Artificial intelligence

Le rôle de l’intelligence artificielle dans l’amélioration de la planification de la chaîne d’approvisionnement

Par Lalit Das, fondateur et PDG de 3SC Analytics.

L’intelligence artificielle et l’analyse des données sont inestimables pour la plupart des processus et domaines d’activité. Alors que la plupart des industries ont encore du mal à faire face aux répercussions de la pandémie, certaines ont déjà commencé à les mettre en œuvre pour augmenter l’efficacité et les revenus de l’entreprise. La planification de la chaîne d’approvisionnement en fait partie. Selon des recherches récentes, l’utilisation de l’IA dans la chaîne d’approvisionnement a considérablement amélioré l’efficacité industrielle, les systèmes logistiques dynamiques et les contrôles de livraison en temps réel, augmentant ainsi la production.

Lalit Das

Qu’est-ce que la planification de la chaîne d’approvisionnement ?
La planification de la chaîne d’approvisionnement implique la gestion des ressources, l’amélioration de la prestation de services et l’équilibre entre l’offre et la demande. Il évalue l’approche optimale de fabrication des produits et d’augmentation du volume des ventes pour répondre à la demande des clients. À mesure que le processus est devenu beaucoup plus numérisé, la durabilité a augmenté. Cela amène toutes les entreprises à se demander si la transformation numérique à cette échelle peut aider leurs activités de chaîne d’approvisionnement spécifiques.

Les procédures analytiques et les données qualitatives sont toujours utilisées dans la planification de la chaîne d’approvisionnement. Alors que
les réseaux d’approvisionnement numériques (DSN), soutenus par une technologie de pointe et des systèmes connexes, font partie des chaînes d’approvisionnement linéaires, et le processus de planification de la chaîne d’approvisionnement peut changer considérablement en conséquence.

Planification synchronisée de la chaîne d’approvisionnement
Le succès du réseau dépend de la planification synchronisée lors de l’examen de la chaîne d’approvisionnement
Planification. Les organisations utilisent souvent des données historiques pour prévoir la demande future, mais lorsque ces données n’étaient pas disponibles, la planification était en quelque sorte basée sur des hypothèses qui ne pouvaient pas expliquer les variations de la demande. La nature interconnectée et en constante évolution des réseaux d’approvisionnement numériques peut entraîner des exigences de planification plus complexes, et ce que les entreprises considèrent comme la planification de la chaîne d’approvisionnement peut changer fondamentalement. Pour mener à bien les initiatives planifiées, diverses tâches commerciales doivent être entièrement intégrées dans un système en réseau de clients, de fournisseurs, d’inventaire et de production. Les éléments suivants sont essentiels pour que cela réussisse :

 Fragmentation de la production – La planification doit tenir compte des intrants disponibles et
la demande de stocks dans plusieurs emplacements alors que la fabrication mondiale devient de plus en plus
intégré. Les organisations doivent combiner et connecter les installations de production et
entrepôts vers d’autres installations pour répondre à la demande. Pour ce faire, ils doivent bien comprendre
ce qui est produit, ce qui est stocké et où il est stocké.

 Nouvelles données et technologies – La technologie moderne et une pléthore de données de
des systèmes interconnectés et des sources externes permettent aux organisations d’améliorer le service client
service et favoriser l’expansion. Avec l’émergence des nouvelles technologies, les organisations ont maintenant
plus de chances d’intégrer les données de plusieurs réseaux d’approvisionnement numériques et
analyser les données et les capacités de planification.

Le processus de planification synchronisée peut apporter un certain nombre d’avantages en utilisant les technologies suivantes :
 Intelligence Artificielle – Les systèmes de surveillance de la chaîne d’approvisionnement peuvent utiliser l’IA pour tirer le meilleur parti de
choix dans les réseaux d’approvisionnement numériques, y compris la planification tactique, les modèles composites et l’exécution. En prévoyant efficacement les nouvelles commandes et la demande, cela change
de prévisions fondées sur l’historique. Les organisations n’utilisent plus le fouet de la chaîne d’approvisionnement ;
au lieu de cela, ils peuvent commander des marchandises à l’avance tout en influençant les demandes des clients en
en utilisant des substitutions de produits, des incitations par les prix et autres.

 Internet des objets (IdO) – L’IoT peut donner aux organisations une meilleure visibilité sur le réseau
l’intégration des systèmes et des processus tout au long de la chaîne d’approvisionnement numérique. un précis
représentation du monde physique fournit des données de base au niveau du produit, la visibilité du réseau,
et un flux d’inventaire continu de bout en bout. Au lieu de prévoir, la planification peut aider
anticiper le flux d’informations de bout en bout sur le réseau.

 Architecture de la chaîne de blocs – Blockchain est un registre numérique décentralisé qui est sécurisé et
sécurisé et utilise l’IoT pour enregistrer les transactions. Les commandes peuvent être organisées automatiquement avec
fournisseurs sur la base de critères établis utilisant une technologie de pointe. Internet de
Les objets (IoT) peuvent fournir une disponibilité en temps opportun et la capacité de piloter le
échange simultanément une fois les marchandises en transit. L’exigence d’approbations et de réconciliation est complètement supprimée avec l’adoption de l’architecture blockchain.

Les avantages mettent en évidence le potentiel toujours croissant de l’IA et de l’analyse dans la chaîne d’approvisionnement
Planification. Cependant, avant d’investir dans des solutions d’analyse de la chaîne d’approvisionnement basées sur l’IA, vous devez
toujours effectuer une analyse approfondie des applications et des retours sur investissement dans l’organisation pour
mieux comprendre vos besoins spécifiques.

la voie à suivre
Les experts de la chaîne d’approvisionnement peuvent désormais évaluer et améliorer leurs chaînes d’approvisionnement en temps réel
grâce à l’IA, qui élimine le besoin de semaines ou de mois de travail dans le passé. L’IA peut
moderniser les processus de planification et d’optimisation d’annuels à quotidiens (voire horaires)
événements en période de pénurie, d’inflation et de troubles géopolitiques. Aujourd’hui, environ 50 % des dirigeants d’entreprise utilisent l’IA pour améliorer leurs opérations et faire des choix en matière de chaîne d’approvisionnement. Et dans les mois et années à venir, le nombre de personnes adoptant cette technologie ne fera qu’augmenter.

Comment les drones de soutien alimentés par l’IA aident les sauveteurs à surfer à repérer les requins sur la plage

La conversation

Les sauveteurs australiens utilisent de plus en plus des drones pour repérer les requins sur la plage avant qu’ils ne s’approchent trop des nageurs. Mais à quel point sont-ils fiables ?

auteurs


  • Cormac Purcell

    Professeur adjoint principal, UNSW Sydney


  • Paul Boucher

    Professeur adjoint, Université Southern Cross

Discerner si cette tache sombre dans l’eau est un requin ou simplement, disons, des algues n’est pas toujours simple, et dans des conditions raisonnables, les pilotes de drones font souvent le bon choix. 60% du temps. Bien que cela ait des implications pour la sécurité publique, cela peut également entraîner des fermetures inutiles de plages et des alarmes publiques.

Les ingénieurs tentent d’augmenter la précision de ces drones de détection de requins à intelligence artificielle (IA). Bien que très prometteurs en laboratoire, les systèmes d’IA sont notoirement difficiles à mettre en place dans le monde réel, alors restez hors de portée des sauveteurs surfeurs. Et surtout, une dépendance excessive à ces logiciels peut avoir conséquences sérieuses.

Avec ces défis à l’esprit, notre équipe gauche pour construire le plus robuste Détecteur de requin possible et testez-le dans des conditions réelles. Utilisant masses de donnéesNous avons créé une application mobile très fiable pour les sauveteurs surfeurs qui pourrait non seulement améliorer la sécurité sur la plage, mais aussi aider à surveiller la santé des côtes australiennes.

Détecter les requins dangereux avec des drones

Le gouvernement de la Nouvelle-Galles du Sud investi plus de 85 millions BRL dans les mesures d’atténuation des requins au cours des quatre prochaines années. de toutes les approches sur l’offreune Sondage 2020 ont montré que la surveillance des requins par drone est la méthode préférée du public pour protéger les baigneurs.

Le gouvernement de l’État était drones d’essai comme outils d’observation des requins depuis 2016 et avec Surf Life Saving NSW depuis 2018. Des pilotes de sauvetage de surf formés font voler le drone au-dessus de l’océan à une hauteur de 60 mètres, en regardant des vidéos en direct sur des écrans portables pour le forme de requins nager sous la surface.

Identifier les requins en analysant soigneusement des séquences vidéo en bon état semble facile. Mais la clarté de l’eau, l’éblouissement de la mer (réflexion de la surface de la mer), la profondeur des animaux, l’expérience du pilote et la fatigue réduisent la fiabilité de la détection en temps réel pour une moyenne attendue de 60%. Cette fiabilité chute encore plus lorsque les conditions sont nuageux.

Les pilotes doivent également identifier en toute confiance l’espèce de requin et faire la différence entre les animaux dangereux et non dangereux, comme les raies, qui sont souvent mal identifiées.

La vision par ordinateur pilotée par l’IA a été présentée comme un outil idéal pour “marquer” virtuellement les requins et autres animaux dans des séquences vidéo transmises par des drones et pour aider à déterminer si une espèce s’approchant du rivage est une source de préoccupation.

L’IA à la rescousse ?

Premiers résultats de précédents systèmes de détection de requins améliorés par l’IA a suggéré que le problème a été résolu car ces systèmes signalent une précision de détection de plus de 90 %.

Mais la mise à l’échelle de ces systèmes pour faire une différence réelle sur les plages de NSW a été un défi.

Les systèmes d’IA sont formés pour localiser et identifier les espèces à l’aide de grandes collections d’images d’échantillons et fonctionnent remarquablement bien lors du traitement de scènes familières dans le monde réel.

Néanmoins, les problèmes surviennent rapidement lorsqu’ils rencontrent des conditions qui ne sont pas bien représentées dans les données d’entraînement. Comme tout nageur régulier de l’océan peut vous le dire, chaque plage est différente – l’éclairage, la météo et les conditions de l’eau peuvent changer considérablement au fil des jours et des saisons.

Les animaux peuvent également changer fréquemment de position dans la colonne d’eau, ce qui signifie que leurs caractéristiques visibles (telles que leur contour) changent également.

Toutes ces variations font qu’il est crucial que les données d’entraînement couvrent toute la gamme des conditions ou que les systèmes d’IA soient suffisamment flexibles pour suivre les changements au fil du temps. De tels défis étaient reconnu depuis des annéesdonnant naissance à la nouvelle discipline de «opérations d’apprentissage automatique“.

Essentiellement, les opérations d’apprentissage automatique reconnaissent explicitement que les logiciels pilotés par l’IA nécessitent des mises à jour régulières pour maintenir leur efficacité.

Construire un meilleur observateur de requins

Notre objectif était de surmonter ces défis avec une nouvelle application mobile de détection de requins. nous avons rassemblé un énorme jeu de données de images de droneet des experts en requins ont passé des semaines à inspecter les vidéos, à suivre et à étiqueter soigneusement les requins et autres animaux marins pendant les heures de tournage.

À l’aide de ce nouvel ensemble de données, nous avons formé un modèle d’apprentissage automatique pour reconnaître dix types de vie marine, y compris différentes espèces de requins dangereux tels que les requins blancs et les baleiniers.

Et puis nous avons incorporé ce modèle dans une nouvelle application mobile qui peut repérer les requins dans des images de drones en direct et prédire l’espèce. Nous travaillons en étroite collaboration avec le Gouvernement de la Nouvelle-Galles du Sud et Sauveteur de surf NSW pour tester cette application sur cinq plages durant l’été 2020.

Notre détecteur de requins AI a très bien fonctionné. Il a identifié des requins dangereux image par image 80% du temps, dans des conditions réalistes.

Nous avons délibérément fait tout notre possible pour rendre nos tests difficiles en mettant l’IA au défi d’exécuter des données invisibles prises à différents moments de l’année ou sur des plages d’aspect différent. Ces tests critiques sur les « données externes » sont souvent omis dans la recherche sur l’IA.

Un examen plus approfondi a révélé des limites de bon sens : les requins blancs, les baleiniers et les requins bouledogues sont difficiles à distinguer car ils se ressemblent, tandis que les petits animaux (comme les tortues et les raies) sont plus difficiles à détecter en général.

Les fausses détections (comme confondre les algues avec un requin) sont une réelle préoccupation pour les gestionnaires de plage, mais nous avons constaté que l’IA pouvait facilement être «ajustée» pour les éliminer, montrant des scènes d’océan vides de chaque plage.

L’avenir de l’IA pour la détection des requins

À court terme, l’IA est désormais suffisamment mature pour être déployée dans des opérations de détection de requins par drone sur les plages australiennes. Mais contrairement aux logiciels classiques, il devra être surveillé et mis à jour fréquemment pour maintenir sa haute fiabilité dans la détection des requins dangereux.

Un avantage supplémentaire est que ce système d’apprentissage automatique pour détecter les requins collecterait également en continu des données écologiques précieuses sur la santé de notre littoral et de la faune marine.

À long terme, faire observer par l’IA comment nagent les requins et utiliser la nouvelle technologie d’IA qui apprendre à temps rendra la détection des requins par IA encore plus fiable et plus facile à déployer.

Le gouvernement NSW a de nouveaux essais de drones pour l’été prochain, testant l’utilité de vols efficaces à longue distance qui peuvent couvrir plus de plages.

L’IA peut jouer un rôle clé pour rendre ces vols plus efficaces, permettant une plus grande fiabilité dans la surveillance des drones, et pourrait éventuellement conduire à des opérations de détection de requins entièrement automatisées et à des alertes automatiques fiables.

Les auteurs reconnaissent les contributions substantielles du Dr. Andrew Colefax et Dr. Andrew Walsh sur sci-oeil.

Cormac Purcell a reçu un financement du NSW Department of Primary Industries pour mener à bien cette recherche à l’Université Macquarie. Il était auparavant affilié à Sci-eye, une société fondée pour faire progresser le développement de la technologie pour lutter contre les conflits humains-faune. Fujitsu Australie a également soutenu cette recherche avec un prêt de matériel informatique.

Paul Butcher travaille avec et reçoit des fonds du Département des industries primaires de la Nouvelle-Galles du Sud alors qu’il est adjoint à l’Université Southern Cross et à l’Université Deakin.

/Avec l’aimable autorisation de La Conversation. Ce matériel de l’organisation/des auteurs source(s) peut être de nature unique, édité pour plus de clarté, de style et de longueur. Les avis et opinions exprimés sont ceux des auteurs.

Utilisation de l’Intelligence Artificielle (IA) dans notre vie quotidienne

adplus-dvertising

Qu’est-ce que l’Intelligence Artificielle ?

En termes plus simples, l’intelligence artificielle signifie développer la capacité de penser et de prendre des décisions dans une machine. L’intelligence artificielle est considérée comme la forme la plus avancée de l’informatique dans laquelle le cerveau d’un ordinateur peut penser comme les humains.

Aujourd’hui, l’IA est un sujet très populaire, qui fait l’objet de nombreuses discussions dans les domaines de la technologie et des affaires. De nombreux experts et experts de l’industrie pensent que l’IA ou l’apprentissage automatique est notre avenir. Mais si nous regardons autour de nous, nous découvrirons que ce n’est pas notre avenir, mais le présent. Avec le développement de la technologie, nous sommes aujourd’hui connectés d’une manière ou d’une autre à l’intelligence artificielle et nous en profitons également. Oui, c’est un fait que la technologie de l’IA en est à sa première étape.

Récemment, de nombreuses entreprises ont investi massivement dans l’apprentissage automatique. Grâce à quoi de nombreux produits et applications d’IA sont devenus disponibles pour nous. Alors, donnons maintenant quelques exemples d’IA utilisées aujourd’hui, afin que vous puissiez mieux comprendre ce qu’est l’Intelligence Artificielle ?

Produits où l’IA est utilisée

Vous avez probablement entendu parler de Siri, c’est l’assistant virtuel le plus populaire proposé par Apple. Bien qu’il ne soit disponible que sur iPhone et iPad. C’est le meilleur exemple d’IA, dites simplement “Hey Siri” et il peut vous envoyer un message, trouver des informations sur Internet, passer des appels téléphoniques, ouvrir n’importe quelle application et même régler une minuterie. Et cela peut vous aider avec des choses comme enregistrer des événements dans votre calendrier.

De nos jours, presque tous les opérateurs de sites de paris s’appuient sur l’IA et le ML pour générer des algorithmes qui les aident à prédire les cotes, ainsi que de nombreux autres éléments tels que le comportement des utilisateurs, les goûts et les aversions. Cela les aide à créer des offres de bonus de pari personnalisées pour les utilisateurs. La question est de savoir pourquoi quelqu’un s’inscrirait pour un bonus de pari jusqu’à ce qu’il sente que cela pourrait être utile pour sa stratégie. Ainsi, un opérateur de pari ou un casino utilise essentiellement l’IA avant d’envoyer des cotes de pari à les offres de bonus de pari que vous aimez.

Non seulement les smartphones, mais aussi les automobiles évoluent vers l’intelligence artificielle. Si vous êtes un passionné de voitures, vous devez connaître Tesla. C’est l’une des meilleures automobiles disponibles à ce jour. La voiture Tesla offre non seulement des capacités de conduite autonome, mais aussi des capacités productives et une innovation technologique complète. De même, combien de voitures autonomes sont construites, qui deviendront encore plus intelligentes dans les temps à venir.

Soit dit en passant, Google utilise l’IA dans de nombreux domaines. Mais la technologie de l’IA a été mise à profit dans Google Maps. Parallèlement à la cartographie par IA, la technologie du géant numérise les informations routières et utilise des algorithmes pour nous guider vers le bon itinéraire afin de nous donner l’itinéraire vers n’importe quel point. À l’heure actuelle, Google prévoit d’améliorer encore l’intelligence artificielle dans ses Google Maps en améliorant son assistant vocal et en créant des cartes de réalité augmentée en temps réel.

Applications IA

L’IA est importante car elle peut aider à résoudre des problèmes difficiles dans diverses industries telles que le divertissement, l’éducation, la santé, le commerce, les transports et les services publics. Les applications d’IA sont énormes, mais nous les décomposons ici en cinq grandes catégories.

1) Connaissance – La capacité de présenter des informations sur le monde. Tels que les transactions sur les marchés financiers, les prévisions d’achat, la prévention de la fraude, la fabrication de médicaments, le diagnostic médical, la recommandation des médias, etc.

2) Pensée – Capacité à résoudre des problèmes par déduction raisonnée. Tels que la gestion d’actifs financiers, l’évaluation légale, le traitement des demandes financières, les systèmes d’armes autonomes, les sports, etc.

3) Communication – Capacité à comprendre la langue parlée et écrite. Tels que la traduction en temps réel des langues parlées et écrites, la transcription en temps réel, l’assistant intelligent, le contrôle vocal, etc.

4) Planification – Capacité à fixer et à atteindre des objectifs. Tels que la gestion des stocks, la prévision des versements, la maintenance prédictive, l’optimisation du réseau physique et numérique, la navigation, etc.

5) Cognition – La capacité de déduire des choses sur le monde à travers des sons, des images et d’autres entrées sensorielles. Tels que les diagnostics médicaux, les véhicules autonomes, la surveillance, etc.

Conclusion

Ces dernières années, l’intelligence artificielle a fait l’objet de discussions constantes pour diverses raisons et problèmes. Récemment, le groupe de réflexion gouvernemental NITI Aayog et Google ont convenu qu’ils visaient tous deux à faire progresser l’écosystème émergent de l’intelligence artificielle (IA) et de l’apprentissage automatique (Machine Learning-ML) en Inde.

Ils travailleront ensemble sur diverses initiatives, qui aideront à construire un écosystème d’intelligence artificielle dans le pays. NITI Aayog a été chargé de développer des technologies telles que l’IA et de préparer un programme de recherche national. Avec cette responsabilité, NITI Aayog développe une stratégie nationale d’intelligence artificielle avec le portail national de données et d’analyse, afin que L’IA pourrait être largement utilisée à l’avenir.

!function(f,b,e,v,n,t,s)
{if(f.fbq)return;n=f.fbq=function(){n.callMethod?
n.callMethod.apply(n,arguments):n.queue.push(arguments)};
if(!f._fbq)f._fbq=n;n.push=n;n.loaded=!0;n.version=’2.0′;
n.queue=[];t=b.createElement(e);t.async=!0;
t.src=v;s=b.getElementsByTagName(e)[0];
s.parentNode.insertBefore(t,s)}(window, document,’script’,
‘https://connect.facebook.net/en_US/fbevents.js’);
fbq(‘init’, ‘233143572189941’);
fbq(‘track’, ‘PageView’);
(function(d, s, id) {
var js, fjs = d.getElementsByTagName(s)[0];
js = d.createElement(s); js.id = id;
js.src=”https://connect.facebook.net/en_US/sdk/xfbml.customerchat.js#xfbml=1&version=v6.0&autoLogAppEvents=1″
fjs.parentNode.insertBefore(js, fjs);
}(document, ‘script’, ‘facebook-jssdk’));

L’IA prédit l’odeur des produits chimiques pour un humain

Flacons avec bouchons blancs, chacun avec une étiquette noire de l'échantillon de parfum qu'il contient.

Les chercheurs savent depuis longtemps que la structure chimique des molécules que nous inhalons influence ce que nous sentons. Mais dans la plupart des cas, personne ne peut comprendre exactement comment. Les scientifiques ont déchiffré certaines règles spécifiques qui régissent la façon dont le nez et le cerveau perçoivent une molécule en suspension dans l’air en fonction de ses caractéristiques. Il est devenu clair que nous avons rapidement reconnu certains composés soufrés comme l’odeur de l’ail, par exemple, et certaines amines dérivées de l’ammoniaque comme l’odeur du poisson. Mais ce sont des exceptions.

Il s’avère que des molécules structurellement non apparentées peuvent avoir des odeurs similaires. Par exemple, le cyanure d’hydrogène et le plus gros benzaldéhyde en forme d’anneau sentent l’amande. Pendant ce temps, de petits changements structurels – même en changeant l’emplacement d’une double liaison – peuvent considérablement modifier une odeur.

Pour comprendre cette chimie déroutante, les chercheurs se sont tournés vers la puissance de calcul de l’intelligence artificielle. Maintenant, une équipe a formé un type d’IA connu sous le nom de réseau neuronal graphique pour prédire l’odeur d’un composé pour une personne – rose, médicinale, terreuse, etc. – en fonction des caractéristiques chimiques des molécules odorantes. le modèle informatique évalué de nouveaux parfums de manière aussi fiable que les humainsle rapport des chercheurs dans un nouveau brouillon publié dans le référentiel prépresse bioRxiv.

“En fait, il a appris quelque chose de fondamental sur la façon dont le monde sent et sur le fonctionnement de l’odorat, ce qui m’a surpris”, déclare Alex Wiltschko, maintenant dans la société de capital-risque GV de Google, qui a dirigé l’équipe olfactive numérique pendant qu’il travaillait sur Google Research.

Le nez humain moyen contient environ 350 types de récepteurs olfactifs, qui peuvent se lier à un nombre potentiellement énorme de molécules en suspension dans l’air. Ces récepteurs initient alors des signaux neuronaux que le cerveau interprète plus tard comme une odeur de café, d’essence ou de parfum. Alors que les scientifiques savent comment ce processus fonctionne au sens large, de nombreux détails – tels que la forme précise des récepteurs d’odeurs ou la façon dont le système encode ces signaux complexes – leur échappent encore.

Un “kit de référence olfactif” de plusieurs parfums bien connus. Crédit : Joël Continente

Stuart Firestein, neuroscientifique olfactif à l’Université de Columbia, qualifie le modèle de “tour de force de biologie computationnelle”. Mais, comme c’est généralement le cas pour de nombreuses études basées sur l’apprentissage automatique, “cela ne vous donne jamais, à mon avis, une idée beaucoup plus profonde de la façon dont les choses fonctionnent”, déclare Firestein, qui n’a pas participé à l’article. Sa critique découle d’une caractéristique inhérente à la technologie : de tels réseaux de neurones ne sont généralement pas interprétables, ce qui signifie que les chercheurs humains ne peuvent pas accéder au raisonnement qu’un modèle utilise pour résoudre un problème.

De plus, ce modèle ignore le fonctionnement impénétrable du système nerveux, établissant des liens directs entre les molécules et les odeurs. Pourtant, Firestein et d’autres le décrivent comme un outil potentiellement utile pour étudier l’odeur et sa relation avec la chimie. Pour les chercheurs impliqués, le modèle représente également une évolution vers un moyen plus précis, basé sur des nombres, de décrire l’univers des odeurs, qui, espèrent-ils, pourra apporter ce sens au monde numérique.

“Je crois profondément en un avenir où, de la même manière que les ordinateurs peuvent voir, ils peuvent entendre, ils peuvent sentir”, déclare Wiltschko, qui explore actuellement la commercialisation de cette technologie.

Depuis quelque temps déjà, les chercheurs utilisent la modélisation informatique pour étudier les odeurs. Dans un article publié en 2017, un concours de crowdsourcing a généré un modèle capable de combiner des structures moléculaires avec certains marqueurs– y compris “doux”, “brûlé” et “fleur” – qui décrivent leurs parfums en termes de ce que les humains ressentent. Dans le nouvel effort de suivi, l’équipe de Wiltschko a formé son modèle avec les données d’environ 5 000 molécules bien étudiées, y compris les caractéristiques de leurs atomes et les liaisons entre eux. En conséquence, le modèle a généré une “carte” d’odeurs extrêmement complexe. Contrairement à une carte papier conventionnelle, qui trace les emplacements en deux dimensions, le modèle a placé les molécules d’odeur dans des «emplacements» basés sur 256 dimensions – des attributs que l’algorithme a déterminé qu’il pourrait utiliser pour différencier les molécules.

Une illustration de la carte des odeurs (musc, lys, chou et raisin)
Une illustration de la carte des odeurs. Crédit : Alexander B. Wiltschko

Pour voir si cette carte correspondait à la perception humaine réelle, l’équipe de Wiltschko s’est tournée vers Joel Mainland, un neuroscientifique olfactif au Monell Chemical Senses Center. “Définir le succès ici est un peu difficile parce que” Comment définissez-vous ce que quelque chose sent comme? “”, Dit Mainland. “Qui [the fragrance] L’industrie – et ce que nous faisons ici – consiste essentiellement à réunir un panel de personnes et à décrire ce que ça sent.

Premièrement, Mainland et d’autres ont identifié un ensemble de molécules aux arômes qui n’avaient pas été documentés. Au moins 15 participants à l’étude entraînés ont chacun reniflé. Étant donné que les perceptions des odeurs peuvent différer considérablement d’une personne à l’autre, en raison de différences génétiques, d’expériences personnelles et de préférences, les chercheurs ont fait la moyenne des notes des participants et comparé cette moyenne aux prédictions du modèle. Ils ont constaté que pour 53 % des molécules, le modèle se rapprochait de la moyenne du panel par rapport au panéliste individuel typique – une performance qui, selon eux, dépassait le modèle précédent basé sur l’étiquette.

Bien que le nouveau modèle ait pu s’avérer capable d’imiter la perception des odeurs humaines lorsqu’on lui donne des molécules uniques, il ne fonctionnerait pas aussi bien dans le monde réel. Des roses à la fumée de cigarette, la plupart des odeurs sont des mélanges. De plus, l’équipe a formé le nouveau modèle en utilisant des données de parfumerie, qui penchent vers des odeurs agréables et loin des répulsifs.

Même avec ces limitations, le modèle peut toujours aider ceux qui s’intéressent à la chimie de l’odeur, par exemple, en guidant les chercheurs qui souhaitent identifier les mauvaises odeurs mal étudiées ou tester comment les modifications apportées à la structure moléculaire modifient la perception. Et les chimistes des parfums peuvent vous consulter pour affiner les formules de parfum ou identifier de nouveaux ingrédients potentiels.

L’équipe de Wiltschko a déjà utilisé le modèle pour tester une théorie sur le lien entre la structure d’un produit chimique et la façon dont les gens et les autres créatures perçoivent son odeur. Dans un autre article préimprimé publié sur bioRxiv en août, les chercheurs suggèrent que le métabolisme d’un animal – les processus chimiques qui maintiennent sa vie, comme la transformation des aliments en énergie – pourrait détenir l’explication. À partir d’une base de données, ils ont sélectionné des composés métaboliques censés évoquer des odeurs et ont analysé les molécules à l’aide de leur modèle de carte olfactive. L’équipe a conclu que les molécules qui jouent des rôles étroitement liés dans les réactions métaboliques ont tendance à sentir la même chose, même s’ils diffèrent par leur structure. Mainland, qui n’a pas co-écrit cet article de prépresse séparé mais a consulté l’équipe du projet, qualifie sa découverte de “vraiment excitante”. « Nous ne construisons pas simplement un modèle qui résout un problème », dit-il. “Nous essayons de comprendre quelle est la logique sous-jacente à tout cela.”

Le modèle pourrait également ouvrir la porte à une nouvelle technologie qui enregistre ou produit des parfums spécifiques à la demande. Wiltschko décrit le travail de son équipe comme une étape vers « une carte complète » de la perception humaine des odeurs. La version finale serait assimilable à “l’espace colorimétrique” fixé par la Commission internationale de l’éclairage, qui mappe les couleurs visibles. Contrairement à la nouvelle carte olfactive, cependant, l’espace colorimétrique ne dépend pas des mots, note Asifa Majid, professeur de sciences cognitives à l’Université d’Oxford qui n’a pas participé aux études. Majid questionne l’utilisation du langage comme base pour tracer la perception sensorielle humaine. “Les locuteurs de différentes langues ont différentes façons de se référer au monde, et les catégories ne se traduisent pas toujours exactement”, dit-elle. Par exemple, les anglophones décrivent souvent une odeur en se référant à une source potentielle, comme le café ou la cannelle. Mais en Jahai, une langue indigène parlée en Malaisie et dans certaines parties de la Thaïlande, il est choisi parmi un vocabulaire de 12 mots olfactifs de base.

Sans recherche empirique pour le valider, “nous ne savons tout simplement pas comment ce travail s’adapterait à d’autres langues”, déclare Majid. En théorie, les chercheurs auraient pu définir les odeurs sans étiquettes en mesurant les temps de réaction des participants lorsqu’on leur demandait de comparer les odeurs : il est plus difficile de différencier des odeurs similaires, les participants ont donc besoin de plus de temps pour le faire. Selon Mainland, cependant, cette approche comportementale s’est avérée beaucoup moins réaliste. Comme le modèle a appris quelque chose de fondamental sur l’organisation de l’univers des odeurs, il espère que la carte sera applicable dans d’autres parties du monde.

S’il est possible d’étudier la perception humaine des odeurs sans se fier aux mots, les chercheurs n’ont toujours pas la capacité de représenter ces expériences dans un langage universel crucial : les nombres. En développant les équivalents olfactifs des coordonnées de l’espace colorimétrique ou des codes hexadécimaux (qui codent les couleurs en termes de rouge, de vert et de bleu), les chercheurs visent à décrire les odeurs avec une nouvelle précision – et peut-être, éventuellement, à les numériser.

Pour la vue et l’ouïe, les chercheurs ont appris les caractéristiques auxquelles le cerveau prête attention, explique Michael Schmuker, qui utilise l’informatique chimique pour étudier l’odorat à l’Université de Hertfordshire en Angleterre et n’a pas participé aux études. Pour l’odorat, “il y a beaucoup de choses dont il faut s’occuper en ce moment”, dit-il.

Un défi majeur est l’identification des arômes primaires. Pour créer l’équivalent olfactif des images numériques, où les odeurs (telles que les vues) sont efficacement enregistrées et recréées, les chercheurs doivent identifier un ensemble de molécules d’odeur qui produiront de manière fiable une gamme d’odeurs lorsqu’elles seront mélangées – comme le rouge, le vert et le bleu. génère chaque teinte sur un écran.

“C’est de la science-fiction très éloignée en ce moment, même si des gens y travaillent”, déclare Schmuker.

Le robot Tesla marche, ondule, mais ne montre pas de tâches complexes

DETROIT (AP) – Un premier prototype du robot humanoïde Optimus proposé par Tesla Inc. a marché lentement et maladroitement vers une scène, s’est retourné et a salué une foule enthousiaste lors de l’événement sur l’intelligence artificielle de l’entreprise vendredi.

Mais les tâches de base du robot avec des fils et des composants électroniques exposés – ainsi qu’une version ultérieure de nouvelle génération qui devait être portée sur scène par trois hommes – étaient loin de la vision du PDG Elon Musk d’un robot humain qui pourrait changer le monde.

Musk a déclaré à la foule, dont beaucoup peuvent être embauchés par Tesla, que le robot peut faire beaucoup plus que ce que le public a vu vendredi. Il a dit que c’était aussi délicat et “nous ne voulions tout simplement pas qu’il tombe sur le visage”.

Musk a suggéré que le problème avec les démos de robots flashy est que les robots “manquent un cerveau” et n’ont pas l’intelligence pour se diriger eux-mêmes, mais il a donné peu de preuves vendredi qu’Optimus était plus intelligent que les robots développés par d’autres sociétés et chercheurs. . .

La démo n’a pas impressionné le chercheur en intelligence artificielle Filip Piekniewski, qui a tweeté que c’était “un niveau supérieur embarrassant” et un “succès complet et absolu”. Il a dit que ce serait “bien de tester la baisse car cette chose va beaucoup baisser”.

“Rien de tout cela n’est à la pointe de la technologie”, a tweeté l’experte en robotique Cynthia Yeung. “Engagez des docteurs et assistez à des conférences sur la robotique @Tesla.”

Yeung a également demandé pourquoi Tesla avait choisi son robot pour avoir une main humaine à cinq doigts, notant qu'”il y a une raison pour laquelle” les robots d’entrepôt développés par des start-up utilisent des pinces à deux ou trois doigts ou des pinces à vide.

Musk a déclaré que vendredi soir était la première fois que le premier robot montait sur scène sans corde. L’objectif de Tesla, a-t-il dit, est de fabriquer un robot “extrêmement capable” en gros volumes – peut-être des millions d’entre eux – à un coût qui pourrait être inférieur à celui d’une voiture, qui, selon lui, était inférieur à 20 000 dollars.

Tesla a montré une vidéo du robot, qui utilise l’intelligence artificielle que Tesla teste dans ses véhicules “Full Self-Driving”, transportant des boîtes et plaçant une barre de métal dans ce qui semblait être une machine d’usine. Mais il n’y a pas eu de démonstration en direct du robot accomplissant les tâches.

Les employés ont déclaré à la foule à Palo Alto, en Californie, ainsi qu’à ceux qui regardaient via le flux en direct, qu’ils travaillaient chez Optimus depuis six à huit mois. Les gens peuvent probablement acheter un Optimus “dans trois à cinq ans”, a déclaré Musk.

Les responsables ont déclaré que les robots Optimus auraient quatre doigts et un pouce avec un système semblable à un tendon afin qu’ils puissent avoir la dextérité des humains.

Le robot est soutenu par des ordinateurs géants à intelligence artificielle qui suivent des millions d’images vidéo provenant d’automobiles « entièrement autonomes ». Des ordinateurs similaires seraient utilisés pour enseigner des tâches aux robots, ont-ils déclaré.

Les experts dans le domaine de la robotique étaient sceptiques quant au fait que Tesla est sur le point de libérer des légions de robots domestiques ressemblant à des humains qui peuvent faire les «choses utiles» que Musk veut qu’ils fassent – ​​par exemple, préparer le dîner, tondre la pelouse, veiller sur une grand-mère vieillissante. .

“Lorsque vous essayez de développer un robot abordable et utile, un type de forme et de taille humanoïde n’est pas nécessairement la meilleure solution”, a déclaré Tom Ryden, directeur exécutif de l’incubateur de startups à but non lucratif Mass Robotics.

Tesla n’est pas le premier constructeur automobile à expérimenter des robots humanoïdes.

Il y a plus de deux décennies, Honda a présenté l’Asimo, qui ressemblait à une combinaison spatiale grandeur nature et a été montré dans une démonstration soigneusement orchestrée de la capacité de verser du liquide dans un verre. Hyundai possède également une collection de robots humanoïdes et ressemblant à des animaux. grâce à son acquisition en 2021 de la société de robotique Boston Dynamics. Ford s’est associé à la startup basée dans l’Oregon Agility Robotics, qui fabrique des robots à deux pattes et à deux bras capables de marcher et de soulever des colis.

Ryden a déclaré que les recherches des constructeurs automobiles sur la robotique humanoïde pourraient potentiellement conduire à des machines capables de marcher, de grimper et de surmonter des obstacles, mais les démonstrations impressionnantes du passé n’ont pas conduit à un “scénario d’utilisation réelle” à la hauteur du battage médiatique.

“Ils apprennent beaucoup en comprenant le fonctionnement des humanoïdes”, a-t-il déclaré. “Mais en termes d’avoir directement un humanoïde en tant que produit, je ne suis pas sûr que cela sortira de si tôt.”

Les critiques ont également déclaré il y a des années que Musk et Tesla ne seraient pas en mesure de construire une nouvelle entreprise automobile rentable qui utilise des batteries pour l’énergie au lieu de l’essence.

Tesla teste des véhicules “Full Self-Driving” sur la voie publique, mais ils doivent être surveillés par des propriétaires sélectionnés qui doivent être prêts à intervenir à tout moment. La société affirme qu’elle compte aujourd’hui environ 160 000 véhicules équipés du logiciel d’essai routier.

Les critiques ont déclaré que Teslas, qui s’appuie sur des caméras et des ordinateurs puissants pour se conduire, n’a pas suffisamment de capteurs pour conduire en toute sécurité. Le système d’assistance au conducteur de pilote automatique le moins performant de Tesla avec les mêmes capteurs de caméra fait l’objet d’une enquête par les régulateurs de sécurité américains pour freinage sans raison et écraser à plusieurs reprises des véhicules d’urgence clignotants stationnés le long des autoroutes.

En 2019, Musk promettait une flotte de robotaxis autonomes seraient en service d’ici la fin de 2020. Ils sont toujours en cours de test.

_____

O’Brien a rapporté de Providence, Rhode Island.

Soutenue par le programme Intel Startup, la plateforme d’intelligence artificielle de Senseforth.ai aide les entreprises à améliorer leurs relations avec leurs clients

Avec un nombre croissant d’entreprises adoptant l’intelligence artificielle et l’apprentissage automatique dans leurs processus commerciaux, il est facile de voir comment la technologie peut être bénéfique dans tous les secteurs.

Selon les données de l’étude mondiale 2021 du MIT Sloan Management Review et du Boston Consulting Group Les bénéfices culturels de l’intelligence artificielle dans l’entreprisePlus de la moitié des entreprises utilisant l’IA ont déclaré que la technologie les avait non seulement aidées à développer leur clientèle, mais aussi à leur faire découvrir industries adjacentes hors de votre propre entreprise.

Senseforth.ai est à l’avant-garde du développement d’une technologie d’IA prête pour l’avenir depuis le lancement de sa première plateforme d’IA conversationnelle en 2017, conçue pour les grandes entreprises afin de les aider à accélérer leur capacité à stimuler la croissance, à réduire les dépenses d’exploitation et à améliorer l’efficacité organisationnelle.

Pionnier « Make in India »

Fondé par des entrepreneurs en série Shridhar Marri, Krishna Kadiriet Ritesh Radhakrishnan – PDG, CIO et CTO, respectivement – Senseforth.ai a été créé avec une vision pour sortir l’Inde de son ère d’économie de services et dans une ère de produits fabriqués en Inde pour le monde. Le problème que nous voulions résoudre était de savoir comment combler le fossé de l’expérience client. Les attentes des clients, après avoir été exposés aux Netflix et aux Amazon du monde, ont monté en flèche. Nous avons deux tranches d’âge qui créent ce changement de paradigme : la génération Z et la génération Y. Nous ne sommes pas habitués aux visites en personne dans les succursales et à remplir des formulaires papier. Nous voulons que tout soit instantané, explique Shridhar.

Les produits d’expérience client de l’entreprise sont tous basés sur son moteur révolutionnaire et breveté de traitement du langage naturel, ou NLP, donnant à ses solutions un avantage sur les autres assistants virtuels d’IA sur le marché.

Senseforth.ai indique que ses produits Insights On The Go et Senseforth Voice, la technologie exclusive d’intelligence vocale de la société, peuvent être créés et personnalisés pour les clients dans un délai de 3 à 5 semaines. Le premier permet à vos clients d’accéder aux données et aux informations de leurs systèmes de veille économique en quelques secondes, dans un format conversationnel. Nous permettons également aux entreprises d’interroger des données en langage naturel. Les données résident dans de nombreuses formes de systèmes de reporting tels que Power BI, Tableau et d’autres systèmes de BI. Vous avez besoin d’une armée de personnes pour extraire ces données et ces idées pour leur donner un sens. Et si je pouvais recevoir ces données directement sur un canal que j’utilise déjà ? Avec Insights On-the-Go, vous pouvez obtenir ces données depuis Teams, Slack ou même WhatsApp, dit Krishna.

Développer une base solide

Construire votre modèle d’IA en tant que startup n’a pas été une mince affaire, avec la disponibilité des données à traiter pour aider à former la PNL un défi. Mais ce qui a aidé Senseforth.ai à garder une longueur d’avance sur la concurrence, c’est sa solide branche de recherche et développement (R&D), qui se concentre sur les technologies d’IA de base telles que l’apprentissage automatique (ML), la reconnaissance automatique de la parole et la génération de langage naturel.

Ritesh dit qu’au fil des ans, Senseforth.ai a construit et testé des modèles d’IA pour plus de 350 cas d’utilisation, et ajoute que la formation d’un assistant virtuel, qui ne prenait que quelques secondes lorsque la PNL a été développée en 2017, est encore plus rapide maintenant. Cela permet à l’entreprise de créer des assistants et des solutions personnalisés avec un niveau de base d’environ 60 à 70 % d’intelligence, les 30 à 40 % restants impliquant une personnalisation en fonction des exigences spécifiques de l’industrie et de l’organisation.

Avec l’une des principales institutions financières indiennes, HDFC Bank, comme premier client, Senseforth.ai a pu développer un assistant virtuel et approfondir ses modèles de produits. Cet assistant s’est maintenant étendu à 11 canaux tels qu’Alexa, Google Assistant, WhatsApp et Facebook Messenger, et Shridhar affirme que l’entreprise peut créer ces solutions et les déployer sur toutes ces plateformes pour n’importe quel client.

De nombreuses entreprises choisissent la solution de facilité et utilisent des bots simples et font des compromis sur les fonctionnalités ou les capacités. Mais si vous souhaitez lancer un assistant virtuel complexe doté de nombreuses fonctionnalités – capacités statiques et transactionnelles – vous ne pouvez pas le faire très rapidement. Et si ce n’est pas une plate-forme sans code, vous devrez la coder – un autre niveau de complexité et de coût. Les grandes entreprises travaillant sur des projets similaires prennent des mois voire des années et dépensent des millions de dollars. Nous rendons tout plus rapideil dit.

une petite main

En mettant l’accent sur l’IA conversationnelle, intégrer Senseforth.ai au programme de démarrage d’Intel était une évidence. En collaboration avec l’entreprise sur les activités du marché de la technologie et des affaires, le programme a facilité une vitrine de ses solutions et une interaction avec des clients potentiels grâce à sa vitrine de démarrage annuelle, et travaille maintenant à la création d’actifs marketing tels que des promotions médiatiques par l’intermédiaire de partenaires, en les présentant dans livres de table à café annuels et plus encore.

Pour Senseforth.ai, l’objectif du partenariat avec Intel était de fournir une meilleure solution à moindre coût. Comme les solutions vocales nécessitent une plus grande quantité de traitement de données, la plupart des entreprises utilisent des unités de traitement graphique (GPU) pour traiter les données vocales, ce qui est coûteux. Si nous sommes en mesure de fournir une expérience similaire, voire meilleure, sur une unité centrale de traitement (CPU) nécessitant une faible puissance de traitement et un prix plus raisonnable, cela réduirait le coût total de possession, ça dit Manhardeep KochharResponsable – Marketing produit et alliances, Senseforth.ai.

Intel soutient également l’accent mis par Senseforth.ai sur l’amélioration de ses produits avec de nouvelles améliorations de ses offres de fonctionnalités basées sur les commentaires des clients en temps réel tout en collaborant avec ses partenaires, y compris ses efforts pour optimiser le coût global du produit. De plus, Intel utilise les commentaires de Senseforth.ai sur les produits Intel utilisés dans l’espace de l’IA pour faire progresser les produits, ce qui le rend gagnant-gagnant.

donner un sens à l’avenir

Après avoir construit plus de 165 solutions d’entreprise, Senseforth.ai se concentre désormais sur le Web3, explore les solutions d’IA conversationnelle dans le métaverse et travaille avec des partenaires pour créer des humains numériques ainsi que la technologie vocale et la solution d’analyse de la parole sur laquelle travaille actuellement. La société a également levé 14 millions de dollars auprès de Fractal Analytics en 2021, qu’elle dit utiliser pour étendre son marché dans les régions Asie-Pacifique, Amérique du Nord et Europe, ainsi que pour la R&D.

Le programme de démarrage d’Intel : permettre aux startups de faire évoluer leurs innovations révolutionnaires

Le programme Intel Startup est le programme phare d’Intel Inde pour s’engager avec les startups technologiques qui ont une propriété intellectuelle ou des solutions innovantes qui ont le potentiel d’avoir un impact sur les clients et de s’aligner sur les domaines d’intervention d’Intel. Le programme est à l’avant-garde de l’engagement avec l’écosystème des start-up indiennes par le biais de collaborations à fort impact avec l’industrie, les universités et le gouvernement, et exécute diverses initiatives alignées verticalement ou axées sur les technologies émergentes.

Elle s’engage avec des startups qui ont une proposition de valeur globale ou locale unique pour résoudre les véritables problèmes des clients, en leur donnant les moyens de connaître le domaine de l’industrie et les affaires et les conseils d’Intel.

Les chercheurs de Meta AI ont construit le premier système de traduction alimenté par l’IA sous Universal Speech Translator (UST) pour une langue « hokkien » principalement orale

Alors que plus de la moitié des plus de 7 000 langues vivantes dans le monde sont principalement orales et ne disposent pas d’un système d’écriture standardisé, les avancées technologiques récentes en matière de traduction par IA se sont principalement concentrées sur les langues écrites. C’est aussi principalement pour cette raison que les systèmes de traduction automatique ne peuvent pas être créés à l’aide de méthodes conventionnelles, car ils nécessitent un contenu écrit appréciable pour former un modèle d’IA. Pour résoudre ce problème, Meta a créé le premier système de traduction Hokkien avec intelligence artificielle. La diaspora chinoise parle largement le hokkien, mais il n’existe pas de version écrite officielle de la langue. Dans le cadre du projet Universal Speech Translator (UST) de Meta, cet outil de traduction open source permet aux anglophones et aux anglophones de communiquer entre eux.

Par rapport aux systèmes de traduction automatique standard, le développement de ce nouveau système de traduction vocale uniquement s’est accompagné de son propre ensemble de difficultés, notamment la collecte de données, la création de modèles et l’évaluation. L’un des principaux défis auxquels les chercheurs de Meta ont été confrontés lors du développement d’un système de traduction Hokkien était de collecter suffisamment de données. Le hokkien est une langue à faibles ressources, ce qui signifie qu’il y a moins de matériel de formation disponible pour celle-ci que pour les langues à ressources élevées telles que le français ou l’anglais. De plus, la collecte de données et leur annotation pour la formation sont fastidieuses en raison du besoin de traducteurs plus humains de l’anglais vers le hokkien.

Au lieu de cela, les chercheurs ont utilisé le mandarin comme langue intermédiaire pour créer des pseudo-étiquettes et des traductions humaines. Le discours anglais (ou hokkien) a d’abord été traduit en texte mandarin, puis en hokkien (ou anglais). En utilisant des informations provenant d’un langage comparable à ressources élevées, cette technique a considérablement augmenté les performances du modèle. En utilisant l’exploration de la parole, les chercheurs ont pu incorporer des intégrations de voix Hokkien dans le même espace sémantique que d’autres langues sans avoir besoin d’une représentation écrite de la langue. Un encodeur vocal pré-entraîné a permis cela. Le hokkien et l’anglais partagent des intégrations sémantiques, ce qui simplifie la synthèse du discours anglais à partir de textes et la production d’un discours parallèle en hokkien et en anglais.

De nombreuses méthodes de conversion de la parole en texte ou basées sur la transcription sont utilisées dans la traduction de la parole. Cependant, fournir un texte transcrit en sortie de traduction n’est pas idéal car la plupart de ces langues sont principalement parlées et nécessitent des formes écrites standardisées. Au lieu de cela, Meta s’est concentré sur la traduction de la parole en parole. En ce qui concerne les détails architecturaux, en suivant directement la piste précédemment ouverte par Meta, une traduction parole-unité (S2UT) a été utilisée pour convertir la parole d’entrée en une série d’unités acoustiques. Les unités ont créé les formes d’onde de sortie. UnY a été utilisé dans une méthode de décodage en deux passes, où la première passe génère du texte dans une langue apparentée (mandarin) et la deuxième passe génère des unités.

À des fins d’évaluation, la reconnaissance automatique de la parole (ASR) a été utilisée pour la première fois pour convertir la parole traduite en texte. Ensuite, les scores BLEU ont été calculés pour comparer le texte transcrit avec un texte traduit par l’homme afin d’évaluer les systèmes de traduction de la parole. Encore une fois, un obstacle était le besoin d’un système d’écriture standard pour des langues comme le hokkien. Les chercheurs ont créé une méthode qui convertit la parole Hokkien en une notation phonétique standard connue sous le nom de Tâi-lô pour faciliter l’évaluation automatique. La qualité de traduction de diverses approches peut être comparée à l’aide de cette méthode pour obtenir un score BLEU.

Des visions méta pour rassembler les gens malgré leurs barrières géographiques et linguistiques, même dans le métaverse, à travers la communication parlée. La méthode permet la communication entre Hokkien et les anglophones dans leur état le plus récent. Actuellement, le modèle ne peut traduire qu’une phrase complète à la fois et est toujours en cours. Les chercheurs pensent qu’il reste encore beaucoup de travail à faire pour étendre l’UST à de nouvelles langues. Cependant, parler couramment avec des gens dans n’importe quelle langue est un objectif depuis longtemps, et le travail de Meta est un pas dans cette direction. Ils ont ouvert non seulement les modèles de traduction Hokkien, mais également les ensembles de données d’évaluation et les articles de recherche pour encourager la poursuite des recherches.

Hokkien traduction directe de la parole à la parole | SpeechMatrix | Article de référence

Please Don't Forget To Join Our ML Subreddit


Khushboo Gupta est consultant stagiaire chez MarktechPost. Elle poursuit actuellement son B.Tech de l’Indian Institute of Technology (IIT), Goa. Elle est passionnée par l’apprentissage automatique, le traitement du langage naturel et le développement Web. Elle aime en apprendre davantage sur le domaine technique en participant à divers défis.


Massive Bio intègre plus de 100 000 patients atteints de cancer pour trouver leur essai clinique, propulsé par l’intelligence artificielle

NEW YORK–(FIL D’AFFAIRES)–biographie massive, un leader dans le registre des essais cliniques sur le cancer alimentés par l’IA, a annoncé aujourd’hui que la société avait dépassé son objectif d’intégrer 100 000 patients atteints de cancer sur sa plateforme d’ici la fin de 2022, soit neuf mois plus tôt que prévu. La plate-forme Massive Bio associe des patients atteints de cancer à des essais cliniques pertinents utilisant l’intelligence artificielle (IA), permettant aux patients de trouver plus rapidement des options de traitement – tout en permettant aux entreprises des sciences de la vie de procéder à un recrutement plus large de la population et à un recrutement inclusif plutôt que traditionnel spécifique au site.

Actuellement, il y a plus de 14 000 essais cliniques actifs sur le cancer à l’échelle mondiale, avec plus de 18 millions de nouveaux patients recevoir un diagnostic de cancer chaque année. Par ailleurs, une étude de Base de données nationale sur le cancer ont constaté que moins de 0,1 % des patients atteints de cancer étaient inscrits à un essai clinique, sur la base d’une analyse de plus de 12 millions de patients inscrits à des essais cliniques dans le cadre de leur traitement initial pour 46 cancers de 2004 à 2015.

L’un des principaux obstacles à la participation à l’étude est le travail fastidieux d’examen manuel des dossiers des patients et de lecture des protocoles d’étude – un processus qui contribue au faible taux d’inscription à l’étude car il prend du temps, est sujet aux erreurs et nécessite un engagement important des ressources humaines dans une industrie aux prises avec des pénuries de personnel, en particulier après la pandémie de COVID-19. Les algorithmes innovants de la plate-forme SYNERGY-AI de Massive Bio extraient automatiquement et avec précision des informations des dossiers de santé électroniques (DSE) des patients, y compris des biomarqueurs et d’autres résultats de tests, des traitements antérieurs et des résultats, puis identifient les correspondances d’essais cliniques en fonction de l’historique du cancer et du traitement de chaque patient. respecte les protocoles de test et la disponibilité. Les résultats sont ensuite audités et gérés par un gestionnaire de cas en oncologie certifié Massive Bio pour plus de précision. Cette utilisation de l’IA pour rendre l’appariement des tests plus rapide et plus précis donne aux patients plus de confiance dans le fait qu’ils entrent dans le bon test, tout en permettant aux prestataires de consacrer plus de temps aux soins des patients.

Le PDG et co-fondateur de Massive Bio, Selin Kurnaz, s’est fixé un objectif de 100 000 patients d’ici décembre 2021. Depuis lors, la société a continué à travailler pour transformer la façon dont les patients atteints de cancer découvrent, s’engagent et s’inscrivent à des essais cliniques. Ces efforts ont conduit à l’intégration de plus de 102 000 patients sur la plateforme Massive Bio, avec 6 000 patients supplémentaires ajoutés chaque mois. Sur la base des progrès de cette année, Kurnaz s’est fixé un nouvel objectif d’avoir 250 000 patients hospitalisés d’ici la mi-2024.

“Nous sommes à la tête de cette perturbation des essais cliniques sur le cancer, et cela change la donne car nous pensons que c’est la bonne chose à faire pour des millions de patients qui ont besoin de plus d’options de traitement”, déclare Kurnaz. « Nous abordons ce défi différemment de quiconque, en adoptant une approche basée sur la technologie et axée sur l’ingénierie – en utilisant un logiciel pour associer les personnes aux meilleurs tests. Nous assurons désormais le recrutement et l’inscription dans 12 pays, y compris les principaux centres de cancérologie ainsi que les cliniques communautaires, offrant aux patients un accès aux essais cliniques indépendamment de leur emplacement ou de leur situation financière. Avant la création de Massive Bio, la plupart des patients n’avaient la possibilité de s’inscrire à un essai clinique que si leur médecin les recommandait. Désormais, chaque patient atteint d’un cancer peut se renseigner sur les essais cliniques et même commencer le processus de demande directement dans son salon. En outre, nous aidons l’industrie à résoudre les goulots d’étranglement et autres contraintes opérationnelles qui créent des inefficacités dans le pipeline de développement de médicaments. Nous recréons le secteur de l’inscription des patients atteints de cancer.

Les patients diagnostiqués avec un cancer peuvent visiter ClinicalTrials.gov de rejoindre le registre SYNERGY-AI, un registre international pour les patients atteints de cancer afin d’évaluer la faisabilité de l’outil d’appariement des essais cliniques d’oncologie de précision basé sur l’intelligence artificielle de Massive Bio. Les patients qui s’inscrivent volontairement recevront des recommandations de traitement et pourront consulter leur oncologue sur les prochaines étapes.

“Notre objectif est de donner de l’espoir à chaque patient et de les aider à trouver leur test”, a-t-il déclaré. Arturo Loaiza Bonilla, MD, co-fondateur et directeur médical de Massive Bio. « Le processus actuel de demande d’essai clinique est lourd et obsolète, tant pour les patients que pour les promoteurs. Ce programme améliorera non seulement les options disponibles pour les patients atteints de cancer, mais permettra également un développement plus rapide des médicaments, un recrutement plus efficace des patients et une plus grande diversité et inclusion dans les essais cliniques.

À propos de Massive Bio :

biographie massive permet aux patients cancéreux de trouver leurs meilleures options de traitement en fournissant des services pratiques d’accès et d’inscription aux essais cliniques oncologiques mondiaux alimentés par une intelligence artificielle avancée. Fondée sur la conviction que toutes les personnes devraient avoir un accès égal aux thérapies de pointe, Massive Bio combine sa plateforme d’IA de pointe avec une expertise en génomique, en ingénierie et en analyse de données pour éliminer les nombreux obstacles à l’inscription et à la participation des patients atteints de cancer aux essais cliniques. . Basée à New York, Massive Bio est une société privée opérant dans 12 pays.

Rendre l’apprentissage plus attrayant pour les étudiants : les meilleurs outils d’intelligence artificielle pour l’éducation que vous pouvez utiliser

Vous apprenez de nouvelles choses chaque jour grâce à votre éducation, à la lecture ou simplement à vos expériences. Parfois, les élèves ont besoin d’un peu d’aide pour faire bouger les choses. Et c’est là que l’intelligence artificielle devient utile !

Intelligence artificielle soutient les processus et les ressources d’apprentissage, d’étude et d’enseignement. L’IA a créé des moyens interactifs permettant aux étudiants d’apprendre avec un intérêt exceptionnel. Voici les meilleurs outils d’IA qui rendent l’apprentissage amusant pour les étudiants.

  1. logiciel d’écriture

L’un des meilleurs logiciels d’intelligence artificielle pour l’éducation est un outil qui vous aide à rédiger de meilleurs articles de recherche. En plus d’embaucher un rédacteur d’essais de recherche expert, ce logiciel peut vous aider à obtenir un essai professionnel. Les élèves peuvent créer leurs propres histoires, écrire des articles et écrire des lettres.

Un logiciel d’écriture aide les étudiants à apprendre à utiliser la grammaire et la ponctuation appropriées dans un document de recherche. Il inspecte l’écriture à la recherche d’erreurs, suggère des corrections et fournit des commentaires sur le processus d’écriture. Cela vous aidera également à vous assurer que votre travail est grammaticalement correct et cohérent.

  1. apprentissage de l’altitude

Altitude Learning est l’une des meilleures technologies d’intelligence artificielle pour les étudiants, rendant l’apprentissage intéressant et facile. Il fournit une plate-forme complète qui permet aux étudiants d’apprendre à leur propre rythme. Ils utilisent également les principaux services de recherche tels que seattlehebdomadaire. avec pour approfondir vos connaissances. L’apprentissage en altitude permet aux éducateurs d’attribuer du travail, de noter et de suivre les progrès de tous les étudiants dans leur cours.

Le logiciel est intuitif et facile à utiliser, ce qui le rend idéal pour les débutants et les utilisateurs avancés dans une classe. Cette IA vous aide à créer des plans d’apprentissage personnalisés qui peuvent être utilisés dans toutes les matières et tous les niveaux scolaires. Il fournit également une assistance de niveau expert pour vous aider à tirer le meilleur parti de votre programme.

  1. Ivy.ai

Ivy.ai fournit un chatbot en libre-service pour aider les établissements d’enseignement. Ces chatbots peuvent répondre aux questions fréquemment posées et pertinentes sur le campus ou dans un autre environnement d’apprentissage.

Ces outils d’IA répondent aux questions sur les formulaires de candidature, les détails du programme, les frais de scolarité, les bourses, l’alternance travail-études, les subventions, les délais et les procédures de candidature tout en collectant des données pour les activités de recrutement. Ivy.ai peut aider les utilisateurs à :

  • Accéder aux e-mails et récupérer les mots de passe
  • Connexion au Wi-Fi et installation d’applications
  • Configuration des imprimantes et demande de création de bons de travail.
  1. gradescope

Gradescope est un outil d’intelligence artificielle qui aide les professeurs de collèges et d’universités à créer des activités d’apprentissage attrayantes. Il permet aux enseignants et aux administrateurs scolaires de noter les devoirs, les projets et les examens des élèves. Il utilise l’apprentissage automatique pour déterminer l’écriture manuscrite de chaque élève et la noter.

Gradescope possède plusieurs fonctionnalités qui facilitent l’utilisation de l’outil par les utilisateurs. Qui comprend:

  • Créer des examens avec différentes questions.
  • Importation de plusieurs fichiers à partir de certaines sources.
  • Suivez les progrès des élèves sur d’autres plateformes.
  • Adaptation de l’interface aux besoins de chaque utilisateur.
  1. Hugh Assistant de bibliothèque

Hugh Library Assistant est un outil d’intelligence artificielle qui aide les utilisateurs à trouver n’importe quel livre dans la bibliothèque. Il utilise le traitement du langage naturel pour vous aider à rechercher des livres par titre, auteur et sujet. Vous pouvez également l’utiliser pour trouver des ressources telles que des articles de journaux ou des films. Ces robots peuvent naviguer physiquement dans la bibliothèque et guider les gens vers l’emplacement du livre.

  1. Intelligente

Brainly est l’un des principaux outils d’intelligence artificielle utilisés dans l’éducation. Cela fonctionne en connectant des étudiants du monde entier. Le programme utilise des algorithmes d’apprentissage automatique pour vous aider à trouver des partenaires d’étude ayant des intérêts similaires. Vous pouvez trouver des partenaires dans des matières telles que les mathématiques, l’anglais, la biologie, l’histoire, la physique, la chimie, la géographie, la santé, les arts, etc. La plateforme a réuni plus de 60 millions d’étudiants d’environ 35 pays.

Conclusion

L’IA est une tendance qui continuera de faire des vagues dans l’éducation. Et bien qu’il soit encore assez tôt dans sa croissance, nous pouvons voir comment cette technologie peut grandement bénéficier aux étudiants et aux écoles.

Au final, ces outils d’IA ne remplaceront pas les enseignants. Au lieu de cela, ils servent d’assistants qui peuvent aider à rendre les expériences éducatives plus attrayantes pour ceux qui les utilisent. Si vous créez votre propre programme d’IA, n’oubliez pas de le rendre interactif. Les élèves apprennent mieux lorsqu’ils sont activement impliqués dans leur apprentissage, et l’IA n’est pas différente.

L’intelligence artificielle (IA) dans la taille et les opportunités du marché du diagnostic devrait atteindre 5 225,4 millions de dollars d’ici 2030 avec un TCAC de 26,1 % par Polaris Market Research

L'intelligence artificielle (IA) sur le marché du diagnostic

Le rapport récemment publié intitulé L’intelligence artificielle sur le marché du diagnostic: Par taille, tendances, part, croissance, segments, analyse et prévisions de l’industrie, 2030 par Polaris Market Research couvre des informations uniques sur le marché mondial de l’intelligence artificielle dans les diagnostics qui contribuent à la croissance de l’industrie dans son ensemble.

“Selon le rapport de recherche publié par Polaris Market Research, la taille du marché mondial de l’intelligence artificielle (Ai) dans le diagnostic devrait atteindre 5 225,4 millions de dollars d’ici 2030, à un TCAC de 26,1% sur la période de prévision.”

Le rapport peut aider les parties prenantes à mieux comprendre l’environnement concurrentiel et à concevoir des stratégies approfondies pour les aider à augmenter leurs revenus. Le rapport comprend des informations complètes sur la taille du marché de l’intelligence artificielle dans les diagnostics, son volume, sa part, les tendances et développements récents, la demande et le taux de croissance. Le rapport guide les lecteurs sur l’état actuel de l’industrie et ses perspectives d’avenir. Il analyse le marché par type de composant, utilisateur final, entreprise et région. En outre, la taille du marché (valeur et volume), la part et le taux de croissance par types et applications sont estimés et inclus dans le rapport.

Demande de copie d’échantillon d’intelligence artificielle sur le marché des diagnostics avec table des matières complète, chiffres et graphiques @ https://www.polarismarketresearch.com/industry-analysis/artificial-intelligence-ai-in-diagnostics-market/request-for-sample

Principaux acteurs clés :

  • GE Santé
  • unité
  • Siemens Santé
  • Geisinger
  • Aïdoc
  • Clinique de télémédecine (TMC)
  • AliveCor
  • Médable Inc.
  • Vision médicale Zebra
  • nuancer

Principaux points saillants du rapport

Le rapport se concentre sur l’état actuel, le paysage concurrentiel, l’évolution de la dynamique, l’analyse détaillée des coûts, la chaîne d’approvisionnement, les canaux de commercialisation et l’aperçu géographique. L’étude met en lumière des informations cruciales sur les dynamiques critiques telles que les moteurs, les contraintes, les opportunités et les défis. Des recommandations et des conseils commerciaux sont fournis pour aider les lecteurs à assurer leur succès sur le marché mondial. Offre une analyse qualitative et quantitative de l’industrie dans son ensemble. Les faits et les données sont représentés par des graphiques, des camemberts, des diagrammes et d’autres représentations graphiques.

Analyse sectorielle des produits et des applications

Sur la base du segment de produit, le rapport estime les ventes, les revenus, le prix, la part de marché et le taux de croissance par type. Il se concentre ensuite sur l’application du marché de l’intelligence artificielle dans le diagnostic, en évaluant l’état et les perspectives des principales applications/utilisateurs finaux, la consommation (ventes), la part de marché et le taux de croissance pour chaque application, la consommation et son taux de croissance pour chaque application. Les perspectives de croissance sont données en termes de prévisions de ventes et de revenus, prévisions régionales. Il fait également des prévisions de marché par type et application. Dans l’ensemble, l’analyse de segment aide à comprendre les facteurs clés qui sous-tendent la croissance du marché.

Scénario compétitif

Le rapport met l’accent sur les principaux acteurs du marché Intelligence artificielle dans le diagnostic en couvrant leurs informations telles que la production, les profils d’entreprise, les revenus, les images de produits ainsi que les spécifications, le prix, la capacité, le prix et les coordonnées. Les matières premières en amont, les instruments et la recherche de la demande en aval sont également mentionnés dans ce rapport. Cette section permet également d’analyser les stratégies, développements et collaborations réalisés par les principaux acteurs.

Se renseigner avant achat : https://www.polarismarketresearch.com/industry-analysis/artificial-intelligence-ai-in-diagnostics-market/inquire-before-buying

Aperçu des facteurs clés du marché

  • Dynamique de l’industrie
  • Intelligence artificielle dans la segmentation du marché des diagnostics
  • Taille du marché en termes de valeur et de volume : données actuelles, historiques et projetées
  • Tendances et développements industriels
  • scénario concurrentiel
  • Opportunités sur le marché
  • Stratégies et offres de produits des principaux acteurs
  • Recommandations stratégiques pour les nouveaux entrants.
  • Analyse de la production et de la consommation par régions
  • Perspectives de croissance avec estimations de revenus

Portée du marché régional

Le rapport analyse et examine divers facteurs qui déterminent la croissance régionale d’une région donnée. Les analystes ont étudié les données sur les revenus, la production et les fabricants pour chaque région. Cette section effectue une analyse approfondie et un aperçu du développement du marché des principaux pays aux niveaux national, régional et international. Les évaluations des parts de marché pour les segments régionaux et nationaux sont fournies dans ce rapport.

Le rapport vise à aider le lecteur dans la préparation de plans d’expansion d’entreprise. Dans ce document, l’analyse SWOT et l’analyse des cinq forces de Porter sont utilisées, ce qui aide à fournir une orientation précise du marché. En outre, il met en lumière les facteurs qui stimulent la croissance de l’industrie Intelligence artificielle dans le diagnostic, ainsi que ceux qui devraient entraver le développement du marché dans les années à venir. Les analystes ont évalué l’augmentation des investissements dans les activités de fabrication ainsi que l’innovation des produits susceptibles d’avoir un impact sur ces segments. De plus, la recherche explique les mouvements massifs de ce marché pour la chronologie prévue.

Demande de personnalisation @ https://www.polarismarketresearch.com/industry-analysis/artificial-intelligence-ai-in-diagnostics-market/request-for-customization

Réponses aux questions dans ce rapport :

  • Quelle est la taille et le TCAC du marché au cours de la période de prévision ?
  • Quelles sont certaines des autres régions qui connaissent une croissance à un TCAC prometteur et comment la demande croissante pour le marché Intelligence artificielle dans le diagnostic se comportera-t-elle au cours des années de prévision?
  • Qui sont les principaux acteurs du marché et quelles sont leurs parts de marché ?
  • Lequel gagnera plus de force parmi les marques? Et quelles seront les principales tendances qui influenceront cette dynamique ?
  • Quelles sont certaines des stratégies de changement de jeu susceptibles d’être adoptées par les acteurs qui modifieront considérablement le cours du marché ?
  • Quelles sont les prévisions du marché Intelligence artificielle dans le diagnostic compte tenu de la capacité, de la production et de la valeur de production?
  • Comment l’augmentation de la demande impacte-t-elle la croissance des parts de marché ?

Parcourez d’autres rapports :

Marché des billets intelligents @ https://www.marketwatch.com/press-release/smart-ticketing-market-overview-by-recent-opportunities-growth-regional-analysis-and-forecasts-to-2030-2022-10-21

Marché de la gestion des performances cloud @ https://www.marketwatch.com/press-release/cloud-performance-management-market-analysis-by-emerging-growth-factors-and-revenue-forecast-to-2030-2022-10-21

Marché des modules de sécurité matériels @ https://www.marketwatch.com/press-release/hardware-security-modules-market-2022-in-depth-research-with-industry-rapidly-boost-in-future-forecast-to-2030-2022- 10-21

Marché des simulateurs de drones @ https://www.marketwatch.com/press-release/drone-simulator-market-industrial-analysis-applications-cagr-growth-and-in-depth-regional-research-with-major-companies-forecast-till- 2030-2022-10-21

Marché des tests de légionelle @ https://www.marketwatch.com/press-release/legionella-testing-market-by-type-end-use-industry-vendors-and-region—forecast-to-2030-2022-10-21

À propos de nous:

Polaris Market Research est une organisation mondiale d’études de marché et de conseil. Nous offrons une nature d’offre inégalée à nos clients présents dans le monde entier dans les secteurs verticaux de l’industrie. Polaris Market Research est expérimenté dans la fourniture d’informations approfondies sur le marché, ainsi que d’informations sur le marché, à nos clients répartis dans plusieurs entreprises. Chez Polaris, nous sommes obligés de servir notre clientèle différenciée présente dans les services médicaux, la santé, l’innovation, les technologies de pointe, les semi-conducteurs, les produits chimiques, l’automobile et l’aérospatiale et la défense, parmi les diverses entreprises présentes dans le monde.

Contactez-nous:

Etude de marché Polaris

Téléphone : +1-929-297-9727

E-mail: [email protected]