Le cyberblog du coyote

Intelligence artificielle : guide pratique pour les enseignants
Philippe Piekoszewski-Cuq
87 pages
2025

Teachable Machine est un outil Web accessible à tous, qui permet de créer des modèles de machine learning rapidement et facilement. Teachable Machine est un outil flexible qui vous permet d'utiliser des fichiers ou de capturer des exemples en direct. Vous pouvez même l'utiliser entièrement sur votre appareil sans qu'aucune donnée de la webcam ou du micro ne quitte l'ordinateur.

L’ère où les robots s’améliorent de leur propre chef, sans intervention humaine, semble désormais à portée de main. Une découverte récente dans le domaine de l’intelligence artificielle nous rapproche inexorablement d’un univers digne de Terminator, où les machines évoluent et apprennent de manière autonome. Dès lors, que se produira-t-il lorsque ces entités mécaniques s’imposeront elles-mêmes des tâches à accomplir ? Certains peuvent déjà se réparer d’eux-mêmes ou d’autres, comme l’Optimus Gen2, font preuve d’une habileté tout à fait surprenante ; aucun doute, la robotique avance à pas de géant.

Lire l'article de Camille Coirault sur Presse-Citron

Découvrez les différences entre le Machine Learning et le Deep Learning, deux technologies clés de l'intelligence artificielle moderne.

Lire l'article de Louis-Clément Schiltz sur webotit.ai

L’IA robot CyberRunner crée la sensation en maîtrisant le jeu du labyrinthe en un temps record ! Une révolution ludique et technologique.

Une intelligence artificielle mise au point par Google est parvenue à apprendre une langue étrangère sans l’aide d’un être humain. Le géant de Mountain View ignore encore comment l’IA a réussi à cette prouesse…

Lire l'article de Florian Bayard sur 01Net

Le machine learning a aujourd'hui fait preuve de son efficacité : on peut produire, à partir d'une grande masse d'informations, des Intelligences Artificielles capables de répondre à de nombreux besoins, comme le montrent les progrès en vision par ordinateur ou en traduction automatique ces dernières années. Pour autant, cette technique a des limites, vis-à-vis des secteurs ne disposant pas de suffisamment de données, vis-à-vis de certaines questions éthiques, et vis-à-vis de son explicabilité. Pour pallier ces problèmes dans les applications où le Machine Learning seul n’est pas efficient, les sciences humaines peuvent apporter des solutions et de la précision aux systèmes automatiques. À l'aide de deux exemples concrets, Dominique Vaufreydaz illustre comment les apports des sciences humaines peuvent nourrir et améliorer un programme informatique dédié aux interactions avec les humains.

Lire l'article de Dominique Vaufreydaz sur Interstices