L’intelligence artificielle (IA) transforme les habitudes et les outils des professionnels et la recherche scientifique est bien évidemment concernée par cette révolution.
Car la recherche scientifique, comme d’autres domaines professionnels, peut également tirer partie des bénéfices de l’IA (avec des techniques telles que le Machine Learning et le Deep Learning) et de l’IA générative. Par exemple :
- Automatisation des tâches, comme la collecte et l’analyse de données
- Évaluation de données scientifiques à grande échelle
- Génération de prévisions
Voici trois projets en cours ou récemment achevés, financés par l’UE, qui mettent en évidence diverses applications de l’IA dans le domaine scientifique.
Cosmic-Dance : à la découverte des planètes errantes
Malgré les progrès récents de l’astronomie, les étoiles restent des objets mystérieux. Y a-t-il autant de grosses étoiles que de petites étoiles ? Qui sont les naines brunes, ces minuscules entités cosmiques qui ressemblent aux étoiles, sans en être tout à fait ?
C’est pour résoudre ces énigmes cosmiques que le projet de recherche Cosmic-Dance a été mis sur pied.
En s’appuyant sur l’apprentissage automatique (Machine Learning) et de nouveaux outils (disponibles sur GitHub), les chercheurs de l’université de Bordeaux ont traité des dizaines de milliers d’images astronomiques représentant plusieurs téraoctets de données brutes.
L’IA a permis d’identifier 70 à 170 planètes flottant librement dans l’espace.
Ils ont ainsi pu identifier à travers l’analyse du mouvement, de la luminosité et de la couleur des dizaines de millions d’étoiles.
Mais aussi, et c’est une véritable surprise, « 70 à 170 planètes flottant librement dans l’espace ». Ces planètes errantes ont la masse d’une planète mais ne sont liés à aucune étoile ; elles se déplacent librement dans la galaxie.
DeepCube : prédire les incendies de forêt
En combinant intelligence artificielle et données d’observation de la Terre, des chercheurs ont créé de puissants outils pour mieux comprendre les processus terrestres et répondre aux défis du changement climatique.
Le projet DeepCube s’appuie sur des technologies d’IA et de web sémantique pour exploiter les vastes données ouvertes produites quotidiennement par les satellites Sentinel du programme d’observation de la Terre Copernicus.
L’objectif est l’estimation quantitative des variables liées aux processus géophysiques et biologiques. Il s’agit notamment de prévoir les effets de la sécheresse et de la chaleur et les risques d’incendie de forêt dans les régions méditerranéennes.
Avec l’IA explicable et l’IA causale, les chercheurs prédisent les risques d’incendie dans la région méditerranéenne.
DeepCube utilise également l’IA explicable et l’IA causale dans ses pipelines d’apprentissage profond (Deep Learning).
En appliquant cette technique à la prévision des risques d’incendie de forêt, il est possible d’identifier les principaux facteurs qui influencent les prévisions du modèle. L’IA causale aide ainsi à comprendre les liens de cause à effet dans les modèles.
Dans le cadre de leurs recherches sur la prévision des risques d’incendies de forêt, les chercheurs ont publié « mesogeos », un cube de données quotidiennes permettant de développer des modèles de prévision des risques d’incendie pour le lendemain dans la région méditerranéenne.
Leur service de prévision des risques d’incendies, développé en collaboration avec le service des pompiers grecs, suscite également l’intérêt de l’Union internationale des télécommunications.
COGTOM : décrypter les mécanismes du cerveau
Comment notre cerveau apprend et pour prédire les conséquences probables de nos décisions ? Le projet COGTOM exploite l’intelligence artificielle pour révéler ces mécanismes, via l’étude des modèles mentaux.
Lorsqu’une personne tend la main pour saisir un objet, son cerveau utilise un modèle mental pour prédire les réactions sensorielles attendues, en fonction du poids et de la texture de l’objet.
Une fois l’objet saisi, le cerveau compare le retour sensoriel réel avec les prédictions du modèle mental, et le met à jour si nécessaire.
L’apprentissage automatique fournit le langage mathématique pour aborder la cognition et la perception.
Pour comprendre ce phénomène, les chercheurs ont utilisé l’apprentissage automatique et des algorithmes capables d’apprendre à partir des données.
L’apprentissage automatique fournit le langage mathématique approprié pour incorporer les concepts et les cadres essentiels, afin d’aborder la cognition et la perception notent les chercheurs.
De quoi fournir un cadre théorique pour formaliser mathématiquement la manière dont les êtres humains tirent des enseignements de leur expérience et prennent des décisions, et peut-être à l’avenir, aider à surmonter les obstacles actuels en matière d’IA.
Ces trois exemples illustrent comment l’utilisation de l’IA permet d’aller plus loin dans les découvertes des laboratoires scientifiques. Mais il en existe bien plus ! Dans tous les domaines de la recherche, les capacités offertes par l’intelligence artificielle ouvrent constamment de nouvelles portes, que les chercheurs n’hésitent plus à franchir.
