Dans un monde où l’intelligence artificielle (IA) prend de plus en plus d’importance, comprendre comment les machines prennent des décisions en situation d’incertitude est devenu crucial.

Les chercheurs, comme Willie Neiswanger de l’USC, élaborent des frameworks qui intègrent la théorie des décisions et la théorie des utilités pour renforcer la capacité de l’IA à gérer cette incertitude.

Neiswanger souligne que les modèles de grande langue (LLM) peinent à exprimer des nuances de confiance, produisant des réponses d’apparence sûre même lorsque les données sont insuffisantes.

Son travail vise à améliorer la quantification de l’incertitude, permettant aux systèmes d’IA de prendre des décisions éclairées en tenant compte des préférences humaines.

Les applications de cette recherche sont diverses, allant de la planification stratégique en entreprise à l’aide au diagnostic médical.

En intégrant les préférences des utilisateurs dans le processus décisionnel, il est possible de générer des recommandations qui, tout en étant techniquement optimales, respectent également les valeurs humaines essentielles.

Les prochaines étapes de ces recherches visent à élargir ces approches à des domaines variés, comme la logistique ou les soins de santé, tout en améliorant la transparence des décisions prises par les modèles, afin que les utilisateurs comprennent mieux comment et pourquoi ces choix sont faits.

Une nouvelle approche proposée par des chercheurs de l’Université de Surrey, publiée dans Nature Machine Intelligence, améliore la capacité des robots à manipuler des objets fragiles, glissants ou asymétriques.

Cette méthode permet aux robots de prédire le glissement d’un objet et d’ajuster leurs mouvements en temps réel, imitant ainsi les ajustements naturels des humains lorsqu’ils gèrent des objets en équilibre.

Traditionnellement, les robots se basent uniquement sur la force de préhension, ce qui peut causer des dommages.

En revanche, cette approche bio-inspirée utilise un contrôle prédictif élargi, capable de s’adapter à divers objets et situations.

Les résultats montrent un potentiel considérable pour améliorer l’automatisation dans divers secteurs, allant de la santé à la fabrication, en transformant la manière dont les robots interagiront avec leur environnement.

Les bactéries intestinales, bien plus nombreuses que nos cellules humaines, jouent un rôle crucial dans la santé, affectant des fonctions allant de la digestion à la chimie du cerveau.

Cependant, les mécanismes de leur interaction restent largement inexplorés.

Des chercheurs de l’Université de Tokyo ont développé un outil d’intelligence artificielle, un réseau neuronal bayésien nommé VBayesmm, pour analyser des données sur le microbiome intestinal.

Cette méthode permet de révéler des connexions entre les bactéries et les métabolites qu’elles produisent, ouvrant la voie à des traitements personnalisés pour diverses maladies.

Malgré ces avancées prometteuses, une complexité inhérente subsiste : l’abondance et la diversité des bactéries rendent difficile l’identification de relations significatives.

VBayesmm optimise l’analyse en distinguant les contributions majeures des bactéries et en tenant compte des incertitudes.

Les chercheurs prévoient d’enrichir cet outil avec des données complémentaires pour améliorer encore sa précision, tout en visant à transformer ces découvertes en applications cliniques concrètes pour le bénéfice des patients.