Catégorie: Recherche
-
DARPA Grand Challenge 2005 : Stanley traverse le désert (2005)
Le 8 octobre 2005 le véhicule autonome Stanley de Stanford a remporté le DARPA Grand Challenge, parcourant 212 km dans le désert de Mojave en 6 heures 53 minutes après qu'aucun véhicule n'ait terminé la course de 2004.
-
Forêts aléatoires : l'ensemble d'arbres de décision de Leo Breiman (2001)
En octobre 2001 Leo Breiman a publié Random Forests dans Machine Learning, combinant de nombreux arbres de décision décorrélés entraînés sur des échantillons bootstrap pour créer un classifieur polyvalent puissant.
-
Les réseaux à codes postaux de LeCun : quand la convolution a rencontré la rétropropagation (1989)
En 1989 Yann LeCun et ses collègues aux laboratoires AT&T Bell ont publié un réseau neuronal convolutionnel entraîné par rétropropagation sur des codes postaux manuscrits du service postal américain, une preuve précoce que des filtres locaux pouvaient passer à l'échelle pour le tri du courrier.
-
Machines à vecteurs de support : classifieurs à marge maximale avec noyaux (1995)
En 1995 Corinna Cortes et Vladimir Vapnik ont publié les réseaux à vecteurs de support dans Machine Learning, combinant une séparation linéaire à marge maximale avec l'astuce du noyau pour des frontières non linéaires.
-
Modèles de langage neuronaux : Bengio contre la malédiction de la dimensionnalité (2003)
En 2003 Yoshua Bengio et ses collègues ont publié A Neural Probabilistic Language Model dans le Journal of Machine Learning Research, apprenant des représentations distribuées de mots pour échapper aux limites des immenses tables de n-grammes.
-
TD-Gammon : apprendre le backgammon en jouant contre soi (1992)
Gerald Tesauro chez IBM a construit TD-Gammon, un réseau de neurones qui a appris un backgammon solide par apprentissage par renforcement à différence temporelle et auto-apprentissage, atteignant un niveau proche de l'expert.
-
Machines de Boltzmann : quand les réseaux de neurones ont emprunté la physique statistique (1985)
En 1985 David Ackley, Geoffrey Hinton et Terrence Sejnowski ont publié un algorithme d'apprentissage pour les machines de Boltzmann : unités binaires stochastiques, fonction d'énergie issue de la physique et échantillonnage lent que des méthodes ultérieures ont cherché à éviter.
-
Réseaux de croyances profonds : quand les réseaux profonds sont redevenus entraînables (2006)
En juillet 2006 Geoffrey Hinton et ses collègues ont montré qu'empiler des machines de Boltzmann restreintes couche par couche puis affiner le résultat par rétropropagation permettait d'entraîner des réseaux profonds. Le résultat a aidé à relancer la renaissance de l'apprentissage profond.
-
Rétropropagation : comment les réseaux de neurones ont appris de leurs erreurs (1986)
En 1986, David Rumelhart, Geoffrey Hinton et Ronald Williams ont montré que des réseaux de neurones multicouches entraînés par rétropropagation apprennent leurs propres représentations internes. La méthode reste la norme pour entraîner la plupart des réseaux de neurones.
-
GAN : quand les réseaux de neurones ont appris à inventer des images (2014)
En juin 2014, Ian Goodfellow et ses collègues ont présenté les réseaux antagonistes génératifs : deux réseaux de neurones entraînés l'un contre l'autre. L'idée a rendu possible la synthèse d'images réalistes et a très tôt soulevé la question des faux.
-
L'IA atteint l'or à l'Olympiade internationale de mathématiques (2025)
En juillet 2025, des modèles de langage de Google DeepMind et d'OpenAI résolvent cinq des six problèmes de l'IMO et atteignent 35 points sur 42, niveau or, en rédigeant des preuves en langage naturel dans le temps d'examen.
-
AlphaFold remporte le prix Nobel de chimie 2024
Un jour après que l'IA a remporté le prix de physique, le Nobel de chimie 2024 a honoré AlphaFold, le modèle de DeepMind qui prédit la structure des protéines, et la conception computationnelle de protéines.
-
Le prix Nobel de physique 2024 récompense les réseaux de neurones
John Hopfield et Geoffrey Hinton ont reçu le prix Nobel de physique 2024 pour des travaux fondateurs sur les réseaux de neurones artificiels, la mécanique derrière l'IA actuelle.
-
"Attention is all you need" : le Transformer arrive (2017)
Un article de 2017 a remplacé la mécanique séquentielle des réseaux précédents par de la pure attention. Le Transformer est devenu l'architecture derrière presque tous les grands modèles de langage depuis.
-
AlexNet : la nuit où l'apprentissage profond est revenu (2012)
Un réseau de neurones profond entraîné sur deux <abbr title="Unité de traitement graphique">GPU</abbr> de jeu a écrasé la référence ImageNet et mis fin, presque du jour au lendemain, à un long hiver des réseaux de neurones.
-
GPT-3 : quand l'échelle est devenue la stratégie (2020)
Le modèle à 175 milliards de paramètres d'OpenAI a montré qu'un modèle de langage assez grand pouvait apprendre de nouvelles tâches à partir de quelques exemples dans la consigne, sans réentraînement.
-
ImageNet : le jeu de données qui allait apprendre aux machines à voir (2006)
Fei-Fei Li a parié que les données, et pas seulement des algorithmes plus malins, débloqueraient la vision par ordinateur. ImageNet est devenu la référence qui a allumé l'ère de l'apprentissage profond.
-
OpenAI o1 : des modèles qui réfléchissent avant de répondre (2024)
OpenAI a présenté une gamme de modèles entraînés à raisonner les problèmes étape par étape avant de répondre, échangeant la vitesse contre la précision et ravivant l'idée que réfléchir plus longtemps peut payer.
-
Le perceptron de Rosenblatt : la machine qui apprenait (1958)
Le perceptron de Frank Rosenblatt fut la première machine à apprendre de l'expérience, célébrée par la presse, attaquée par les critiques et réhabilitée des décennies plus tard.
-
Computing Machinery and Intelligence : le jeu d'imitation de Turing (1950)
L'article d'Alan Turing de 1950 a remplacé « Les machines peuvent-elles penser ? » par un test pratique, et façonne encore la façon dont nous parlons d'intelligence artificielle.