Et aussi: Yann LeCun s'apprête à quitter Meta – Softbank abandonne Nvidia

Alors que l’intelligence artificielle et le cloud computing dopent la demande mondiale en puissance de calcul, les États-Unis se heurtent à une crise énergétique.

Les réseaux sociaux où sont échangés des messages courts sont devenus des sources de premier choix pour le suivi d'objet d'actualités. Les sources de ce relais d'information sont ainsi très variées, permettant de couvrir la grande majorité des aspects de ces objets. De plus, l'information est diffusée quasiment en temps réel. Traiter les données issues de ce type de plate-forme est donc devenu un objectif clef pour le monde de la recherche comme celui de l'industrie. Les présents travaux portent sur l'exploitation de ces données. L'objectif est de décrire les données issues de tels réseaux pour permettre de les rendre accessibles à un utilisateur final. Nous proposons de traiter le problème à travers la représentation, la structuration et finalement la description des données reçues. Pour pouvoir baser nos raisonnements et procédures sur la sémantique véhiculée par les données, nous procédons à leur changement de représentation. Cette étape est opérée avec un modèle d'apprentissage automatique adapté à nos besoins, Doc2Vec, produisant des représentations sémantiques raffinées. Ces vecteurs peuvent ensuite être exploités pour détecter la structuration sous-jacente de ces données. Cette étape prend la forme d'un clustering basé sur la mesure de similarité accessible dans l'espace de représentation des micro-posts captés. Ce découpage permet d'identifier les manifestations de la cible écoutée que l'on peut repérer dans les données. Nous proposons finalement d'exploiter cette partition et le contenu des messages pour identifier des composants de descriptions pertinents. Ces descripteurs, issu du corps même des messages, doivent être représentatifs de l'ensemble où ils ont été sélectionnés. Ils permettent ainsi la construction de description de la partition. Nous introduisons d'abord à cette fin un modèle de Programmation Linéaire en Nombres Entiers, et ensuite une méthodologie basée sur le clustering et la mesure de l'impact des mots sur la position du vecteur de leur document. C'est finalement à travers l'ensemble formé par les descriptions des aspects de la cible écoutée sur les réseaux que nous proposons de la décrire.

Présentation et analyse des cahiers de doléances 2019 de la ville de La Rochelle. Près de 200 personnes ont écrit dans ces cahiers : revendications de plus de justice fiscale et sociale, doléances des...

A Stanford study reveals that leading AI companies are pulling user conversations for training, highlighting privacy risks and a need for clearer policies.

Aujourd'hui, la Commission a défini deux stratégies pour faire en sorte que l'Europe exploite pleinement le potentiel de l'IA, en favorisant l'adoption dans des secteurs clés et en plaçant l'Europe à ...

Face à des coûts d'infrastructures IA croissants, IBM propose une approche plus vertueuse avec la gamme de LLM Granite 4.0. Ils adoptent une approche...

Derrière le déploiement de l’IA dans les entreprises, une bataille des places est en cours. Dans le New York Times, le journaliste Noam Scheiber ...

Fondée il y a 1 an par Antoine Moissenot et Alexandre Pasquiou, Neuralk-AI a récemment levé 4 millions de dollars pour développer le premier modèle de fondation spécialisé po...

Utilisez Minddex.ai, premier outil GEO qui mesure votre visibilité et vos performances commerciales dans les réponses générées par l'IA. · Société Française.

Visibrain annonce son partenariat avec Meteoria pour renforcer la visibilité des marques à l’ère des réseaux sociaux et des IA génératives.

Si ChatGPT est évidemment en haut de la liste, plusieurs intelligences artificielles prennent également une part non négligeable du marché.

Vector embeddings have been tasked with an ever-increasing set of retrieval tasks over the years, with a nascent rise in using them for reasoning, instruction-following, coding, and more. These new be...

Discover EmbeddingGemma, Google's new on-device embedding model designed for efficient on-device AI, enabling features like RAG and semantic search.