Artefact Research Center
Combler le fossé entre le monde universitaire et les applications industrielles.
Notre écosystème de recherche en quelques chiffres
Le Artefact et le Research Center en chiffres.
La mission du Artefact et du Research Center.
Un écosystème complet qui fait le lien entre la recherche fondamentale et les applications industrielles concrètes.
Recherche sur des modèles plus transparents et plus éthiques visant à favoriser l'adoption du modèle IA par les entreprises.
Exemples de biais liés au modèle IA
- AppleCard accorde des hypothèques basées sur des critères racistes
- Lensa AI sexualise les selfies des femmes
- Classification d'images racistes sur Facebook avec des Afro-Américains assimilés à des singes
- Le chatbot Twitter de Microsoft devient nazi, sexiste et agressif
- Je ne peux pas répondre à cette demande. Je ne peux pas créer de contenu qui promeut des stéréotypes nuisibles ou discriminatoires.
Défi actuel
Les modèles IA sont précis et faciles à mettre en œuvre dans de nombreux cas d'utilisation, mais restent incontrôlables en raison de leur nature opaque et des questions éthiques qu'ils soulèvent.
Domaines de recherche transversaux
Grâce à notre positionnement unique, nous souhaitons relever les défis généraux liés au programme IA, qu'il s'agisse de modélisation statistique ou de recherche en gestion.
Ces questions sont transversales à toutes nos matières et nourrissent notre recherche.
Un écosystème complet qui comble le fossé entre la recherche fondamentale et les applications concrètes de l'industrie.
Une sélection de nos articles soumis à un comité de lecture, présentés lors de conférences de premier plan consacrées à l'intelligence artificielle.
Nos chercheurs travaillent ensemble sur des défis concrets liés à l'IA.
Articles de blog Medium par nos experts en technologie.
Détection des hallucinations dans les LLM, un token à la fois
Les grands modèles linguistiques sont étonnamment performants. Ils résument, traduisent, raisonnent et codent (mieux que moi). Mais contrairement à moi, ils sont également devenus tristement célèbres pour avoir inventé...
images
L'avenir d'Agentic AI reposera-t-il sur les graphes de connaissances ?
Alors que les entreprises s'empressent de mettre en œuvre le modèle AI, la plupart d'entre elles se rendent compte que leur infrastructure data n'a jamais été conçue pour le raisonnement autonome. Aujourd'hui, jusqu'à 80% des implémentations du modèle IA...
Enrichir l'expérience du bricolage : comment ADEO utilise l'IA pour relier contenu et savoir-faire
L'optimisation de l'assortiment est un processus essentiel dans le commerce de détail qui consiste à proposer le mélange idéal de produits pour répondre à la demande des consommateurs tout en tenant compte des nombreuses logistiques...
MotherDuck expliquée : comment cette solution d'IA et d'analyse de nouvelle génération s'intègre à votre pile Data
MotherDuck étend les capacités analytiques de DuckDB au modèle cloud en y ajoutant des fonctionnalités collaboratives, offrant ainsi des performances quatre fois supérieures à celles de BigQuery et permettant de réaliser des économies par rapport aux entrepôts de données traditionnels de type data grâce à...
Optimisation de l'assortiment avec des modèles de choix discrets en Python
L'optimisation de l'assortiment est un processus essentiel dans le commerce de détail qui consiste à proposer le mélange idéal de produits pour répondre à la demande des consommateurs tout en tenant compte des nombreuses logistiques...
L'alignement des préférences est-il toujours la meilleure option pour améliorer la traduction basée sur les grands modèles linguistiques ? Une analyse empirique
Les métriques neuronales pour l'évaluation de la traduction automatique (TA) sont devenues de plus en plus importantes en raison de leur meilleure corrélation avec les jugements humains par rapport aux métriques lexicales traditionnelles.
Choice-Learn : Modélisation de choix à grande échelle pour des contextes opérationnels à travers le prisme de l'apprentissage automatique
Les modèles de choix discrets visent à prédire les décisions de choix prises par les individus parmi un ensemble d'alternatives, appelé un assortiment. Les cas d'utilisation bien connus incluent la prédiction d'un...
L'ère du AI génératif : ce qui change
La multitude et la diversité des réactions suscitées par ChatGPT et d'autres modèles génératifs IA, qu'elles soient sceptiques ou enthousiastes, témoignent des changements qu'ils entraînent et de leur impact...
Comment Artefact a réussi à mettre au point un système de carrière à la fois équitable et simple pour les ingénieurs en informatique
Dans l’industrie technologique dynamique et en constante évolution d’aujourd’hui, une carrière peut souvent sembler un sentier sinueux à travers une forêt dense d’opportunités. Avec une évolution rapide...
Pourquoi vous avez besoin de LLMOps
Cet article présente LLMOps, une branche spécialisée fusionnant DevOps et MLOps pour gérer les défis posés par les grands modèles de langage (LLM)...
Libérer la puissance du LangChain Expression Language (LCEL) : de la preuve de concept à la production
LangChain est devenu l'une des bibliothèques Python les plus utilisées pour interagir avec les LLM en moins d'un an, mais LangChain était principalement une bibliothèque...
Comment nous avons procédé au rapprochement des identifiants de profil à l'aide de Treasure Data Unification et de SQL
Dans cet article, nous expliquons les défis liés au rapprochement des identités et présentons notre approche pour créer un identifiant de profil unifié sur la plateforme Customer Data, plus précisément...
