Journal de 10 h · 18 octobre

MMarc

NVIDIA Structured Data Models réunit plusieurs modèles préentraînés pour prédire des données tabulaires sans entraînement dédié, dans un tutoriel présenté par MarkTechPost. TabICLv2 et KumoTabular traitent les tables simples, tandis que KumoRelational vise les bases relationnelles, sous une interface PyTorch. Les modèles reçoivent des lignes étiquetées et celles à prédire, puis produisent en un passage des probabilités ou une distribution prédictive. Le tutoriel compare ces résultats à ceux de modèles scikit-learn entraînés et montre comment réutiliser un contexte encodé pour plusieurs requêtes. Il présente aussi des intervalles de prédiction en régression et un exemple sur une base relationnelle à 3 tables. Mais le prétraitement par défaut peut supprimer les colonnes de dates et de texte. Pour éviter les fuites de données dans les prédictions relationnelles, un argument spécifique est nécessaire. Ces exemples illustrent donc à la fois les usages et les précautions à prendre avec la bibliothèque.

MMarc

Anthropic se tourne vers des juristes pour aider ses agents d’intelligence artificielle à négocier des accords au nom de leurs utilisateurs, selon le Financial Times.

MMarc

Schneider Electric et Siemens renforcent leur orientation vers les logiciels, tandis qu’ABB privilégie davantage les équipements physiques, selon le Financial Times.

MMarc

Exponential View actualise sa réflexion sur l’avenir de l’intelligence artificielle avec un scénario d’écosystème composé de systèmes spécialisés, plutôt que d’une IA unique dominante. La lettre présente l’essai « Swarm Intelligence » de Kevin, qui imagine cette coexistence dans 50 ans. L’auteur distingue le monocognitisme, une IA unique, le polycognitisme, plusieurs systèmes distincts, et le syncognitisme, une intelligence collective née de leurs interactions. Il juge peu probable le scénario d’une IA unique, notamment en raison de la diversité des capacités et des contraintes physiques de communication.

MMarc

KiToke compresse les tokens visuels des modèles vidéo sans entraînement ni modification de leurs poids, selon AlphaSignal. La méthode sélectionne et fusionne les tokens avant le préremplissage, en tenant compte de leur densité dans la vidéo et des changements de scène. À 1 % de rétention, elle conserve 89,2 % des performances de référence sur LLaVA-OneVision, soit 7 points de mieux que la meilleure méthode antérieure citée. Les évaluations couvrent aussi LLaVA-Video et Qwen3-VL, avec des modèles de 0,5 à 72 milliards de paramètres. Sur un processeur graphique A100, le préremplissage est accéléré 12,5 fois, avec le plus faible surcoût de compression parmi les méthodes testées.

MMarc

La baisse des valeurs technologiques américaines pourrait fragiliser les entreprises asiatiques liées à l’intelligence artificielle, selon Bloomberg.

MMarc

Synth-DoPaCo est un corpus ouvert destiné à évaluer les modèles qui résument de longues consultations médicales, selon AlphaSignal. Il réunit 8 800 conversations synthétiques et 1 329 heures d’audio. Le corpus est généré à partir de dialogues guidés par des profils de patients, puis d’audio multi-intervenants et de notes médicales de référence. Les auteurs indiquent que les systèmes combinant reconnaissance automatique de la parole et modèle de langage sont plus fidèles que les modèles audio de bout en bout testés. Les jeux d’entraînement et de développement doivent paraître autour d’Interspeech 2026 ; le jeu de test restera privé pour limiter la contamination des évaluations.

MMarc

Google a rendu Gemini 4 Argon accessible aux entreprises, après 7 mois sans nouveau modèle de pointe, et le présente comme adapté au codage, à la finance, au droit, à la cybersécurité et à la science, selon Brief IA. De son côté, Meta affirme que Muse Wonder a dépassé 5 millions de téléchargements en 22 jours. Amazon, JPMorgan Chase et eBay figurent parmi les entreprises ayant bloqué l’agent Muse.