chercheurs les plus prometteurs du domaine, d’éviter les discours de vendeurs de solutions techniques, de couper les pitchs et les présentations éclair à la mode dans les startups numériques. Mais également de filtrer et de rejeter sans ambiguïté les tentatives d’exploitation douteuses des algorithmes, parmi lesquelles : les algorithmes de détection d’orientation sexuelle, la recherche des traits du visage caractéristiques des criminels, ou encore la façon de dessiner un visage à partir de la voix.

L’Eurovision du machine learning chez Google

Un an plus tard, forts de nos mille premiers membres, Google nous ouvre les portes de son immense salle de conférence parisienne et met toute son infrastructure à disposition pour une soirée. Le défi ? Retransmettre les interventions des spécialistes IA en direct à Paris, Londres, Berlin et Zurich.
Le point d’orgue de la soirée est Andrew Ng, cofondateur de Google Brain, professeur à Stanford et star mondial de l’IA. Son credo ? « L’IA est une nouvelle électricité. Elle s’immisce dans tous les objets comme l’électricité l’a fait au début du siècle. »

Après cette première saison, le ton est donné. S’enchaînent au fil des sept saisons différents formats et déclinaisons, présentations à distance avec des chercheurs à l’autre bout du monde, hackathons, concours de code et hors-série thématiques : data journalism par le responsable data du New York Times, attaques adverses, finance algorithmique, automatic machine learning, robotique et IA, calcul haute performance.

Andrew Ng, professeur à Stanford, cofondateur de Google Brain (division de recherche fondamentale IA de Google) a très largement contribué à populariser les méthodes et les techniques de l’intelligence artificielle, particulièrement à travers son célèbre cours en ligne Coursera, passage obligé pour tous les codeurs d’IA.

Partage d’expertise

Cas d’usage d’entreprises et algorithmes data

En France et dans le monde, des communautés d’experts data et IA se constituent. Toulouse, Marseille, Nantes. Amsterdam, Stockholm, New York, Boston, San Francisco. Aucune ville n’est en reste. Pour quelle raison ? Parce que l’accélération prodigieuse du rythme d’apparition de technologies déstabilisantes provoque un besoin de formation et une soif de compréhension immédiate, peu en adéquation avec le rythme des formations longues.

En effet, ce que désirent les ingénieurs, les programmeurs et les entrepreneurs est de comprendre immédiatement ce qui est en train de se jouer et qui chamboule l’économie. Comment appliquer les algorithmes à leur métier ?
Quant à l’offre d’expertise, elle est tout aussi abondante.

Facteur H, l’humain dans la boucle

Au-delà d’une soif de connaissances techniques, le plaisir des rencontres informelles et du réseautage est un élément important. Gautier Marti, un Français spécialiste des algorithmes machine learning travaillant à Abou Dabi pour un fonds souverain nous confiait que « les rencontres du Paris Machine Learning sont une source de veille technologique. Elles permettent de découvrir de nouveaux outils et de confronter ses idées à la réalité ou à l’expérience d’autres experts. »

Lors de ces rencontres, des fondateurs d’entreprise se sont rencontrés et ont créé leur entreprise. Nicolas Gaude, cofondateur de la startup Prevision.io, fait part de son expérience en ces termes : « Ce fut pour moi un vrai déclic. Avec l’aide de Franck Bardol, d’Igor Carron et les conseils des experts présents, j’ai pu vraiment progresser techniquement et donner corps à mon projet. »

Jacques-Henri Gagnon, directeur adjoint des services culturels et chef des relations universitaires à l’ambassade du Canada à Paris, ajoute : « Le Paris Machine Learning m’a donné accès à ce large réseau et a aussi été le point de départ d’échanges franco-canadiens ce qui, dans mon sec-teur d’activité, est le cœur de métier. » Le groupe a fait office de facilitateur pour nombre de ses membres, des ingénieurs y ont été recrutés, des sociétés ont initié des partenariats et des rachats.

Pour conclure, cette phrase de Théodore Levitt, le père fondateur du marketing s’adressant à ses étudiants, résume bien l’esprit de cette communauté : « Le client ne veut pas une mèche de perceuse. Il veut un trou dans le mur. »

Jürgen Schmidhuber, découvreur des LSTM au début des années 2000, a rendu cet apprentissage possible grâce à des données temporelles, ordonnées et horodatées. Ses réseaux récurrents temporels LSTM analysent désormais les données de capteurs des chaînes de production d’usines et permettent de prédire les valeurs futures. On lui doit le traitement efficace des motifs temporels à l’aide de réseaux de neurones spécialisés. Il était revenu sur la genèse de sa découverte dans une réunion et avait partagé les voies d’amélioration de ses méthodes. L’avenir lui a donné raison. Depuis lors, les architectures transformers ont révolutionné la traduction automatique et tout le traitement du langage par des algorithmes.

Gaël Varoquaux, Alexandre Gramfort et Olivier Grisel : ce trio d’ingénieurs et scientifiques français est la tête pensante de la librairie machine learning la plus utilisée au monde, dont les statistiques sont impressionnantes.

C’est la seconde librairie la plus téléchargée au monde derrière la célèbre TensorFlow de Google, avec 700 000 utilisateurs et 42 millions de visites sur le site internet. Son nom ? Scikit-learn. Tous les codeurs du machine learning ne jurent que par elle. Son mérite est de mettre à disposition de n’importe quel programmeur des millions de lignes de code optimisées, pensées et calibrées par les plus grands spécialistes de l’ingénierie. Son prix ? Inestimable. Elle est gratuite et en open source. Elle représente la plus grande réussite de démocratisation du machine learning.

De nombreuses années en arrière, ces trois chercheurs étaient venus initier les membres du Paris Machine Learning au fonctionnement de leur outil Scikit-learn dès la première réunion.

Alexandre Gramfort nous confiait que « cela a été pour moi une belle opportunité de présenter ma recherche. » Depuis, Alexandre, Gaël et Olivier ont été récompensés par le prix Inria – Académie des sciences.

François Chollet, malgré son jeune âge, est une star de l’IA. Et pour cause, ce Français, chercheur chez Google Brain, a écrit la librairie de deep learning nommée Keras. L’avantage de cette librairie est de simplifier et masquer la complexité du deep learning. Le même esprit que Scikit-learn en somme. La reconnaissance ne s’est pas fait attendre. Désormais, Keras est livrée par Google en même temps que les autres programmes deep learning de cette société. Nous l’avions reçu dans une réunion hors-série qui lui était consacrée. François Chollet est également l’auteur d’un ouvrage de référence sur le deep learning. Jacqueline Forien a traduit cet ouvrage en français¹ et poursuit ainsi la démocratisation des algorithmes IA.

Yoshua Bengio, un des co-découvreurs du deep learning, avait évoqué dans une réunion les difficultés d’apprentissage ainsi que les solutions envisagées.
À cette période, le deep learning était encore balbutiant. Ce n’est désormais plus le cas et nous le devons en grande partie à ses travaux.
Les algorithmes de ces découvreurs fonctionnent au quotidien et inspirent les logiciels IA d’entreprises. Leur passage par le Paris Machine Learning a été une source profonde d’inspiration.

Les algorithmes d’apprentissage ont révolutionné des pans entiers de l’ingénierie et rendu possible ce qui tenait jusqu’alors du domaine du rêve des ingénieurs.

La robotique dans tous ses états

La robotique figure en bonne position dans ce chamboulement. Pierre Sermanet, jeune chercheur français dans le groupe robotique de Google² y avait consacré plusieurs conférences. « Mes recherches explorent l’intersection du langage³ et du jeu et mobilisent de multiples mécanismes pour l’apprentissage robotique ». Interrogé sur l’avenir de sa discipline, il répond : « Les avancées récentes autour de l’apprentissage sur des données massives de langage non labellisées (notamment les modèles GPT d’OpenAI) sont impressionnantes et prometteuses, le même type d’approche appliquée à la vidéo et à la robotique me paraît très prometteur ».

Le coup de force du deep learning

S’il est un domaine qui a connu une véritable révolution, c’est bien l’analyse d’images.
Impossible de ne pas évoquer l’apport du machine learning dans l’analyse et la compréhension des images. Le point de bascule a lieu au moment de la fondation du Paris Machine Learning. Grâce à sa nouvelle méthode de réseaux de convolution, Geoffrey Hinton réalise un tour de force dans la compétition ImageNet. Il écrase les méthodes traditionnelles d’analyse d’images et y impose les techniques de deep learning comme nouveau standard.

Dominique Cardon, directeur du Médialab de Sciences Po et auteur d’un des ouvrages de référence⁴ sur le sujet, était venu nous en faire un récit épique au cours de la centième réunion du groupe tenue dans les locaux inspirants de la startup Scaleway. Voici quelques morceaux choisis de son récit publié depuis dans un article intitulé La revanche des neurones⁵.
« L’épisode est en passe de devenir légendaire dans l’histoire de l’informatique ». Un chercheur interrogé par Dominique Cardon se souvient : « En 2012, Hinton débarque dans la compétition ImageNet et crée un véritable séisme !

Il ne connaît rien au domaine de la vision par ordinateur et il embauche deux petits gars pour tout faire sauter !
À l’époque, les ingénieurs de computer vision s’excitent sur ImageNet depuis deux ou trois ans. Le meilleur d’entre eux était à 27 % d’erreurs. Hinton, lui, marque dix points à tout le monde ! Ce jeune geek arrive et annonce le résultat devant une salle bondée. Un ado qui ne comprend rien à ce domaine, enfermé dans ses algorithmes !
Tous les grands manitous du computer vision essaient de réagir : En fait c’est pas possible, ça va pas marcher… Au final, les mecs étaient tous abasourdis parce que grosso modo cela foutait en l’air dix ans d’intelligence, de tuning et de sophistication. »
Ce récit savoureux nous fait vivre de l’intérieur la révolution initiée par les algorithmes d’apprentissage. Les méthodes d’expertise manuelle fine sont balayées par la science “à la Google” qui allie big data et algorithmes IA.

Du laboratoire à la startup

Depuis, les ingénieurs et docteurs en IA ont transformé ces algorithmes encore balbutiants en produits finis redoutables d’efficacité. Des exemples ? LightOn, startup technologique cofondée par Igor Carron, révolutionne l’informatique grâce à sa puce optique. Le résultat ? Des calculs à la vitesse de la lumière et une empreinte énergétique minime grâce à sa technologie de rupture. Le meilleur des mondes en somme.

Meero, une autre pépite technologique, automatise la retouche photo grâce à ses algorithmes AI entraînés sur des millions de photographies.
Jean-François Goudou, son directeur R&D nous avait décrit l’algorithme machine learning de restauration et d’amélioration automatique d’images lors d’une réunion au siège de Samsung. « Les premiers retours clients sont très très positifs. » nous confia-t-il.

Tony Pinville, fondateur, aux côtés de Charles Ollion, de Heuritech, une startup spécialiste de ces mêmes algorithmes IA d’analyse d’images, avait ouvert pour nous le capot de ses algorithmes. Il nous confie : « Le meetup Paris Machine Learning a été un mouvement précurseur de l’IA que Heuritech a eu la chance de rejoindre au tout début. », et ajoute : « Pour notre part, nous utilisons une technologie de reconnaissance visuelle qui analyse chaque jour plusieurs millions d’images de consommateurs et d’influenceurs sur les réseaux sociaux et les traduit en informations riches et pertinentes pour les marques de mode et de luxe.

Pour mieux créer leurs collections, ces marques ont besoin d’informations sur la prévision de tendances et de ventes. Heuritech souhaite combiner ces deux types de prédictions pour mieux les accompagner. » Depuis, la récompense est venue naturellement. Heuritech a reçu le prix LVMH de l’innovation des mains de Bernard Arnault.

Déplacement de l’expertise

Malgré ces succès et avancées spectaculaires, la fabrication des programmes de machine learning demeure artisanale et reste une affaire de spécialistes et d’experts. Les data scientists procèdent le plus souvent par tâtonnements et essais-erreurs lorsqu’ils élaborent un algorithme de machine learning.

C’est à ce déplacement de l’expertise auquel nous assistons depuis dix ans. Auparavant, le cœur de la création de valeur dans les entreprises était la production de règles métiers par les experts. Désormais, ces règles émergent des données grâce aux algorithmes auto-apprenants.

L’expertise des ingénieurs IA qui les conçoivent consiste à choisir l’algorithme le plus approprié pour un jeu de données particulier, puis à l’étalonner et à le dimensionner à la bonne puissance. Pour les entreprises qui mobilisent des technologies IA, la sélection d’algorithmes et d’architectures matérielles et logicielles s’est substituée à la conception des règles métiers traditionnelles.

Les programmes d’IA proposent une mécanisation de l’intuition et de la connaissance métier de l’expert humain. Nous en sommes au premier stade. Un courant de recherche visant à automatiser tout ou partie de la chaîne de fabrication des programmes d’IA s’est mis en place. Il s’agit du second stade, celui qui consiste à « automatiser l’automatisation ». En effet, en induisant la production automatique des règles par un programme d’ordinateur, le machine learning représente une automatisation de la pensée d’experts. Cette voie se nomme AutoML, pour Automatic Machine Learning.

L’AutoML, futur du machine learning ?

Le Paris Machine Learning a participé à l’organisation de concours et de hackathons AutoML. Ce fut le cas du concours RAMP du Paris-Saclay Center for Data dirigé par Balázs Kégl, intervenant lors d’une rencontre consacrée à l’apport du machine learning pour la physique théorique au laboratoire européen du Cern, la data au service des particules atomiques. Ou encore du concours ChaLearn organisé par Isabelle Guyon et du défi européen See.4C assorti d’un prix de deux millions d’euros pour les gagnants. Le laboratoire d’innovation ouverte La Paillasse hébergeait ces rencontres grâce au soutien énergique d’un de ces dirigeants, Sébastien Treguer.

Isabelle Guyon confie que le Paris Machine Learning « a facilité l’organisation de hackathons et la diffusion des challenges en machine learning. »

L’histoire ne s’arrête pas là. « La série de challenges AutoML a permis la création d’Auto-Sklearn⁶ ». En ce qui concerne le deep learning, « la série de challenges AutoDL a abouti à un self-service de deep learning automatisé. »
Pour nous, l’AutoML constitue un axe de développement majeur pour les années à venir. Tous les acteurs importants sont désormais entrés dans la course. Parmi les avancées récentes, citons les méthodes Neural Architecture Search (NAS), en particulier Neural Network Intelligence (NNI) de Microsoft, ou encore Evolved Transformer de Google.

Dans un futur proche, l’expertise technique du data scientist ne sera donc plus nécessaire pour construire des programmes auto-apprenants. Le programme de recherche intitulé Automatic statistician et conduit par Zoubin Ghahramani de l’université de Cambridge, en collaboration avec le MIT, illustre parfaitement cette vision. Ghahramani nous en avait partagé les méthodes et les enjeux.

À terme, seule sera nécessaire une équipe restreinte de data scientists chargés d’améliorer les procédés automatiques de découvertes de règles. Tous les autres redeviendront des programmeurs traditionnels. Ils fourniront des données d’entraînement et obtiendront en retour, sans aucune expertise en la matière, le meilleur programme IA imaginable.

Parmi ceux qui mettent au point ce type de service automatisé de haut niveau, Nicolas Gaude, précédemment cité, nous décrit son activité en ces termes : « Mon métier consiste avant tout à démocratiser l’usage de l’A en apportant aux entreprises à la fois les innovations techniques et la capacité de les mettre en production. Ce qui nous préoccupe, et de loin, est de rendre accessible et opérable le machine learning sur le long terme. »

Quand les algorithmes deviennent un sujet de société

Les algorithmes de machine learning interprètent le monde avec un filtre statistique afin de nous guider dans nos choix.

Ce faisant, ils agissent sur la société et en transforment les pratiques et les usages. Ainsi, lorsqu’un algorithme de GPS suggère aux automobilistes pressés un itinéraire secondaire moins encombré, il peut créer simultanément un problème d’aménagement du territoire, l’itinéraire secondaire n’étant pas dimensionné, par nature, à subir cette augmentation de trafic. De plus, les nuisances sonores et la pollution engendrées par ce dernier touchent les riverains. L’algorithme crée donc également un problème de santé publique.

Dominique Cardon résumait ces points en 2017 lors d’une conférence consacrée aux biais des algorithmes à l’institut Henri Poincaré. Selon lui, « les algorithmes deviennent un sujet de société. » Ajoutons qu’ils deviennent un sujet politique. Un exemple frappant ? Le Zimbabwe a vendu une base de données contenant les visages de ses citoyens à la Chine.

Son but ? Entraîner les algorithmes de reconnaissance faciale sur des visages noirs. En échange de cette masse de données, le Zimbabwe sera bientôt équipé de caméras à reconnaissance faciale dernier cri…
Lors de cette conférence, Cédric Villani proposait une réflexion sur l’apport des algorithmes prédictifs dans l’entreprise. Il notait avec pertinence que les algorithmes devaient au préalable être acceptés avant d’être utilisés. En effet, un algorithme sans accompagnement ne sert à rien, un travail doit être effectué en amont. Cédric Villani nous rapportait une expérience réussie au cours de laquelle des salariés valident les décisions du programme IA et gardent ainsi la main sur la machine. Dans le cas contraire ? Il n’est pas rare de voir les salariés entrer en lutte “souterraine” contre ces programmes en les nourrissant, par exemple, de fausses données.

En somme, c’est l’illustration du fossé qui sépare l’IA capacitante de l’IA substitutive. Pour l’une, il s’agit de remplacer le salarié, pour l’autre il s’agit de le renforcer.

Franck Bardol pour sa part prolongeait cette réflexion autour de l’IA de confiance et précisait les points-clés de transparence et de loyauté des algorithmes. Depuis, ces thèmes émergent dans l’actualité du secteur et sont devenus un sujet d’inquiétude.
Pour Pierre Saurel, professeur associé à la Sorbonne, intervenant dans cette conférence, le domaine de l’éducation est également concerné par cette transformation numérique. De plus, les biais algorithmiques y sont tout aussi présents. Il ajoute que « L’analyse de ces biais est un point particulièrement important. Elle permet d’accompagner les enseignants pour identifier, par exemple, des spécificités dans les documents qu’ils peuvent utiliser en classe. »

Dans les coulisses de la conférence NeurIPS

Les grandes conférences scientifiques internationales sont des opportunités d’échanges intenses pour la communauté, mais aussi de moments, qui comme des œuvres d’art, sont révélateurs de tendances fortes.

Le Paris Machine Learning s’est associé avec la conférence NeurIPS afin de mettre à l’honneur quelques-uns des chercheurs francophones sélectionnés pour cette grand-messe. La forme ? Un panel quotidien de cinq intervenants durant la semaine de conférence. Des présentations éclair dans des visioconférences de dix minutes. Du concentré d’état de l’art. Ce qui émerge de cette sélection de chercheurs ? Beaucoup d’efforts consacrés à l’amélioration des méthodes d’apprentissage mais aussi des tentatives d’explorer des pistes totalement inédites.

Les neurosciences et l’explicabilité des algorithmes figurent aussi en bonne place. En somme, une dense semaine de mathématiques et d’algorithmique de haut niveau par des chercheurs de l’INRIA, l’École normale, Telecom Paris, Criteo, Google Brain et Facebook. Mais aussi venant des startups technologiques les plus avancées en recherche, parmi lesquelles LightOn, Hugging Face et Prophesee.

Des groupes de data scientists de Strasbourg, Timisoara en Roumanie et du Cameroun participaient également à cette semaine de mise en valeur de la recherche francophone. Robert Maria, organisateur du groupe de Strasbourg et de Timisoara, ainsi qu’Alain Nkongweni, organisateur du groupe du Cameroun, ont rejoint Jacqueline Forien et Claude Falguière dans l’organisation. Jacqueline est par ailleurs Meetup Chair à NeurIPS.

L’IA en lutte contre la Covid-19

Dès les premiers signes de la pandémie de Covid-19, la recherche scientifique s’est mobilisée. Le machine learning fait partie de l’arsenal mis en œuvre. C’était pour nous une évidence qui s’est traduite par une série d’interventions exclusives sur ce thème durant l’année 2020.

La recherche d’un remède définitif contre la Covid-19 complète la politique sanitaire du Tester – Alerter – Protéger. Chacun de ces éléments est décliné à base de machine learning, depuis les applications de traçage aux tests en masse, en passant par le suivi personnalisé de centaines de milliers de patients, la prévision du nombre de cas, l’estimation de la dangerosité du virus (le fameux R0) ou encore l’équilibre confinement – détection des cas, sans oublier la conception de molécules médicamenteuses.

Ces différents aspects ont été évoqués par Lenka Zdeborová, professeur à l’EPFL, Maximilien Levesque, fondateur de la startup Aqemia, Alexandre Gramfort de l’INRIA, Dror Baron de l’université de North Carolina et Arthur Charpentier de l’UQAM.

Avant de conclure, rappelons des points fondamentaux. Un algorithme ne remplace pas une infirmière. Un robot désinfectant ne se substitue pas à un accueil des patients à l’hôpital. Une application de traçage ne protège de rien. Aucune technique, méthode ou algorithme ne peut se substituer à l’action politique. Franck Bardol avait insisté sur ce point dans une intervention lors de la sortie de l’application de traçage nommée Stop Covid. Tous les éléments pour un fiasco étaient réunis. On connaît la suite. L’IA n’est pas de la magie qui résout tout. Aucune personne sérieuse n’y croit plus. Evgeny Morozov et son ouvrage de référence sur le techno-solutionnisme est passé par là et a balayé ce mythe.

Quel message retenir du Paris Machine Learning ?

Pour conclure, prêtons-nous à un exercice de synthèse difficile. Tentons de prendre du recul sur plusieurs centaines d’heures de prises de parole.

En premier lieu, ce qui frappe est la vitesse d’adoption des algorithmes IA. Yann LeCun, précurseur du domaine, relevait ce point dans sa leçon inaugurale du Collège de France consacrée aux algorithmes IA. Les ingénieurs ont adopté les méthodes du deep learning à une vitesse stupéfiante. Le décalage du cycle innovation-production n’existe pour ainsi dire plus !

Les avancées spectaculaires du deep learning en ce qui concerne le traitement des images et du langage ont très fortement facilité l’adoption du machine learning dans le tissu économique et dans les entreprises.

Au-delà de l’efficacité pure des algorithmes, d’autres préoccupations émergent. Notamment pour tout ce qui concerne le fonctionnement de ces algorithmes. Quelles sont les ressources nécessaires en données, en énergie, en matériel informatique pour entraîner ces algorithmes ? Hormis ces questions liées à la parcimonie des algorithmes, les mathématiciens s’interrogent toujours : « Pourquoi ces algorithmes fonctionnent-ils aussi bien ? » La recette est désormais connue de tous et a fait ses preuves mais la question de pourquoi elle fonctionne si bien reste entière.

Parallèlement à ces enjeux de recherche pure, le grand public, les ingénieurs, les décideurs politiques s’inquiètent du retentissement considérable de ces algorithmes sur nos sociétés. Les data scientists qui en écrivent le code informatique ne peuvent désormais plus se contenter d’être de purs techniciens, pour reprendre les termes de Cathy O’Neil, célèbre mathématicienne data scientist. Les algorithmes sont devenus un objet politique, l’éthique n’est plus une option mais un devoir.

1. François Chollet, L’apprentissage profond avec Python, éditions Machinelearning.fr
2. http://g.co/robotics
3. https://language-play.github.io
4. Cardon Dominique, À quoi rêvent les algorithmes. Nos vies à l’heure des big data, éditions du Seuil, collection « La République des idées », 2015.
5. Cardon Dominique, Cointet Jean-Philippe, Mazières Antoine, « La revanche des neurones. L’invention des machines inductives et la controverse de l’intelligence artificielle », Réseaux, 2018/5 (n° 211), p. 173-220. DOI : 10.3917/res.211.0173.
6. Service de machine learning automatisé

Site internet du groupe : http://parismlgroup.org/
Archives du Paris Machine Learning : https://nuit-blanche.blogspot.com/p/paris-based-meetups-on-machine-lear-ning.html
Lien vers l’inscription : https://www.meetup.com/fr-FR/Paris-Machine-learning-applications-group/

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

Cet article a été par Jean Ababii. Passionné par le développement de l’intelligence artificielle et le secteur de l’aéronautique et du spatial, Jean Ababii est étudiant en dernière année d’ingénierie informatique à l’INSA Lyon. Après plusieurs stages autour de l’IA appliquée à la vision par ordinateur, il a rejoint Dassault Systèmes pour son projet de fin d’études en tant qu’ingénieur IA et Big Data afin de travailler principalement sur des problématiques de NLP.

“Touchdown confirmed ! Perseverance is safely on the surface of Mars”

Ces quelques mots provenant du Jet Propulsion Laboratory de la NASA marquent le soulagement des milliers d’ingénieurs travaillant sur ce projet depuis des années. Le 18 février 2021, au terme d’un voyage de sept mois, le robot Perseverance se pose sur la planète rouge.

Son atterrissage est totalement automatisé puisque, se situant à 200 millions de kilomètres de la Terre, une latence de plus de dix minutes est observée entre l’envoi et la réception d’un message.

Comment peut-on automatiser un processus aussi complexe ? L’intelligence artificielle est une des nouvelles solutions permettant de répondre à ce défi technologique, et son utilisation est en plein essor dans le milieu spatial. En effet, le marché de la robotique et de l’IA dans l’espace, évalué à 2 milliards de dollars en 2018, est estimé à 3,5 milliards en 2025.

De la navigation autonome à l’assistance des astronautes, voici une sélection d’applications de l’IA dans la conquête spatiale.

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

1. Navigation autonome

Un des premiers éléments venant à l’esprit lorsqu’on évoque l’IA pour un robot pourrait être sa capacité à se déplacer et à prendre des décisions de manière autonome. Pour un rover comme Perseverance, une automatisation des déplacements permet en effet un énorme gain de temps : en déterminant la meilleure route pour éviter les obstacles, l’opérateur humain n’est sollicité qu’en cas de besoin, sans parler des étapes où cette intervention est impossible, comme lors de l’atterrissage.

Pour comprendre comment l’IA peut aider lors de la navigation sur un objet céleste lointain, il convient de rappeler comment cette dernière est rendue possible sur Terre. Les systèmes terrestres actuels reposent en grande partie sur le GPS, système mondial de positionnement. Or, le GPS fonctionne grâce au calcul de la distance séparant le récepteur de plusieurs satellites. Malheureusement, des satellites de ce type n’existent qu’autour de notre planète. De plus, pour compliquer les choses, Mars ou encore la Lune ne possèdent pas de champ magnétique global permettant le fonctionnement des boussoles traditionnelles.

Une des solutions imaginées pour contourner ces difficultés est de se servir des images et topographies de ces astres, enregistrées lors de missions précédentes. C’est alors que l’IA entre en jeu, en permettant la comparaison des données existantes avec celles pouvant être directement acquises. En effet, des techniques d’IA principalement basées sur l’apprentissage profond (deep learning) sont extrêmement performantes dans le domaine du traitement d’image. Le système Terrain Relative Navigation de Perseverance en est un exemple : il permet de se repérer sur Mars en comparant les caractéristiques visibles de la surface martienne avec des données pré-enregistrées. Grâce à ce repérage précis, Perseverance a atterri à seulement un km environ du centre de la zone visée ! Toujours au cours de cette mission, Ingenuity a effectué son premier vol sur la planète rouge.

Ce drone devient donc le premier objet qui vole sur une planète différente de la Terre. L’automatisation de ses déplacements est d’autant plus critique qu’une fois en plein vol, ce dernier ne peut tout simplement pas s’arrêter pour attendre les instructions terriennes. L’IA permet donc d’analyser son environnement pour prendre en compte les vents par exemple, et suivre au plus près le plan de vol prévu en amont sur Terre. Cependant, nul besoin de se trouver sur une autre planète pour rencontrer des problèmes liés à la navigation.

En effet, en 2019, l’Agence spatiale européenne (ESA) a estimé à près d’un million le nombre d’objets mesurant plus d’un cm orbitant autour de la Terre. Ces nombreux débris spatiaux peuvent causer de gros dégâts à tous les appareils opérationnels, la Station spatiale internationale (ISS) ou des satellites par exemple. Bien qu’une attention particulière soit actuellement portée à cette « pollution » de l’espace, le nombre de lancements augmentera fortement dans les prochaines années. Pour prévenir de potentielles collisions, des techniques à base d’apprentissage profond se sont révélées particulièrement efficaces. En effet, des réseaux de neurones ont permis d’améliorer grandement la précision lors de la détection des débris spatiaux, rendant ainsi possible une identification précise à plusieurs milliers de kilomètres.

2. Collecter et transmettre l’information

Le recours à l’IA apporte une réelle efficacité dans la gestion des données échangées. En effet, que ce soit sur Terre avec l’essor du big data, ou dans l’espace, la quantité de données stockées croît d’année en année, aussi bien grâce à un nombre croissant de capteurs qu’à une baisse du coût de stockage. Ces données proviennent en grand nombre de différentes sources comme des satellites, des télescopes ou des observatoires.

D’après l’ESA, un satellite moderne produit quotidiennement plus de 150 TB (TeraBytes) de données. Leur analyse et transmission exigent beaucoup de travail, et donc de temps, c’est pourquoi le recours à l’IA permet une efficacité démultipliée. Par exemple, la transmission de l’ensemble des données est parfois impossible physiquement, ce qui impose de choisir les plus « intéressantes » pour les chercheurs. Des systèmes d’IA embarqués au sein des satellites ou robots permettent un pré-traitement des données, pour n’en transmettre qu’une partie vers la Terre. Le système AEGIS (Autonomous Exploration for Gathering Increased Science) est par exemple présent sur Perseverance, ou encore sur son prédécesseur Curiosity. AEGIS permet au robot d’analyser différentes roches et transmettre uniquement des données présentant le plus d’intérêt scientifique, ce qui permet de maximiser leur qualité.

D’autre part, la distance importante pouvant séparer les objets émetteurs présents dans l’espace des récepteurs sur Terre entraîne de réelles complications au niveau du débit et de la qualité de la transmission. En effet, les interférences sont un problème courant dans l’espace, dues notamment aux radiations électromagnétiques. Là encore, des techniques à base d’IA sont explorées par la NASA pour améliorer la qualité des réseaux de communications. Certaines techniques d’IA permettent de maximiser l’utilisation des bandes de communications disponibles et ainsi d’améliorer l’efficacité et la fiabilité des transmissions. Cependant, avant de pouvoir déployer de telles technologies, des tests doivent être conduits et sont déjà prévus à bord de l’ISS.

Depuis la Terre également, l’IA permet une meilleure collecte des données, comme on peut le constater avec le Cherenkov Telescope Array (CTA). Ce réseau de plus de 100 télescopes de nouvelle génération situés dans différents endroits du globe terrestre repose sur des techniques de deep learning afin d’ana- lyser rapidement un nombre colossal de données. Les réseaux de neurones utilisés sont entraînés sur le supercalculateur Jean Zay situé sur le plateau de Saclay, en région parisienne, et permettront à terme d’interpréter les évènements en temps réel pour émettre des alertes et faire converger plus rapidement les télescopes vers les sources intéressantes.

3. Traitement des données

Une fois les données collectées et transmises, celles-ci vont faire l’objet de nombreux traitements. Un grand nombre de ces données récupérées sont des images, mais pas uniquement. Pour le traitement d’image, l’IA est un outil formidable, principalement depuis la découverte des réseaux de neurones dits convolutionnels (CNN : Convolutional Neural Networks) faisant partie de la branche de l’apprentissage profond. Il n’est donc pas étonnant que les scientifiques exploitent de plus en plus ces méthodes dans la recherche spatiale.

Une des tâches sur lesquelles ces réseaux se sont montrés redoutablement efficaces est la classification d’objets selon plusieurs catégories, après avoir été correctement entraînés sur des milliers d’images. En effet, le nombre gigantesque d’objets célestes composant notre univers rend impossible la classification manuelle de chacun d’entre eux, et c’est dans ce but qu’est utilisée l’IA aujourd’hui pour déterminer par exemple si tel astre est une étoile, une galaxie ou une planète. Cette classification n’est pas toujours simple à cause du bruit causé par les instruments ou les effets astrophysiques. C’est ainsi que des chercheurs de Google ont développé un réseau de neurones convolutionnels nommé AstroNet afin de traiter les images issues du télescope Kepler de la NASA.

Cette IA a permis de réduire le bruit, et ainsi d’identifier deux nouvelles exoplanètes. Ces différentes avancées permises par l’IA ont conduit à la mise en place du Frontier Development Lab (FDL) par la NASA, dans le but de réunir des innovateurs et travailler sur l’application de l’IA dans l’espace. L’ensemble des techniques qui y sont développées sont publiques et certaines sont déjà utilisées pour prédire les radiations solaires ou identifier la composition de l’atmosphère de certaines exoplanètes. Un des cas d’utilisation de l’IA au FDL est la modélisation d’astéroïdes. Lors de cette tâche, une très large panoplie d’outils issus de l’IA se sont montrés efficaces. Ainsi, des modèles de deep learning tels que des auto-encodeurs ou des réseaux antagonistes génératifs (GAN) ont été utilisés pour la modélisation même des astéroïdes, alors que des techniques comme le clustering ont servi à un pré-traitement des données récupérées. Lors de ce cas d’étude, l’IA a permis une économie importante de temps en réalisant une modélisation d’astéroïde en moins d’une semaine, alors que plusieurs mois étaient nécessaires auparavant.

4. Les assistants d’astronautes

L’utilisation de l’IA pour le traitement d’image a beaucoup été évoquée, cependant elle est également présente dans bien d’autres domaines d’applications relevant de l’exploration spatiale. En effet, les progrès récents dans le traitement du langage naturel (NLP : Natural Language Processing) ont trouvé de nombreux cas d’utilisation dans notre vie quotidienne, mais aussi dans celle des astronautes. Depuis 2018, CIMON (Crew Interactive MObile companioN) est déployé à bord de la Station spatiale internationale. Cet assistant de la taille d’un ballon de basket, développé entre autres par IBM et Airbus, se déplace en autonomie grâce à des hélices. Son objectif est d’assister les astronautes au cours de leurs tâches en leur proposant des informations lorsque c’est nécessaire, à travers des tutoriels par exemple, mais aussi d’interagir directement en répondant à leurs questions.

CIMON repose sur les dernières prouesses techniques puisqu’il utilise l’IA Watson d’IBM, qui a fait ses preuves dans la compréhension du langage naturel et dans la gestion des dialogues. Les performances de CIMON sont encore loin des assistants que l’on peut trouver dans les films de science-fiction comme HAL 9000 de 2001, L’Odyssée de l’Espace. Cependant, l’évolution des performances des assistants est un objectif dans la conquête spatiale pour comprendre et prédire les besoins de l’équipage, analyser leurs émotions, leur santé mentale ou encore prendre de bonnes décisions en cas d’urgence.

L’astronaute Luca Parmitano converse avec CIMON à bord de l’ISS. Source : Youtube

Les défis de l’IA dans la conquête spatiale

L’ensemble de ces différentes utilisations de l’IA dans la conquête spatiale permet de montrer le vaste éventail de possibilités et d’opportunités permises par les avancées technologiques. Cependant, l’utilisation de l’IA induit également des interrogations pertinentes concernant les risques potentiels. Sans en arriver à des cas extrêmes, comme le volte-face des assistants contre l’équipage dans de nombreux films, certaines inquiétudes sont imputées à l’IA, comme un manque d’explicabilité. En effet, les algorithmes deviennent de plus en plus performants, mais aussi de plus en plus complexes, ce qui peut réduire la compréhension de leurs décisions.

Or, les montants financiers astronomiques des missions touchant au domaine spatial risquent de freiner les investisseurs qui vont privilégier la sécurité des techniques plus classiques. Ainsi, il est nécessaire d’améliorer la fiabilité et l’explicabilité des systèmes d’IA actuels pour accélérer leur déploiement dans ce domaine où la moindre erreur n’est pas envisageable. Les systèmes futurs vont probablement intégrer progressivement de plus en plus d’IA en trouvant un équilibre entre les méthodes à très fort potentiel basées sur l’apprentissage profond et les méthodes plus traditionnelles assurant une plus grande sécurité.

D’autre part, la progression plus lente de l’IA dans l’industrie spatiale s’explique également par des raisons plus techniques. En effet, il est beaucoup plus difficile de tester les nouvelles technologies en conditions réelles afin de les optimiser, ce qui entraîne des difficultés particulières pour les techniques d’IA apprenant à partir de situations précédentes. L’amélioration des systèmes existants et l’obtention de plus de données provenant des nouvelles missions spatiales représenteront de grandes opportunités pour la conquête spatiale, dont le futur est difficilement imaginable sans un recours important à l’intelligence artificielle.

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

Les insectes, notamment les fourmis, inspirent de plus en plus les chercheurs en robotique pour la conception de systèmes de navigation autonomes pour de minuscules robots. Les fourmis utilisent une combinaison de reconnaissance visuelle de leur environnement et de comptage de leurs pas pour retrouver leur chemin, une stratégie que les chercheurs de l’Université technique de Delft ont adaptée pour les drones légers. Leur étude, publiée dans Science Robotics le 17 juillet dernier, présente une méthode de navigation efficace pour ces robots, qui nécessite très peu de calcul et de mémoire, seulement 0,65 kilo-octet pour 100 mètres de trajet.

Les robots miniatures, pesant de quelques dizaines à quelques centaines de grammes, ont un potentiel d’applications intéressantes dans le monde réel. Ils présentent plusieurs avantages : leur poids léger minimise les risques de blessures en cas de collision, leur petite taille leur permet de naviguer dans des espaces restreints, leur coût moindre permet de les déployer en grand nombre pour couvrir de vastes zones rapidement, comme dans des serres pour la détection précoce de ravageurs ou de maladies.

Cependant, un obstacle majeur à leur utilisation est qu’ils doivent être capables de naviguer de manière autonome pour effectuer des tâches dans le monde réel. Ils peuvent bénéficier d’une infrastructure externe, comme les estimations de localisation par GPS à l’extérieur ou les balises de communication sans fil à l’intérieur, mais il est préférable de ne dépendre de telles infrastructures. Le GPS n’est pas disponible à l’intérieur et peut être très imprécis dans des environnements encombrés, l’installation et l’entretien de balises dans les espaces intérieurs sont coûteux ou parfois impossibles, par exemple dans les scénarios de recherche et de sauvetage.

L’IA nécessaire à la navigation autonome utilisant uniquement des ressources embarquées a été conçue pour les grands robots tels que les voitures autonomes. Pour les systèmes plus petits, comme le drone de 56 g mentionné, les capteurs peuvent être trop grands, lourds ou gourmands en énergie. Par exemple, les capteurs LiDAR, bien que précis, ne conviennent pas aux petites plateformes. La navigation basée sur la vision pourrait être une solution, car les caméras sont légères et économes en énergie, mais les exigences de calcul des algorithmes de vision sous-jacents traditionnels sont excessives.

Stratégie inspirée des insectes

Les insectes utilisent une combinaison d’odométrie (suivi de leurs propres mouvements, en l’occurrence le comptage de pas pour les fourmis) et une mémoire visuelle quasi omnidirectionnelle pour naviguer. Ils prennent des instantanés visuels de leur environnement et comparent leur perception actuelle avec ces instantanés pour se diriger correctement. Cette méthode leur permet de retrouver leur chemin même dans des environnements complexes.

Les chercheurs s’en sont inspirés pour leurs expériences : leur drone a pris des images de son environnement à différents points de son trajet aller. Ces images ont servi de repères visuels pour le trajet retour et la navigation future grâce à un algorithme combinant guidage visuel et odométrie.

Tom van Dijk, premier auteur de l’étude, explique :

“La navigation basée sur des instantanés peut être comparée à la façon dont Hansel a essayé de ne pas se perdre dans le conte de fées de Hansel et Gretel. Quand Hans jetait des pierres sur le sol, il pouvait rentrer chez lui. Cependant, lorsqu’il a jeté des miettes de pain qui ont été mangées par les oiseaux, Hans et Gretel se sont perdus. Dans notre cas, les pierres sont les instantanés”.

Il ajoute :

“Comme pour une pierre, pour qu’un instantané fonctionne, le robot doit être suffisamment proche de l’emplacement de l’instantané. Si l’environnement visuel devient trop différent de celui de l’emplacement de l’instantané, le robot peut se déplacer dans la mauvaise direction et ne plus jamais revenir. Il faut donc utiliser suffisamment d’instantanés – ou dans le cas de Hansel, laisser tomber un nombre suffisant de pierres. D’un autre côté, laisser tomber des pierres trop près les unes des autres épuiserait trop rapidement les pierres de Hans. Dans le cas d’un robot, l’utilisation d’un trop grand nombre d’instantanés entraîne une consommation de mémoire importante. Les travaux précédents dans ce domaine avaient généralement les instantanés très proches les uns des autres, de sorte que le robot pouvait d’abord se loger visuellement sur un instantané, puis sur le suivant”.

Guido de Croon, professeur titulaire de drones bio-inspirés et co-auteur de l’article, commente :

“L’idée principale qui sous-tend notre stratégie est que vous pouvez espacer les instantanés beaucoup plus loin, si le robot se déplace entre les instantanés en fonction de l’odométrie”.

Il précise :

“Le guidage fonctionnera tant que le robot se retrouvera suffisamment près de l’emplacement de l’instantané, c’est-à-dire tant que la dérive d’odométrie du robot se situe dans la zone de chalandise de l’instantané. Cela permet également au robot de voyager beaucoup plus loin, car le robot vole beaucoup plus lentement lorsqu’il se dirige vers un instantané que lorsqu’il vole d’un instantané à l’autre en fonction de l’odométrie”.

Cette stratégie de navigation a permis à un drone « CrazyFlie » de 56 grammes, équipé d’une caméra omnidirectionnelle, de couvrir des distances allant jusqu’à 100 mètres avec seulement 1,16 kilo-octet. Tout le traitement visuel se faisait sur un minuscule ordinateur appelé « microcontrôleur », que l’on trouve dans de nombreux appareils électroniques bon marché.

Guido de Croon conclut :

“La stratégie de navigation inspirée des insectes proposée est une étape importante sur la voie de l’application de minuscules robots autonomes dans le monde réel. La fonctionnalité de la stratégie proposée est plus limitée que celle fournie par les méthodes de navigation de pointe. Il ne génère pas de carte et permet uniquement au robot de revenir au point de départ. Pourtant, pour de nombreuses applications, cela peut être plus que suffisant. Par exemple, pour le suivi des stocks dans les entrepôts ou le suivi des cultures dans les serres, les drones pourraient s’envoler, collecter des données puis revenir à la station de base. Ils pouvaient stocker des images pertinentes pour la mission sur une petite carte SD pour un post-traitement par un serveur. Mais ils n’en auraient pas besoin pour la navigation elle-même”.

Références de l’article :

• Tom van Dijk, Christophe De Wagter, Guido C. H. E. de Croon. Suivi visuel de l’itinéraire pour les petits robots autonomes. Science Robotics, 2024 ; 9 (92) DOI : 10.1126/scirobotics.adk0310
• Université de technologie de Delft. « Les connaissances des fourmis mènent à une percée dans la navigation des robots. » ScienceDaily. 17 juillet 2024.

Le secteur pétrolier et gazier, traditionnellement perçu comme une industrie lourde et complexe, est actuellement en pleine transformation grâce aux progrès de l’IA et de la robotique. Selon GlobalData, une entreprise leader dans le domaine des données et de l’analytique, ces technologies révolutionnaires redéfinissent les normes de productivité, d’efficacité, de durabilité et de sécurité dans ce secteur clé de l’économie mondiale.

Basée à Londres, créée en 1999, GlobalData est une entreprise d’analyse de données et de conseil. Elle fournit des analyses commerciales et des données exclusives à différents secteurs, notamment ceux de la santé, de la consommation, de la vente au détail, de la finance, de la technologie et des services professionnels.

Son dernier rapport, intitulé “Cognitive Energy: Transforming Oil & Gas with AI and Robotics”, fait partie d’une série en cours sur le secteur pétrolier et gazier.

Saurabh Daga, chef de projet pour la technologie disruptive chez GlobalData, souligne le rôle clé de ces technologies pour le secteur :

“L’IA et la robotique apportent des changements profonds et étendus dans le secteur pétrolier et gazier, redéfinissant fondamentalement ce qui est possible. Ces technologies nous aident à surmonter des défis allant de la réduction des coûts à l’amélioration de la sécurité et de la durabilité, établissant de nouvelles références en matière d’efficacité et d’innovation. Des opérations autonomes, à l’optimisation du forage, en passant par les inspections d’usines et l’optimisation des flottes, elles transforment les opérations en amont, intermédiaires et en aval, repoussant les limites de l’efficacité et de l’innovation”.

Innovations clés et applications pratiques

Le rapport de GlobalData présente plus de 50 innovations concrètes de l’IA et de la robotique, démontrant leur impact révolutionnaire sur les différents aspects du secteur. Il explore également des domaines émergents tels que l’IA générative et la robotique d’inspection de pipelines avec des exemples pratiques de l’industrie.

Voici quelques exemples illustrant ces avancées :

Réduction des émissions de carbone : SLB (anciennement Schlumberger) et INEOS Energy se sont associés pour intégrer des capacités d’IA via la plateforme numérique Delfi de SLB. Cette collaboration vise à améliorer la performance opérationnelle dans l’ensemble des opérations pétrolières et gazières, de capture et stockage du carbone (CSC), et de nouvelles acquisitions. Elle marque une avancée majeure vers des solutions énergétiques durables et à faible émission de carbone, en particulier dans la région de la mer du Nord.

Forage de précision : Shell a mis en œuvre une technologie d’IA générative pour optimiser ses opérations de forage offshore. En collaboration avec la startup texane SparkCognition, Shell utilise cette technologie propriétaire conjointe pour améliorer ses capacités d’exploration et de forage en mer profonde.

Inspections Offshore : Petrobras a recours à des robots d’inspection autonomes ANYmal X, développés par ANYbotics, pour automatiser les inspections de ses installations offshore. Cette initiative permet de réduire les risques pour les travailleurs et d’améliorer l’efficacité des inspections.

Robots d’inspection de pipelines : Kawasaki Heavy Industries, en collaboration avec TotalEnergies, a testé un véhicule sous-marin autonome (AUV) nommé SPICE pour l’inspection des pipelines sous-marins. Ce robot, équipé d’un bras robotique, est conçu pour répondre aux besoins croissants de maintenance des infrastructures sous-marines.

Vers un avenir plus vert et plus efficace

L’adoption de l’IA et de la robotique dans le secteur pétrolier et gazier ne se limite pas seulement à l’amélioration des opérations existantes. Elle ouvre également la voie à un avenir plus durable et plus respectueux de l’environnement. Ces technologies avancées permettent une meilleure gestion des ressources, une réduction des émissions de carbone et une amélioration significative de la sécurité sur les sites d’exploitation.

Saurabh Daga conclut :

“L’avenir du secteur pétrolier et gazier dépend de l’IA et de la robotique sur l’ensemble de sa chaîne de valeur. Les défis tels que l’intégration des données, les réglementations de sécurité et la main-d’œuvre qualifiée nécessitent des solutions collaboratives et des investissements stratégiques en R&D. Surmonter ces obstacles permettra de débloquer l’efficacité, la durabilité et l’innovation dans le secteur”. 

Pour retrouver le rapport de Globaldata, cliquer ici.

Les grands modèles de langage (LLM) jouent un rôle de plus en plus important dans les domaines de la programmation et de la robotique. Cependant, lorsqu’il s’agit de problèmes de raisonnement complexes, ils peinent encore à égaler les performances humaines. Une des raisons principales est leur difficulté à apprendre de nouveaux concepts et à former des abstractions efficaces. Des chercheurs du laboratoire d’informatique et d’intelligence artificielle du MIT (CSAIL) ont développé trois cadres qui soulignent l’importance des mots du quotidien pour améliorer les performances des LLM pour le codage, la planification de l’IA et la robotique.

Les trois cadres présentés par les chercheurs du MIT sont LILO (library induction from language observations), Ada (acquisition de domaine d’action) et LGA (abstraction guidée par langage). Chacun de ces systèmes utilise des méthodes neurosymboliques, qui combinent des réseaux neuronaux et des composants logiques pour construire des abstractions à partir du langage naturel. Ces abstractions facilitent la réalisation de tâches complexes en permettant aux modèles de langage de raisonner plus efficacement.

LILO : un cadre neurosymbolique pour le codage

LILO se concentre sur l’amélioration des capacités de codage des modèles de langage. Bien que les LLM puissent générer rapidement du code pour des tâches simples, ils ont du mal à créer des bibliothèques logicielles entières comme le font les ingénieurs humains. LILO associe un modèle de langage à un algorithme de refactorisation, Stitch, pour synthétiser, compresser et documenter du code en bibliothèques de programmes réutilisables. En utilisant le langage naturel pour nommer et documenter ces abstractions, LILO permet aux modèles de langage de mieux comprendre les invites et de produire un code plus lisible et interprétable.

Dans des tests, LILO a surpassé les LLM autonomes et les algorithmes de refactorisation antérieurs, montrant des performances améliorées dans des tâches comme l’identification et la suppression de voyelles dans une chaîne de code et le dessin de flocons de neige. Ces résultats prometteurs suggèrent que LILO pourrait être utilisé pour des applications variées, telles que la manipulation de documents et la génération de graphiques.

Ada : le langage naturel pour la planification des tâches de l’IA

Le cadre Ada utilise le langage naturel pour améliorer la planification des tâches dans des environnements virtuels, comme des simulateurs de cuisine et des jeux vidéo. En entraînant les modèles de langage sur des descriptions de tâches, Ada construit des bibliothèques de plans qui peuvent être utilisées pour guider les agents d’IA. Le système propose des abstractions d’actions basées sur ces descriptions, qui sont ensuite validées par des opérateurs humains.

En intégrant le modèle de langage GPT-4, Ada a montré une performance supérieure dans des simulateurs par rapport à des bases de décision existantes. Par exemple, dans des tâches de cuisine virtuelle et de construction dans Mini Minecraft, Ada a réalisé un plus grand nombre de tâches avec une précision accrue. Ces résultats indiquent que le langage naturel peut fournir un contexte précieux pour la prise de décision séquentielle dans des environnements complexes.

LGA : l’abstraction guidée par langage pour la robotique

LGA se concentre sur l’amélioration de la compréhension des robots de leur environnement en utilisant des descriptions en langage naturel. Ce cadre permet aux robots de générer des abstractions nécessaires pour effectuer des tâches dans des environnements non structurés. En utilisant un modèle de langage pré-entraîné, LGA traduit des descriptions de tâches en abstractions exploitables, qui sont ensuite mises en œuvre par des politiques d’imitation.

Des tests avec le robot quadrupède Spot de Boston Dynamics ont montré que LGA pouvait guider efficacement les robots pour accomplir des tâches telles que ramasser des fruits et déposer des boissons dans un bac de recyclage. Cette approche permet de réduire le besoin de notes détaillées et coûteuses pour pré-entraîner les robots, rendant les processus d’entraînement plus rapides et moins coûteuses.

En construisant des bibliothèques d’abstractions de haute qualité, les cadres LILO, Ada et LGA permettent aux modèles de langage de raisonner plus efficacement et de s’attaquer à des problèmes plus élaborés. Ces travaux ouvrent la voie à des applications pratiques dans des domaines variés, allant de la programmation avancée à la robotique domestique et industrielle.

Auteurs et crédits 

Les auteurs principaux de chaque article sont des membres du MIT CSAIL :

Joshua Tenenbaum, professeur de sciences cérébrales et cognitives, pour LILO et Ada,
Julie Shah, chef du département d’aéronautique et d’astronautique, pour LGA,
Jacob Andreas, professeur agrégé de génie électrique et d’informatique, pour les trois.

Les autres auteurs incluent des doctorants du MIT et des collaborateurs de plusieurs institutions :

Maddy Bowers et Theo X. Olausson pour LILO,
Jiayuan Mao et Pratyusha Sharma pour Ada,
Belinda Z. Li pour LGA,
Muxin Liu du Harvey Mudd College pour LILO,
Zachary Siegel de l’Université de Princeton, Jaihai Feng de l’Université de Californie à Berkeley, et Noa Korneev de Microsoft pour Ada,
Ilia Sucholutsky, Theodore R. Sumers, et Thomas L. Griffiths de l’Université de Princeton pour LGA.

Sources de l’article : MIT News, Alex Shipps.

Cat Royale est un projet qui explore l’impact de l’IA sur les humains et les animaux, visant à comprendre comment les systèmes autonomes vont avoir une incidence sur le bien-être animal et, en fin de compte, sur le bien-être humain. Les résultats suggèrent qu’il faut plus qu’un robot soigneusement conçu pour s’occuper de votre chat, l’environnement dans lequel il opère est également vital, ainsi que l’interaction humaine.

Cat Royale est une collaboration unique entre des chercheurs du Mixed Reality Lab de l’Université de Nottingham et des artistes de Blast Theory, un groupe d’artistes renommé à l’échelle internationale, spécialisé dans la création d’œuvres d’art interactives qui explorent des questions sociales et politiques.

Pendant 12 jours, trois chats sont venus passer six heures dans l’enclos qu’ils ont conçu où se trouvait un bras robotique contrôlé par une IA, connecté à un système de vision par ordinateur. Pour assurer le confort et la sécurité des chats, des experts en bien-être animal ont été impliqués dans la conception du projet dès le départ.

En 2023, l’installation a été présentée au World Science Festival de Brisbane, en Australie.  Elle est en tournée depuis et vient de remporter un Webby award pour son expérience créative.

Concevoir des mondes multi-espèces pour les robots, les chats et les humains

Le document de recherche, “Designing Multispecies Worlds for Robots, Cats, and Humans” co-écrit par les artistes de Blast Theory, les chercheurs de l’Université de Nottingham et le professeur Clara Mancini à l’Open University, a remporté le prix du meilleur article le mois dernier lors de la conférence annuelle Computer-Human Interaction Conference (CHI’24) à Hawaï.

Il souligne que la conception du robot et de ses interactions avec les trois chats ne suffit pas et qu’il est tout aussi crucial de concevoir l’environnement dans lequel il opère. La recherche souligne également que l’implication humaine reste indispensable, notamment pour la récupération des pannes, le bien-être animal et son rôle en tant que public.

Cat Royale était centré sur un bras robotique conçu pour ramasser et manipuler des jouets de manière à attirer et divertir les chats : il leur a lancé des balles, traîné un jouet “souris” sur le sol, fait prendre des plumes dans les airs et leur a également offert des friandises à manger. L’équipe avait aménagé un environnement où les chats pouvaient observer le robot en toute sécurité avant d’interagir avec lui.

Elle a ensuite formé une IA pour apprendre quels jeux les chats préféraient afin de pouvoir personnaliser leurs expériences.

Steve Benford, professeur à l’Université de Nottingham, qui a dirigé la recherche commente :

“A première vue, le projet consiste à concevoir un robot pour enrichir la vie d’une famille de chats en jouant avec eux. Sous la surface, cependant, il explore la question de savoir ce qu’il faut pour faire confiance à un robot pour s’occuper de nos proches et potentiellement de nous-mêmes”.

Les chercheurs ont collaboré pour concevoir le robot et assurer le bien-être des chats à l’espace Cobotmaker de l’Université de Nottingham où ont eu lieu les ateliers de recherche;

Eike Schneiders, professeur adjoint au laboratoire de réalité mixte de l’Université de Nottingham, explique :

“Comme nous l’avons appris grâce à Cat Royale, la création d’un système multi-espèces – où les chats, les robots et les humains sont tous pris en compte – nécessite plus que la simple conception du robot. Nous devions veiller au bien-être des animaux à tout moment, tout en veillant à ce que l’installation interactive engage le public (humain) du monde entier. Cela impliquait la prise en compte de nombreux éléments, notamment la conception de l’enclos, le robot et ses systèmes sous-jacents, les différents rôles des humains dans la boucle et, bien sûr, la sélection des chats”.

Alors que les robots autonomes sont de plus en plus présents dans notre vie quotidienne, le professeur Steve Benford déclarait au début du projet :

Références : Blog de l’Université de Nottingham

“Designing Multispecies Worlds for Robots, Cats, and Humans” ACM Digital Library https://doi.org/10.1145/3613904.3642115

Auteurs et affiliations :

Eike Schneiders, Steve David Benford, Alan Chamberlain, Simon D Castle-Green, Victor Zhi Ngo, Joel E. Fischer de l’Université de Nottingham, Royaume-Uni
Clara Mancini, de l’Open University, Royaume-Uni
Ju Row-Farr, Matt Adams, Nick Tandavanitj,  Blast Theory, Royaume-Uni

Boston Dynamics, leader mondial dans le domaine de la robotique avancée, a annoncé le retrait de son Atlas hydraulique et dévoilé un robot Atlas entièrement électrique conçu pour des applications réelles. Cette nouvelle plateforme représente une évolution significative dans la gamme des robots humanoïdes de l’entreprise, promettant des performances améliorées et une adaptabilité accrue pour résoudre les défis industriels les plus complexes.

Rival d’Olympus, le Tesla bot humanoïde d’Elon Musk, Atlas est initialement un projet de R&D de Boston Dynamics retenu par la DARPA visant la conception d’un robot pour diverses tâches de recherche et de sauvetage. Le premier Atlas avait été présenté au public par Boston Dynamics en juillet 2013 et n’avait cessé d’être d’amélioré comme on peut le voir dans la vidéo ci-dessous.

En passant d’une technologie hydraulique à une technologie entièrement électrique, l’Atlas électrique offre une plus grande amplitude de mouvement et une capacité de manipulation renforcée, ouvrant ainsi la voie à de nouvelles applications dans divers secteurs industriels.

Bien qu’Atlas soit un humanoïde, une conception utile pour les robots travaillant dans un monde conçu pour les humains, il est équipé pour se mouvoir avec une efficacité maximale, sans être limité par la biomécanique humaine.

Boston Dynamics déclare :

“La version électrique de l’Atlas sera plus puissante, avec une plus grande amplitude de mouvement que n’importe laquelle de nos générations précédentes. Par exemple, notre Atlas hydraulique de dernière génération (HD Atlas) pouvait déjà soulever et manœuvrer une grande variété d’objets lourds et irréguliers ; Nous continuons à nous appuyer sur ces capacités existantes et explorons plusieurs nouvelles variantes de préhenseurs pour répondre à un ensemble diversifié de besoins de manipulation attendus dans les environnements des clients”.

Boston Dynamics a commercialisé avec succès les robots Spot and Stretch. Tout comme il l’a fait pour ce dernier, il va collaborer avec un petit groupe de clients innovants, à commencer par Hyundai, pour tester et itérer les applications Atlas au cours des prochaines années.

Le marché des robots humanoïdes devrait atteindre 8 milliards de dollars d’ici 2030, ce qui explique l’intérêt dans ce secteur des grandes firmes ou de start-ups comme OpenAI qui s’est associé en mars 2023 avec 1X Technologies pour développer NEO, un robot humanoïde alimenté par l’IA. Selon un post de Remi Cadene sur X, Hugging Face se lancerait lui aussi dans un projet robotique, mais open source. 

Passée au rang de licorne après une levée de fonds de 235 millions de dollars en août dernier, Hugging Face, start-up créée à Paris en 2016 mais également basée à New York, se positionne comme une alternative open source à OpenAI. Elle a présenté HuggingChat, comme une alternative open source à ChatGPT et ses Hugging Face Assistants, gratuits et eux aussi open source, lancés il y a un mois, rivalisent avec les GPT du Store d’Open AI. 

Ce qu’appuie Remi Cadene dans son post sur X :

“Après 3 ans @tesla et Optimus, je suis ravi d’annoncer que j’ai rejoint Hugging Face pour lancer un ambitieux projet de robotique ouverte ! (open comme dans open-source, pas comme dans Open AI) A la recherche d’ingénieurs pour construire de vrais robots à Paris.”  

After 3 years @tesla and Optimus, I am thrilled to announce that I joined Hugging Face to start an ambitious open robotics project! (open as in open-source, not as in Open AI) Looking for engineers to build real robots in Paris 🇫🇷 https://t.co/cFuNL4PVI4 🤖🤗 pic.twitter.com/7IkunPXOpX

— Remi Cadene (@RemiCadene) March 7, 2024

Sur son site, on peut lire :

“Je construis des robots de nouvelle génération chez Hugging Face. Auparavant, j’étais chercheur scientifique chez Tesla sur Autopilot et Optimus. Sur le plan académique, j’ai fait des études postdoctorales à l’Université Brown et mon doctorat à la Sorbonne”.

Si Hugging Face n’a pas confirmé pour l’instant, le lien publié renvoie vers une offre d’emploi d’ingénieur en robotique incarnée à Paris. La start-up y stipule :

“Chez Hugging Face, nous pensons que le ML ne doit pas nécessairement se limiter aux ordinateurs et aux serveurs, et c’est pourquoi nous élargissons notre équipe avec une nouvelle opportunité pour un ingénieur en robotique axé sur l’apprentissage automatique/l’IA. 

Dans ce rôle, vous serez responsable de la conception, de la construction et de la maintenance de systèmes robotiques open source et à faible coût qui intègrent les technologies d’IA, en particulier dans l’apprentissage profond et l’IA incarnée. Vous collaborerez en étroite collaboration avec les ingénieurs ML, les chercheurs et les équipes de produits pour développer des solutions innovantes qui repoussent les limites de ce qui est possible en robotique et en IA”.

Figure AI, une jeune start-up spécialisée en robotique, a finalisé la semaine dernière une levée de fonds de 675 millions de dollars qui la valorise à près de 2 milliards de dollars. Si la somme est conséquente, ce qui retient l’attention est la participation à ce tour de table de grands noms des entreprises technologiques.

Bloomberg avait révélé le mois dernier que la start-up prévoyait initialement de lever 500 millions de dollars auprès notamment de Microsoft et OpenAI, qui avait d’ailleurs songé à la racheter.

Selon ses informations, Figure AI a réussi à en lever 675 : Jeff Bezos, le fondateur d’Amazon est l’un des plus gros investisseurs et, via le fonds Explore Investments LLC qu’il dirige, a injecté 100 millions de dollars dans la start-up. Microsoft a démontré son intérêt dans son potentiel en investissant 95 millions de dollars, Nvidia a apporté 50 millions de dollars. Un fonds affilié à Amazon, qui n’est pas directement lié à Jeff Bezos, a également contribué à hauteur de 50 millions de dollars tandis qu’Intel Corp’s Venture Capital a apporté 25 millions de dollars. LG et Samsung ont également participé, OpenAI a investi 5 millions de dollars, montrant ainsi son intérêt pour l’expansion de l’IA dans d’autres domaines technologiques.

Parkway Venture Capital qui avait dirigé une première levée de fonds de 70 millions de dollars de Figure AI en mai 2023 a investi 100 millions de dollars et Align Ventures 90 millions. D’autres sociétés de capital-risque ont également apporté leur contribution : ARK Venture Fund, Aliya Capital Partners, Tamarack, Boscolo Intervest Ltd. et BOLD Capital Partners.

Pourquoi un tel intérêt ?

Basée à Sunnyvale, en Californie, Figure AI a été fondée en 2022 par Brett Adcock qui a recruté des experts en IA, en conception, en matériel informatique et en ingénierie logicielle de Boston Dynamics, Tesla, Apple SPG, IHMC, Cruise. Son objectif est de développer des robots humanoïdes autonomes à usage général pour pallier à la pénurie de main d’oeuvre : “Notre humanoïde est conçu pour un déploiement initial sur le marché du travail afin de répondre à des tâches indésirables ou dangereuses, et de soutenir la chaîne d’approvisionnement et la fabrication à l’échelle mondiale”.

D’autres robots humanoïdes existent déjà, à l’instar d’Optimus de Tesla et Atlas de Boston Dynamics, qui est avant tout un projet de R&D retenu par la DARPA visant la conception d’un robot pour diverses tâches de recherche et de sauvetage. Digit, le robot d’Agility Robotics est par contre déjà testé par Amazon dans ses entrepôts.

Brett Adcock, fondateur et PDG de Figure AI, déclarait l’an passé :

“Les humanoïdes existants aujourd’hui ne sont que des cascades et des démonstrations. Nous voulons sortir de cela et montrer qu’ils peuvent être vraiment utiles”.

Les robots humanoïdes de Figure AI permettent d’automatiser des tâches difficiles, dangereuses ou fastidieuses tout au long du processus de fabrication, ce qui permet aux employés de se concentrer sur des compétences et des processus qui ne peuvent pas être automatisés, ainsi que sur l’amélioration continue de l’efficacité et de la sécurité de la production.

Brett Adcock souligne :

“La robotique à usage unique sature le marché commercial depuis des décennies, mais le potentiel de la robotique à usage général est totalement inexploité. Les robots de Figure permettront aux entreprises d’augmenter leur productivité, de réduire leurs coûts et de créer un environnement plus sûr et plus cohérent”.

Le 18 janvier dernier, il a signé un accord commercial avec BMW Manufacturing pour déployer des robots à usage général dans les environnements de fabrication du constructeur automobile.

Dans la vidéo ci-dessous, on peut voir évoluer Figure 01, dont il avait dévoilé les premières photos en mars 2023.

 

Selon les prévisions, alors que le marché des robots collaboratifs (cobots) était évalué à 475 millions de dollars, il devrait atteindre 8 milliards de dollars d’ici 2030, ce qui explique l’intérêt dans ce secteur des grandes firmes et des start-ups comme OpenAI qui s’est associé en mars 2023 avec 1X Technologies pour développer NEO, un robot humanoïde alimenté par l’IA.

Les Etats-Unis ne sont pas seuls dans la course, la Chine vise une production de masse pour 2025 et entend devenir le leader mondial de ce domaine d’ici à 2027.

C’est dans un communiqué de presse que l’Université de Tokyo a révélé que le professeur Shoji Takeuchi et son équipe de la Graduate School of Information Science and Technology ont conçu un robot biohybride bipède, combinant un squelette artificiel avec un muscle biologique, capable de marcher et de pivoter sous l’eau.

Les robots biohybrides ont le potentiel d’apporter des solutions innovantes dans des domaines tels que la médecine, la recherche environnementale ou la robotique molle. Cependant, leur conception et leur utilisation soulèvent également des questions éthiques et de sécurité, notamment en ce qui concerne le contrôle et la manipulation de composants biologiques.

Depuis des années, ils sont le sujet de nombreuses recherches que l’impression 3D a fait progresser. Cependant, jusqu’à présent, ces robots, s’ils marchaient et effectuaient de larges virages, avaient du mal à exécuter des mouvements précis dans des espaces confinés, limitant ainsi leur utilisation pratique, notamment dans les opérations de recherche et de sauvetage.

Le robot développé par le professeur Shoji Takeuchi et son équipe, représente une avancée significative dans ce domaine. Contrairement à ses prédécesseurs, il peut effectuer des mouvements de rotation sur un pied, ce qui lui permet de manœuvrer dans des espaces restreints et de contourner les obstacles avec une grande précision.

Les chercheurs ont détaillé leurs travaux dans la revue Matter. Exposé à l’air, le tissu musculaire se dessèche et perd de son élasticité, le robot a donc été conçu pour être suspendu dans l’eau. Il se compose d’un flotteur pour maintenir une posture droite dans un milieu de culture, d’un corps en polymère qui comprend deux substrats flexibles, des jambes imprimées en 3D et des tissus musculaires squelettiques cultivés à partir de cellules de rat.

Le Pr Takeuchi commente :

“En incorporant des tissus vivants dans le cadre d’un robot, nous pouvons utiliser les fonctions supérieures des organismes vivants. Dans nos dernières recherches, nous avons combiné du tissu musculaire squelettique cultivé en laboratoire avec des jambes artificielles flexibles et des pieds imprimés en 3D. L’utilisation du tissu musculaire pour bouger les jambes nous a permis de créer un petit robot avec des mouvements efficaces et silencieux et un toucher doux”.

Les chercheurs stimulent manuellement chaque jambe du robot à l’aide d’électrodes en or, simulant ainsi les signaux électriques du cerveau pour induire la contraction du tissu musculaire. Cette stimulation, effectuée à des intervalles de cinq secondes, permet au robot de se déplacer à une vitesse de 5,4 millimètres par minute. Bien que cette vitesse puisse sembler modeste, les mouvements de jambes du robot sont comparables à ceux d’autres robots biohybrides, démontrant ainsi son efficacité dans la locomotion.

Le Pr Takeuchi explique :

“Au départ, nous n’étions pas du tout sûrs qu’il était possible de marcher bipède, c’était donc vraiment surprenant quand nous avons réussi. Notre robot biohybride a réussi à effectuer des mouvements vers l’avant et vers l’arrière avec une marche bipède en équilibrant efficacement quatre forces clés : la force contractile musculaire, la force réparatrice du corps flexible, la gravité agissant sur le poids et la flottabilité du flotteur”. 

Bien que le robot soit actuellement limité à un fonctionnement sous l’eau en raison de la sensibilité du muscle cultivé à la déshydratation, les chercheurs envisagent des améliorations futures pour permettre une utilisation sur terre. Des muscles plus épais, dotés de leurs propres réserves de nutriments, pourraient être la clé pour surmonter cette limitation, ouvrant ainsi la voie à une utilisation plus étendue de ces robots dans divers environnements.

Le Pr Takeuchi conclut :

 “Nos résultats offrent des informations précieuses pour l’avancement des robots souples et flexibles alimentés par des tissus musculaires et ont le potentiel de contribuer à une compréhension plus approfondie des mécanismes de locomotion biologique, nous permettant d’imiter davantage les subtilités de la marche humaine dans les robots”.

Références :

“Robot bipède biohybride alimenté par le tissu musculaire squelettique”,
Matter : 26 janvier 2024, doi :10.1016/j.matt.2023.12.035.

Auteurs : Ryuki Kinjo, Yuya Morimoto, Byeongwook Jo, Shoji Takeuchi.

SquareMind était l’une des 16 start-ups accompagnées par l’Ile-de-France au CES de Las Vegas 2024, du 8 au 12 janvier dernier. Elle a pu y présenter sa dernière innovation, une solution digitale alliant technologies de pointe en IA, vision par ordinateur et robotique destinée aux dermatologues.

En 2022, 150 000 cancers de la peau ont été diagnostiqués en France, dont 15 500 cas de mélanome, la forme la plus grave, responsable d’environ 2000 décès chaque année dans notre pays. Chiffre tout aussi alarmant, le nombre de nouveaux cas de cancer cutanés a plus que triplé en 30 ans, notamment en raison du vieillissement démographique mais surtout de l’exposition solaire.

La France se retrouve face à un autre défi, la pénurie de spécialistes, ce qui explique pourquoi il faut parfois attendre des mois pour obtenir un rendez-vous chez un dermatologue.

Lors d’une visite, celui-ci examine minutieusement la peau du patient avec une loupe grossissante et s’il soupçonne un début de cancer, fera par la suite une exérèse pour faire analyser le tissu cutané et vérifier si c’est le cas ou non. Lors de la visite suivante, généralement dans les six mois à un an, il n’aura que les notes prises en fin de consultation pour pouvoir comparer l’évolution de taches, lésions qui peuvent être tout autant à l’origine de cancers que les grains de beauté.

La solution à laquelle travaille depuis plus de quatre ans SquareMind, créée par Ali Khachlouf et Tanguy Serrat, pourrait permettre aux dermatologues de gagner beaucoup de temps, leur évitant de faire des comptes-rendus de la visite, et augmenter le diagnostic médical, en leur permettant de comparer la totalité de la peau du patient d’une visite à l’autre.

Ali Khachlouf explique :

“Le dermatoscope (loupe grossissante), inventé il y a 30 ans, reste la dernière innovation de rupture dans le domaine du dépistage des cancers de la peau. Notre solution permettra de faciliter le suivi des patients, de rendre beaucoup plus accessible le dépistage précoce, tout en digitalisant la pratique”.

Une innovation de rupture d’imagerie et d’IA

La solution se compose de trois produits complémentaires pour une approche holistique du dépistage du cancer de la peau :

• Un dispositif d’imagerie corps entier en dermoscopie. Un bras robot navigue autour du patient, prend des milliers de clichés pour générer des images haute résolution du corps entier, des “google maps” de la peau, que l’on peut zoomer et dézoomer à volonté ;
• Une application web permettant au dermatologue de revoir la surface cutanée, de stocker les images de façon automatisée, facilitant ainsi le suivi des patients grâce à la comparaison possible entre deux visites ;
• Un logiciel d’assistance au médecin qui permettra de faciliter l’analyse des images et mettra en évidence l’évolution des lésions et/ou l’apparition de nouvelles entre deux visites.

Tanguy Serrat, cofondateur de SquareMind, précise :

“Notre solution a été réalisée en travaillant main dans la main avec des médecins de renom, en France, en Europe et aux États-Unis. Leur retour d’expérience continue à jouer un rôle crucial dans la conception de la solution qui est développée pour des professionnels de santé”. 

Destinée aux dermatologues exerçant en libéral ou en établissement hospitalier, la solution devrait être mise sur le marché français et européen dès cette année.