Un nouveau cadre open source, nommé TrainCheck, a été développé à l’Université du Michigan pour détecter de manière proactive les erreurs silencieuses qui surviennent lors de l’entraînement des modèles d’IA.

Ces erreurs, bien que difficiles à identifier, diminuent les performances du modèle sans provoquer d’échecs apparents, entraînant un gaspillage de temps et de ressources.

Dans des tests, TrainCheck a réussi à identifier 18 des 20 erreurs silencieuses, surpassant considérablement les méthodes existantes qui n’ont détecté que deux erreurs.

Le cadre utilise des invariants de formation, des règles constantes durant l’entraînement, pour alerter immédiatement les développeurs en cas d’écarts, offrant des informations de débogage précises.

Ce nouvel outil améliore la robustesse des systèmes d’IA en permettant une identification rapide des problèmes, contrairement aux approches haut niveau qui ne peuvent pas nécessairement localiser les causes profondes.

Les résultats montrent que TrainCheck peut être intégré efficacement dans divers cadres d’apprentissage automatique, minimisant les ressources gaspillées et augmentant la précision des modèles.

Les recherches futures visent à rehausser ses capacités de débogage et à élargir son application à d’autres domaines complexes.

Une étude menée par l’EPFL montre pourquoi les humains surpassent l’intelligence artificielle (IA) dans la reconnaissance d’objets à partir de fragments.

Cette capacité, appelée « intégration de contour », permet aux humains de reconstituer des objets même si certaines parties sont manquantes ou cachées.

L’équipe de recherche, dirigée par Martin Schrimpf, a comparé les performances de plus de 1 000 réseaux de neurones et de participants humains dans des tests où les contours des objets étaient partiellement effacés.

Les résultats indiquent que les humains réussissent souvent à identifier des objets même avec des informations visuelles incomplètes, tandis que l’IA rencontre des difficultés dans ces mêmes situations.

L’étude a également mis en lumière que les systèmes d’IA, bien que performants dans certains contextes, échouent fréquemment lorsqu’ils sont confrontés à des images fragmentées.

Seuls les modèles entraînés sur un grand volume d’images parviennent à approcher les performances humaines, notamment en intégrant des biais similaires à ceux observés chez les humains.

Les conclusions suggèrent qu’améliorer la vision par ordinateur, en offrant aux machines un ensemble de données plus proche de l’expérience humaine, pourrait améliorer leur fiabilité dans des domaines tels que les voitures autonomes et l’imagerie médicale.

OpenAI a révélé que son chatbot IA, ChatGPT, gère quotidiennement plus de 2,5 milliards d’invites, avec environ 330 millions en provenance des États-Unis.

Cette donnée, communiquée à Axios, témoigne de l’adoption massive de la plateforme à l’échelle mondiale.

ChatGPT bénéficie également de plus de 500 millions d’utilisateurs actifs par semaine, la majorité accédant à la version gratuite.

L’application mobile se classe parmi les meilleures, occupant la première place sur Google Play et la deuxième sur l’App Store d’Apple.

Parallèlement, la popularité croissante de l’IA influence les comportements en ligne, avec une baisse de 15 % du trafic de recherche mondial en juin 2025 par rapport à l’année précédente.

Les utilisateurs cliquent également moins sur les sites d’actualités, ce qui suggère un changement dans leurs habitudes de consommation d’information.

Alors que le PDG d’OpenAI, Sam Altman, se prépare à discuter de l’accessibilité des technologies IA à Washington, des interrogations subsistent sur l’impact de ces outils sur les interactions numériques et les écosystèmes d’information traditionnels.