Raspberry Pi, une machine et de l’IA : un trieur de LEGO automatique

On peut tout imaginer avec Raspberry Pi : en voici la preuve !

C’est un véritable rêve de gamin (que j’étais) que vient de réaliser Daniel West avec son trieur de LEGO. Animé entre autres par un Raspberry Pi , cette machine un peu particulière a elle-même été construite à l’aide de plus de 10 000 pièces de LEGO.

Certainement un long travail de patience pour une des inventions les plus geek possible !

Une machine de tri universelle pour les briques de LEGO

Tous vos LEGO sont en désordre ? Daniel West a la solution ! Durant les trois dernières années, ce jeune ingénieur de 25 ans a mobilisé ses compétences (et ses caisses de LEGO) pour concevoir cet Universal Lego Sorter. Fabriqué à partir de plus de 10 000 briques de Lego, ce trieur est capable de reconnaître n’importe quelle brique avant de les séparer et les classer dans 18 bacs individuels, à raison d’une brique toutes les deux secondes. À la différence d’autres projets de trieur ayant vu le jour, celui de Daniel West innove, car il est le premier à utiliser une intelligence artificielle formée à partir de rendus 3D des briques du jeu. Cela signifie qu’elle est capable de reconnaître et de trier n’importe quelle pièce jamais produite par Lego, même si elle ne l’a jamais scannée auparavant, ce pour quoi la machine est universelle.

Au cœur de la machine : Raspberry Pi

Daniel West a eu recours à bien plus que de simples briques et un Raspberry Pi pour animer son trieur de LEGO. En réalité, le système fonctionne grâce à de nombreux éléments, notamment avec le module photo Raspberry Pi qui scanne les pièces entrantes, un Raspberry Pi 3 B+ qui traite et envoie les images à un ordinateur, mais aussi 6 moteurs LEGO et 9 servomoteurs contrôlés par Raspberry Pi.

L’ordinateur utilisé a recours à la puissance de calcul d’une GeForce RTX 2060 , qui permet de faire travailler un algorithme reposant sur un réseau neuronal convolutif, dont les principales applications sont le traitement et la reconnaissance d’images et de vidéos.

 

Cette IA envoie ensuite ses ordres à la machine de tri, qui s’exécute en envoyant la pièce dans l’un des 18 bacs en sortie.

Il crée un robot joueur d’échecs avec Raspberry Pi et lui ajoute un soupçon de mauvaise foi avec ChatGPT

Voici un projet amateur plutôt amusant : la création d’un robot qui peut jouer aux échecs efficacement en se permettant le luxe de se payer votre pomme et de tricher.

Quiconque a déjà joué aux échecs contre un ordinateur sait à quel point c’est un moyen d’entraînement efficace. Mais rien ne peut remplacer le divertissement d’une vraie partie entre potes, plus vivante et, de fait, moins robotique. Noah, un passionné d’informatique, a fait preuve d’inventivité pour rendre l’expérience du jeu contre l’IA plus interactive. Grâce à l’utilisation combinée du Raspberry Pi et de ChatGPT, il a créé un robot qui peut à la fois jouer sur un plateau physique, vous insulter et tricher.

Un plateau bardé de capteurs et relié à ChatGPT

Le plateau de jeu conçu par Noah est entièrement doté d’une matrice de capteurs à effet de Hall (capteurs capables de mesurer les variations de champ magnétique) qui permet à l’ensemble de détecter la position de chaque pion en temps réel. Le fonctionnement est plutôt simple : un aimant est implémenté dans les pièces, qui fait réagir les capteurs une fois qu’elles sont posées sur une case. La limite de ce système est que ces capteurs ne sont pas capables de faire la différence entre les pièces. Pas de problème pour Noah : il a codé un petit programme qui peut suivre les mouvements de chaque pièce depuis sa position de départ jusqu’à sa position sur les différentes cases.

Pour pimenter un peu l’expérience de jeu, Noah a également relié le plateau à ChatGPT et sa fonction de synthèse vocale. Le résultat ? Le robot commente vos coups, parfois de manière sarcastique, se moque ou vous insulte. C’est quand même plus rigolo comme ça non ?

Un bras robotisé parfois un peu tricheur

Noah a également fabriqué un bras robotisé qui saisit les pièces et les place sur l’échiquier. Connecté au Raspberry Pi Pico, il récupère en direct les informations sur les positions des pièces et prend les décisions lui-même pour déterminer quel sera son prochain mouvement.

Pour rajouter encore une couche de fun, ce bras se connecte à Stockfish (une application d’échecs en open source) dès que son tour arrive, ce qui lui permet de calculer le mouvement parfait à exécuter. Cela lui donne un gros avantage, et le joueur en face devra réellement se démener pour lutter contre le robot.

Ce genre de projet ingénieux montre que certains utilisateurs d’IA ont un sens de l’humour du meilleur goût. Si en plus ils sont bricoleurs, le résultat peut être franchement sympathique. Un peu de légèreté dans les actualités concernant l’IA ne fait clairement pas de mal, et on peut dire bravo à Noah pour ce joli tour de force.

Article source : Il crée un robot joueur d’échecs avec Raspberry Pi et lui ajoute un soupçon de mauvaise foi avec ChatGPT
Publié sur Clubic par Camille Coirault le 02 août 2023

Dernière nouvelle : Raspberry Pi 5 : deux à trois fois plus performant et des interfaces plus modernes

 

Une IA bat un humain à plate couture aux mots croisés

What a Crossword AI Reveals About Humans’ Way With Words !
Ce qu’une IA de mots croisés révèle sur la façon dont les humains manient les mots !

Article publié sur Wired 5 juin 2020 par Ben Zimmer.

At last week’s American Crossword Puzzle Tournament, held as a virtual event with more than 1,000 participants, one impressive competitor made news. (And, despite my 143rd-place finish, it unfortunately wasn’t me.) For the first time, artificial intelligence managed to outscore the human solvers in the race to fill the grids with speed and accuracy. It was a triumph for Dr. Fill, a crossword-solving automaton that has been vying against carbon-based cruciverbalists for nearly a decade.

 

For some observers, this may have seemed like just another area of human endeavor where AI now has the upper hand. Reporting on Dr. Fill’s achievement for Slate, Oliver Roeder wrote, “Checkers, backgammon, chess, Go, poker, and other games have witnessed the machines’ invasions, falling one by one to dominant AIs. Now crosswords have joined them.” But a look at how Dr. Fill pulled off this feat reveals much more than merely the latest battle between humans and computers.

When IBM’s Watson supercomputer outplayed Ken Jennings and Brad Rutter on Jeopardy! just a little more than 10 years ago, Jennings responded, “I, for one, welcome our new computer overlords.” But Jennings was a bit premature to throw in the towel on behalf of humanity. Then as now, the latest AI advances show not only the potential for the computational understanding of natural language, but also its limitations. And in the case of Dr. Fill, its performance tells us just as much about the mental arsenal humans bring to bear in the peculiar linguistic challenge of solving a crossword, matching wits with the inventive souls who devise the puzzles. In fact, a closer look at how a piece of software tries to break down a fiendish crossword clue provides fresh insights into what our own brains are doing when we play with language.

Lors du tournoi américain de mots croisés de la semaine dernière, qui s’est déroulé sous la forme d’un événement virtuel réunissant plus de 1 000 participants, un concurrent impressionnant a fait parler de lui. Pour la première fois, une intelligence artificielle a réussi à battre les ré solveurs humains dans la course au remplissage des grilles avec rapidité et précision. C’est un triomphe pour le Dr. Fill, un automate de résolution de mots croisés qui se bat depuis près de dix ans contre les cruciverbistes à base de carbone.

Pour certains observateurs, il s’agissait peut-être d’un autre domaine de l’activité humaine où l’IA a désormais le dessus. Fill pour Slate, Oliver Roeder a écrit : « Les dames, le backgammon, les échecs, le go, le poker et d’autres jeux ont été témoins des invasions des machines, tombant un par un aux mains d’IA dominantes. Maintenant, les mots croisés les ont rejoints. » Mais un regard sur la façon dont le Dr Fill a réalisé cet exploit révèle bien plus que la dernière bataille entre humains et ordinateurs.

Lorsque le superordinateur Watson d’IBM a surclassé Ken Jennings et Brad Rutter à Jeopardy ! il y a un peu plus de dix ans, Jennings a répondu : « Pour ma part, je souhaite la bienvenue à nos nouveaux maîtres informatiques. » Mais il était un peu tôt pour jeter l’éponge au nom de l’humanité. À l’époque comme aujourd’hui, les dernières avancées de l’IA montrent non seulement le potentiel de la compréhension informatique du langage naturel, mais aussi ses limites. Et dans le cas de Dr. Fill, ses performances nous en disent tout autant sur l’arsenal mental que les humains utilisent pour relever le défi linguistique particulier que représente la résolution d’un mot croisé, en rivalisant avec les âmes inventives qui conçoivent les énigmes. En fait, un examen plus approfondi de la façon dont un logiciel tente de décomposer un indice de mots croisés diabolique fournit de nouvelles indications sur ce que fait notre propre cerveau lorsque nous jouons avec le langage.

Dr. Fill was hatched by Matt Ginsberg, a computer scientist who is also a published crossword constructor. Since 2012, he has been informally entering Dr. Fill in the ACPT, making incremental improvements to the solving software each year. This year, however, Ginsberg joined forces with the Berkeley Natural Language Processing Group, made up of graduate and undergraduate students overseen by UC Berkeley professor Dan Klein.

Klein and his students began working on the project in earnest in February, and later reached out to Ginsberg to see if they could combine their efforts for this year’s tournament. Just two weeks before the ACPT kicked off, they hacked together a hybrid system in which the Berkeley group’s neural-net methods for interpreting clues worked in tandem with Ginsberg’s code for efficiently filling out a crossword grid. The new and improved Dr. Fill fills the grid in a flurry of activity (you can see it in action here). But in reality, the program is deeply methodical, analyzing a clue and coming up with an initial ranked list of candidates for the answer, and then narrowing down the possibilities based on factors like how well they fit with other answers. The correct response may be buried deep in the candidate list, but enough context can allow it to percolate to the top.

 

Dr. Fill is trained on data gleaned from past crosswords that have appeared in various outlets. To solve a puzzle, the program refers to clues and answers it has already “seen.” Like humans, Dr. Fill must rely on what it has learned in the past when faced with a fresh challenge, seeking out connections between new and old experiences. For instance, the second puzzle of the competition, constructed by Wall Street Journal crossword editor Mike Shenk, relied on a theme in which long answers had the letters -ITY added to form new fanciful phrases, such as OPIUM DENS becoming OPIUM DENSITY (clued as “Factor in the potency of a poppy product?”). Dr. Fill was in luck, since despite the unusual phrases, a few of the answers had appeared in a similarly themed crossword published in 2010 in The Los Angeles Times, which Ginsberg included in his database of more than 8 million clues and answers. But the tournament crossword’s clues were sufficiently different that Dr. Fill was still challenged to come up with the correct answers.

Dr. Fill a été éclos par Matt Ginsberg, un informaticien qui est également un constructeur de mots croisés publié. Depuis 2012, il a participé de manière informelle à l’ACPT, en apportant chaque année des améliorations progressives au logiciel de résolution. Cette année, cependant, Ginsberg s’est associé au Berkeley Natural Language Processing Group, composé d’étudiants diplômés et de premier cycle supervisés par Dan Klein, professeur à UC Berkeley.

M. Klein et ses étudiants ont commencé à travailler sérieusement sur le projet en février et ont ensuite contacté M. Ginsberg pour voir s’ils pouvaient combiner leurs efforts pour le tournoi de cette année. Deux semaines avant le coup d’envoi de l’ACPT, ils ont mis au point un système hybride dans lequel les méthodes de réseaux neuronaux du groupe de Berkeley pour l’interprétation des indices fonctionnent en tandem avec le code de Ginsberg pour remplir efficacement une grille de mots croisés. Le nouveau et amélioré Dr. Fill remplit la grille dans un flot d’activité (vous pouvez le voir en action ici). Mais en réalité, le programme est très méthodique, il analyse un indice et établit une première liste de candidats pour la réponse, puis réduit les possibilités en fonction de facteurs tels que leur adéquation avec les autres réponses. La bonne réponse peut être enfouie profondément dans la liste des candidats, mais un contexte suffisant peut lui permettre d’atteindre le sommet.

Dr. Fill est entraîné à partir de données glanées dans des mots croisés parus dans divers médias. Pour résoudre une énigme, le programme se réfère aux indices et aux réponses qu’il a déjà « vus ». Comme les humains, Dr. Fill doit s’appuyer sur ce qu’il a appris dans le passé lorsqu’il est confronté à un nouveau défi, en recherchant des liens entre les nouvelles et les anciennes expériences. Par exemple, la deuxième énigme du concours, construite par le rédacteur des mots croisés du Wall Street Journal, Mike Shenk, reposait sur un thème dans lequel les réponses longues étaient complétées par les lettres -ITY pour former de nouvelles phrases fantaisistes, telles que OPIUM DENS devenant OPIUM DENSITY (dont l’indice était « Facteur de puissance d’un produit à base de pavot ? »). Le Dr Fill a eu de la chance, car malgré les phrases inhabituelles, quelques-unes des réponses étaient apparues dans un mot croisé au thème similaire publié en 2010 dans le Los Angeles Times, que Ginsberg a inclus dans sa base de données de plus de 8 millions d’indices et de réponses. Mais les indices des mots croisés du tournoi étaient suffisamment différents pour que le Dr Fill ait encore du mal à trouver les bonnes réponses.

Une IA mesure le temps passé par les députés sur leur smartphone lors des séances

Cet article est le résumé de deux articles dont vous trouverez les référence plus bas.

En Belgique, une IA détecte et identifie des députés belges qui scrollent sur leur téléphone au lieu d’écouter les interventions de leurs collègues, avant de les interpeller sur les réseaux sociaux.

La question devient alors : Est-ce que les parlementaires sont concentrés sur les débats dans les diverses assemblées ?

Mauvaise nouvelle pour les députés accros au smartphone.

Il n’est plus vraiment possible de scroller en toute discrétion sur son téléphone pendant une réunion, tout du moins si cette dernière est filmée. Scroller ? Mais si, vous savez, c’est l’index qui vient rapidement glisser sur l’écran et fait défiler les contenus. Alors qu’ils s’y connaissent aussi plutôt bien, les députés belges viennent de découvrir qu’ils pouvaient être repérés s’ils pratiquaient cette activité lors des séances publiques, comme on le découvre dans la vidéo ci-contre.

Lancée sur la diffusion en direct des débats, une intelligence artificielle détecte et identifie les députés distraits dont l’attention n’est plus portée vers ce qui se dit à la tribune mais sur ce qui se passe sur leur téléphone. Ils sont alors immédiatement épinglés et interpellés sur les réseaux sociaux.

Les clichés des élus qui somnolent ou dorment en pleine séance dans l’hémicycle sont universellement connus. Depuis l’arrivée des smartphones, on les voit parfois les yeux rivés longuement sur l’écran de leur smartphone. Cela arrive certes à tout le monde de jeter un coup d’œil sur son mobile lors des réunions, parfois ennuyeuses ou pas — et ce n’est pas forcément poli — mais lorsqu’il s’agit d’élus censés graver dans le marbre des lois, c’est un peu plus gênant.

Et lorsqu’il n’y a pas de session, l’IA s’entraîne à partir des archives des séances précédentes. Depuis la mise en place de ce système, quatre politiciens de la province flamande ont déjà été identifiés comme passant beaucoup de temps sur leur mobile en pleine session parlementaire. Reste à savoir s’ils géraient des affaires urgentes liées à leur mandat ou s’ils s’adonnaient à des divertissements. Sur ce dernier point, un politicien flamand avait fait scandale fin 2019 en Belgique, alors qu’il jouait à Angry Birds lors des débats parlementaires.

A quand la m^me mesure dans d’autres assemblées ?

Je passe aux aveux, je me suis contenter de reprendre les deux articles suivants :

Quelques articles amusant…

Une IA trouve des solutions précises à l’équation de Schrödinger

Une équipe de chercheurs a exploité une IA en développant une méthode capable de calculer des états propres (des solutions) de la célèbre équation de Schrödinger en chimie quantique.

L’objectif de la chimie quantique est de prédire les propriétés chimiques et physiques des molécules en se basant uniquement sur la disposition de leurs atomes dans l’espace, en évitant de recourir à des expériences en laboratoire qui demandent beaucoup de ressources et de temps. En principe, cela peut être réalisé en résolvant l’équation de Schrödinger, mais dans la pratique, c’est une tâche extrêmement difficile. Pour pallier ce problème, une équipe de chercheurs de la Freie Universität Berlin, en Allemagne, a mis au point une méthode basée sur un réseau neuronal permettant une combinaison sans précédent de précision et d’efficacité de calcul pour aboutir au résultat.

Jusqu’à présent, il a été impossible de trouver une solution exacte pour des molécules arbitraires qui puissent être calculées efficacement.

Échapper au compromis précision/coût du calcul

La fonction d’onde — qui spécifie le comportement des électrons dans une molécule — est au cœur de la chimie quantique et de l’équation de Schrödinger. Il s’agit d’une entité à haute dimension, et il est donc extrêmement difficile de saisir toutes les nuances qui codent la façon dont les électrons individuels s’influencent les uns les autres. D’ailleurs, de nombreuses méthodes de chimie quantique renoncent à exprimer la fonction d’onde dans son ensemble, et tentent seulement de déterminer l’énergie d’une molécule donnée. Il est cependant nécessaire de faire des approximations, ce qui limite la qualité de prédiction de ces méthodes.

schema resolution equation schrodinger par reseau neuronal
Schéma résumant la méthode et le mécanisme d’action itératif du réseau de neurones et de ses noeuds pour la résolution de l’équation électronique de Schrödinger. © Jan Hermann et al.

« Jusqu’à présent, la plus populaire de ces aberrations est la théorie fonctionnelle de la densité, extrêmement rentable. Nous pensons que la méthode de Monte Carlo quantique profonde, que nous proposons, pourrait être tout aussi efficace, sinon plus. Elle offre une précision sans précédent à un coût de calcul encore acceptable », ajoute-t-il.

D’autres méthodes représentent la fonction d’onde à l’aide d’un nombre immense de blocs de construction mathématiques simples, mais ces méthodes sont si complexes qu’elles sont impossibles à mettre en pratique pour plus d’une poignée d’atomes. « Échapper au compromis habituel entre précision et coût de calcul est la plus grande réussite de la chimie quantique », explique le Dr Jan Hermann de la Freie Universität Berlin, qui a conçu les principales caractéristiques de la méthode étudiée ici.

Une nouvelle façon de représenter les fonctions ondulatoires des électrons

Le réseau neuronal profond conçu par l’équipe du professeur Noé est une nouvelle façon de représenter les fonctions ondulatoires des électrons. « Au lieu de l’approche standard, qui consiste à composer la fonction d’onde à partir de composants mathématiques relativement simples, nous avons conçu un réseau neuronal artificiel capable d’apprendre les schémas complexes de la façon dont les électrons sont situés autour des noyaux », explique Noé.

« Une caractéristique particulière des fonctions d’ondes électroniques est leur antisymétrie. Lorsque deux électrons sont échangés, la fonction d’onde doit changer de signe. Nous avons dû intégrer cette propriété dans l’architecture du réseau de neurones pour que l’approche fonctionne », ajoute Hermann. Cette caractéristique, connue sous le nom de « principe d’exclusion de Pauli », est la raison pour laquelle les auteurs de l’étude ont appelé leur méthode « PauliNet », un système d’apprentissage profond de la fonction d’onde qui permet d’obtenir des solutions presque exactes à l’équation électronique de Schrödinger pour des molécules ayant jusqu’à 30 électrons.

Outre le principe d’exclusion de Pauli, les fonctions des ondes électroniques ont également d’autres propriétés physiques fondamentales, et une grande partie du succès innovant de PauliNet est qu’il intègre ces propriétés dans le réseau neuronal profond, plutôt que de laisser l’apprentissage profond les découvrir en observant simplement les données. « L’intégration de la physique fondamentale dans l’IA est essentielle pour sa capacité à faire des prédictions significatives sur le terrain », déclare Noé. « C’est vraiment là que les scientifiques peuvent apporter une contribution substantielle à l’IA, et c’est exactement ce sur quoi mon groupe se concentre ».

Toutefois, il reste de nombreux défis à relever avant que la méthode présentée ici ne soit prête pour une application industrielle. « C’est encore de la recherche fondamentale, mais c’est une approche nouvelle d’un problème séculaire dans les sciences moléculaires et des matériaux, et nous sommes enthousiasmés par les possibilités qu’elle ouvre », concluent les chercheurs.

Pour les chercheurs : l’ensemble du code informatique développé dans le cadre de ce travail est disponible dans le pack « DeepQMC », publié notamment sur Zenodo (licence MIT).

Une IA permet d’enlever le flou des images censurées

L’utilisation de l’intelligence artificielle pour créer des deepfakes pornographiques n’a rien de nouveau. Dans certains recoins du Web, il devient de plus en plus courant de voir des clips où le visage d’une célébrité est ajouté sur le corps d’un acteur porno. Toutefois, un homme a récemment été arrêté au Japon pour avoir créé des deepfakes d’un autre genre, où ce sont les parties génitales qui sont fausses.

La loi japonaise sur l’obscénité interdit la représentation des sexes masculins et féminins. Dans le pays du soleil levant, tous les films pornographiques sont donc censurés en pixelisant les zones intimes des acteurs. Masayuki Nakamoto, un homme de 43 ans de la préfecture de Hyōgo, a utilisé une intelligence artificielle pour reconstruire les parties floutées d’images et vidéos pornographiques.

Une technique de super-résolution pour faire disparaître la pixellisation

L’homme a utilisé un outil baptisé TecoGAN spécialisé dans la super-résolution, autrement dit l’amélioration de la définition des images, et entraîné sur des images non censurées. Il aurait vendu plus de 10.000 deepfakes sur son site Web et gagné 11 millions de yens (83.000 euros) en tout. Toutefois, il est poursuivi pour seulement 10 des images, vendues 2.300 yens (17 euros) chacune. L’homme a plaidé coupable pour avoir enfreint le droit d’auteur et affiché des images obscènes, et a indiqué l’avoir fait pour l’argent.

Il s’agit de la première fois que la police japonaise arrête quelqu’un pour l’usage d’une IA. Il n’existe actuellement aucune loi concernant la création de ce genre de deepfakes dans le pays. L’homme risque de voir les charges se multiplier, puisque les autorités ont indiqué continuer à enquêter sur la vente de ses vidéos sur d’autres sites Web.

Article complet : Pornographie : une IA permet d’enlever le flou des images censurées
Publié sur Futura Tech le 25 octobre 2021 par Edward Back

Ukraine Using Artificial Intelligence to Catch People Sabotaging War Effort

L’Ukraine utilise l’intelligence artificielle pour attraper les personnes qui sabotent l’effort de guerre

Artificial intelligence has become one of Ukraine’s most « effective tools » in identifying potential saboteurs amid the ongoing war with Russia, according to the Ukrainian Ministry of Internal Affairs.

The ministry issued a report Wednesday on law enforcement’s anti-sabotage activities aimed at stopping people in Ukraine who may compromise the counteroffensive or aid Russia in its assault. Officers have been using software on tablets to check if a person they view as « suspicious » is already listed in databases, including a police database of about 2 million people suspected of holding positions in paramilitary units from the far-right faction known as the Liberal Democratic Party of Russia (LDPR).

The first days of Russia’s attack on Ukraine were peppered with reports of mass anti-war protests in Russian cities and thousands of arrests, but the report highlights Ukraine’s own efforts to combat acts of sabotage within its own population. The ministry said that Ukrainian police have been fighting against such saboteurs ever since Russia invaded Ukraine.

« More than 123 counter-sabotage groups were set up, and at least 1,500 people were involved, » First Deputy Minister of Internal Affairs Yevgeny Yenin said in a statement, according to an English translation. « And the result was not long in coming: More than 800 people suspected of sabotage and intelligence activities were detained and handed over to the SBU (Security Service of Ukraine) for investigation. »

The report, citing Yenin, said that the police database on people with suspected ties to the LDPR alone contains a « huge amount » of operational information that law enforcement and partners have compiled. This includes more than 10 billion photos, it said.

Yenin said that sabotage groups can vary in profile and number because they can be created to carry out different tasks. Closer to the start of Russia’s invasion, for example, Ukraine pinpointed five to 10 people who were tasked with committing « terrorist acts » and sabotage, including in the center of the capital, Kyiv.

Since then, most of the saboteurs have focused on tasks like trying to share the location of armed groups and recording the effectiveness of shelling via missiles or artillery, the report said.

Ukrainian civilians have aided law enforcement in their anti-sabotage efforts by reporting potential suspects, Yenin said.

« Only one in 10 reports is true, but it is worth it, because the detection of saboteurs is one of the key factors in ensuring public safety in wartime. And thanks to information from our operational sources, we managed to prevent a terrorist act against the leadership of our state, » he said, apparently referring to Ukrainian President Volodymyr Zelensky.

Russia has also reportedly contended with sabotage from supporters of Ukraine within its borders.

Russia’s Federal Security Service announced last month that they had detained a supporter of the « Ukrainian Nazis » in the city of Kemerovo who allegedly damaged two power transmission lines, causing a temporary power outage for the region.

 

Source : Ukraine Using Artificial Intelligence to Catch People Sabotaging War Effort
Publié sur Newsweek le 15 juin 2022 par Zoe Strozewski

L’intelligence artificielle est devenue l’un des « outils les plus efficaces » de l’Ukraine pour identifier les saboteurs potentiels dans le cadre de la guerre actuelle avec la Russie, selon le ministère ukrainien des affaires intérieures.

Le ministère a publié mercredi un rapport sur les activités anti-sabotage des forces de l’ordre visant à arrêter les personnes en Ukraine qui pourraient compromettre la contre-offensive ou aider la Russie dans son assaut. Les agents ont utilisé des logiciels sur des tablettes pour vérifier si une personne qu’ils considèrent comme « suspecte » est déjà répertoriée dans des bases de données, notamment une base de données de la police contenant environ 2 millions de personnes soupçonnées d’occuper des postes dans des unités paramilitaires de la faction d’extrême droite connue sous le nom de Parti libéral démocratique de Russie (LDPR).

Les premiers jours de l’attaque de la Russie contre l’Ukraine ont été émaillés de rapports faisant état de manifestations anti-guerre massives dans les villes russes et de milliers d’arrestations, mais le rapport souligne les efforts déployés par l’Ukraine pour lutter contre les actes de sabotage au sein de sa propre population. Selon le ministère, la police ukrainienne lutte contre ces saboteurs depuis que la Russie a envahi l’Ukraine.

« Plus de 123 groupes de contre-sabotage ont été mis en place, et au moins 1 500 personnes ont été impliquées », a déclaré le premier vice-ministre de l’Intérieur Evgeny Yenin dans un communiqué, selon une traduction anglaise. « Et le résultat ne s’est pas fait attendre : Plus de 800 personnes soupçonnées de sabotage et d’activités de renseignement ont été arrêtées et remises au SBU (Service de sécurité de l’Ukraine) pour enquête. »

Le rapport, citant Yenin, indique que la base de données de la police sur les personnes soupçonnées d’avoir des liens avec le LDPR contient à elle seule une « énorme quantité » d’informations opérationnelles que les forces de l’ordre et leurs partenaires ont compilées. Cela inclut plus de 10 milliards de photos, selon le rapport.

Selon M. Yenin, les groupes de sabotage peuvent varier en profil et en nombre, car ils peuvent être créés pour accomplir des tâches différentes. Au début de l’invasion russe, par exemple, l’Ukraine a identifié cinq à dix personnes chargées de commettre des « actes terroristes » et des actes de sabotage, notamment dans le centre de la capitale, Kiev.

Depuis lors, la plupart des saboteurs se sont concentrés sur des tâches telles que la communication de la localisation des groupes armés et l’enregistrement de l’efficacité des tirs de missiles ou d’artillerie, selon le rapport.

Les civils ukrainiens ont aidé les forces de l’ordre dans leurs efforts de lutte contre le sabotage en signalant des suspects potentiels, a indiqué M. Yenin.

« Seul un rapport sur 10 est vrai, mais cela en vaut la peine, car la détection des saboteurs est l’un des facteurs clés pour assurer la sécurité publique en temps de guerre. Et grâce aux informations provenant de nos sources opérationnelles, nous avons réussi à empêcher un acte terroriste contre les dirigeants de notre État », a-t-il déclaré, faisant apparemment référence au président ukrainien Volodymyr Zelensky.

La Russie aurait également été confrontée à des actes de sabotage commis par des partisans de l’Ukraine à l’intérieur de ses frontières.

Le mois dernier, le Service fédéral de sécurité russe a annoncé qu’il avait arrêté un partisan des « nazis ukrainiens » dans la ville de Kemerovo, qui aurait endommagé deux lignes de transmission électrique, provoquant une panne de courant temporaire dans la région.

Une étudiante américaine accusée de tricherie à un examen par une intelligence artificielle

«Vous avez été observée en train de regarder plusieurs fois en bas et sur les côtés avant de répondre aux questions.»

Accused of Cheating by an Algorithm, and a Professor She Had Never Met

C’est en Floride que l’affaire a eu lieu. Élève d’un cours de biologie à distance au Broward College, une adolescente de 17 ans a reçu un avertissement pour tricherie. La raison? La start-up Honorlock l’aurait surprise, grâce à son intelligence artificielle (IA), en train d’agir de manière suspecte lors d’un examen en février. Le New York Times s’est penché sur ce cas après avoir reçu un mail de sa part, se présentant comme «une femme noire accusée à tort de malhonnêteté académique par un algorithme».

L’étudiante s’est vu attribuer la note de zéro à la suite de cet incident. L’IA n’est pas seule à avoir concouru à cette sanction: la bureaucratie académique, plusieurs humains et un outil de reconnaissance faciale conçu par Amazon (Rekognition) sont également responsables.

L’article complet : Une étudiante accusée de tricherie à un examen par une intelligence artificielle
Publié sur Slate le 3 juin 2022

New Algorithm Can Predict Crime in US Cities a Week Before It Happens

Un nouvel algorithme peut prédire les crimes dans les villes américaines une semaine avant qu’ils ne se produisent

A new computer algorithm can now forecast crime in a big city near you.

 

The algorithm, which was formulated by social scientists at the University of Chicago and touts 90% accuracy, divides cities into 1,000-square-foot tiles, according to a study published in Nature Human Behavior. Researchers used historical data on violent crimes and property crimes from Chicago to test the model, which detects patterns over time in these tiled areas tries to predict future events. It performed just as well using data from other big cities, including Atlanta, Los Angeles and Philadelphia, the study showed.

The new tool contrasts with previous models for prediction, which depict crime as emerging from “hotspots” that spread to surrounding areas. Such an approach tends to miss the complex social environment of cities, as well as the nuanced relationship between crime and the effects of police enforcement, thus leaving room for bias, according to the report.

“It is hard to argue that bias isn’t there when people sit down and determine which patterns they will look at to predict crime because these patterns, by themselves, don’t mean anything,” said Ishanu Chattopadhyay, Assistant Professor of Medicine at the University of Chicago and senior author of the study. “But now, you can ask the algorithm complex questions like: ‘What happens to the rate of violent crime if property crimes go up?”

Other crime prediction models previously used by law enforcers have been found to erroneously target certain people based on a narrower set of factors. In 2012, the Chicago Police Department — along with academic researchers — implemented the “Crime and Victimization Risk Model” that produced a list of so-called strategic subjects, or potential victims and perpetrators of shooting incidents determined by factors such as age and arrest history.

 

The model assigned a score that determined how urgently people on the list needed to be monitored, and a higher score meant they were more likely to be perceived as either a potential victim or perpetrator of a gun crime.

But after a lengthy legal battle, a Chicago Sun-Times investigation revealed in 2017 that nearly half of the people identified by the model as potential perpetrators had never been charged with illegal gun possession, while 13% had never been charged with a serious offense. In contrast, the tool designed by Chattopadhyay and his colleagues uses hundreds of thousands of sociological patterns to figure out the risk of crime at a particular time and space.

 

The study, “Event-level Prediction of Urban Crime Reveals Signature of Enforcement Bias in U.S. Cities,” was supported by by the Defense Advanced Research Projects Agency and the Neubauer Collegium for Culture and Society.

Publié sur Bloomberg le 30 juin 2022 par Carrington York

Un nouvel algorithme informatique peut désormais prévoir la criminalité dans une grande ville près de chez vous.

Selon une étude publiée dans Nature Human Behavior, l’algorithme, formulé par des spécialistes en sciences sociales de l’université de Chicago et qui affiche une précision de 90 %, divise les villes en carreaux de 1 000 pieds carrés. Les chercheurs ont utilisé des données historiques sur les crimes violents et les délits contre les biens de Chicago pour tester le modèle, qui détecte les tendances au fil du temps dans ces zones tuilées et tente de prédire les événements futurs. Il s’est avéré tout aussi performant en utilisant les données d’autres grandes villes, notamment Atlanta, Los Angeles et Philadelphie, selon l’étude.

Le nouvel outil contraste avec les modèles de prédiction précédents, qui décrivent la criminalité comme émergeant de « points chauds » qui se propagent aux zones environnantes. Une telle approche tend à passer à côté de l’environnement social complexe des villes, ainsi que de la relation nuancée entre la criminalité et les effets de l’application de la loi par la police, laissant ainsi la place à la partialité, selon le rapport.

« Il est difficile de prétendre qu’il n’y a pas de biais lorsque les gens s’assoient et déterminent les modèles qu’ils vont examiner pour prédire la criminalité, car ces modèles, en eux-mêmes, ne signifient rien », a déclaré Ishanu Chattopadhyay, professeur adjoint de médecine à l’Université de Chicago et auteur principal de l’étude. « Mais maintenant, vous pouvez poser à l’algorithme des questions complexes comme : « Que se passe-t-il pour le taux de crimes violents si les crimes contre la propriété augmentent ? ».

D’autres modèles de prédiction de la criminalité précédemment utilisés par les forces de l’ordre se sont avérés cibler à tort certaines personnes sur la base d’un ensemble plus restreint de facteurs. En 2012, le service de police de Chicago – avec des chercheurs universitaires – a mis en œuvre le « modèle de risque de criminalité et de victimisation » qui a produit une liste de sujets dits stratégiques, ou de victimes et d’auteurs potentiels d’incidents de fusillade déterminés par des facteurs tels que l’âge et l’historique des arrestations.

Le modèle attribuait un score qui déterminait l’urgence de surveiller les personnes figurant sur la liste, et un score plus élevé signifiait qu’elles étaient plus susceptibles d’être perçues comme une victime ou un auteur potentiel d’un crime par arme à feu.

Mais après une longue bataille juridique, une enquête du Chicago Sun-Times a révélé en 2017 que près de la moitié des personnes identifiées par le modèle comme des auteurs potentiels n’avaient jamais été accusées de possession illégale d’armes à feu, tandis que 13 % n’avaient jamais été accusées d’une infraction grave. En revanche, l’outil conçu par Chattopadhyay et ses collègues utilise des centaines de milliers de modèles sociologiques pour déterminer le risque de criminalité à un moment et dans un espace donnés.

L’étude, intitulée « Event-level Prediction of Urban Crime Reveals Signature of Enforcement Bias in U.S. Cities », a été soutenue par la Defense Advanced Research Projects Agency et le Neubauer Collegium for Culture and Society.

Cette IA rédige des statuts LinkedIn hilarants

Un générateur addictif et qui vaut le détour.

Sa création a fait le bonheur des internautes tout au long de l’été. Tom Orbach, un spécialiste du marketing, a mis au point un générateur de posts LinkedIn baptisé Viral Post Generator. Sur ce site web, une intelligence artificielle compose pour vous des publications du réseau social. Elles se moquent à merveille de certains utilisateurs de cette plateforme qui ont tendance à en faire des tonnes sur des petits événements de leurs vies quotidiennes afin de se mettre en valeur.

Un générateur addictif qui tourne certains utilisateurs de LinkedIn en dérision

Addictif, cet outil a toutefois une limite de taille pour le public francophone, puisqu’il n’est disponible qu’en Anglais. Vous pouvez toutefois utiliser des traducteurs en ligne pour en profiter.

Pour développer son Viral Post Generator, Tom Orbach a fait analyser par son IA plus de 100 000 messages LinkedIn devenus viraux. Concrètement, chaque utilisateur n’a besoin que de dire ce qu’il a fait aujourd’hui et de choisir un niveau de “cringe”, et le générateur se charge du reste.

L’article complet : Cette IA rédige des statuts LinkedIn hilarants
Publié sur Presse Citron le 10 septembre 2022 par Dimitri Latour

« C’est de gauche ou de droite ? », l’histoire derrière ce site qui divise tout le monde

Article trouvé sur le Huffingpost :

Le site cartonne sur les réseaux sociaux et son créateur Théo Delemazure ne s’attendait clairement pas à un tel succès. Il nous glisse les mots ou les noms les plus recherchés, un jour après le lancement.

La Politique et ses clivages

L’éternel clivage politique entre la gauche et la droite en politique a encore de belles années devant lui, à en croire les réactions suscitées par le site internet « C’est de gauche ou de droite ? ». Disponible depuis le mardi 4 octobre, ce site inventé par un jeune étudiant français est littéralement en train de diviser chaque mot, nom propre ou expression en deux catégories.

Il fonctionne sur un principe enfantin : une intelligence artificielle entraînée juge si le mot tapé dans le moteur de recherche est plutôt connoté de gauche ou de droite. Son créateur, Théo Delemazure a accepté de revenir pour Le HuffPost sur les coulisses de sa création et le succès inattendu de ce petit outil capable de classer les mocassins à glands à gauche de l’échiquier politique et la bière à droite.

« Le prénom Jean-Luc, c’est de gauche assez logiquement »

« Tout part de discussions avec mes amis. Ils ont l’habitude de s’amuser avec ce concept sur n’importe quel sujet », raconte l’apprenti codeur de 23 ans qui vit et étudie à Paris. Selon lui, ce petit jeu est même « fréquent chez les jeunes politisés ». L’idée lui vient alors de développer un site assisté d’une intelligence artificielle pour matérialiser le passe-temps de sa bande d’amis. « C’est clairement pour le fun », désamorce tout de suite Théo

La suite sur : « C’est de gauche ou de droite ? » Publié sur le Huffingpost le 5 octobre 2022 par Maxime Birken

N’hésitez pas à aller sur ce petit site pour vous amuser !

Au Danemark, un parti politique a choisi une Intelligence artificielle comme leader

À deux semaines des élections législatives anticipées au Danemark, un collectif d’artistes a dévoilé le Parti synthétique. Son originalité : son programme est basé sur les revendications des partis marginaux depuis 50 ans, et c’est une IA qui s’est chargée de compiler les données et d’en faire un programme électoral.

Au Danemark, un parti politique a décidé de nommer une Intelligence artificielle comme leader. Baptisé « Le Parti synthétique » (ou artificiel), ce groupe d’artistes s’est fixé comme objectif d’avoir un député au parlement danois, et son programme s’appuie sur les analyses d’une IA.

Son nom : Leader Lars. C’est un  comme on en trouve de plus en plus sur , et sa particularité est d’avoir ingurgité les programmes politiques des petits partis danois depuis 1970. Plus de 50 ans de revendications censées représenter les idées et les valeurs des 20 % d’abstentionnistes au Danemark. Pour enrichir son programme, cette IA s’appuie aussi sur les échanges en ligne avec les internautes.

L’article complet : Au Danemark, un parti politique a choisi une Intelligence artificielle comme leader Publié sur Futura Science

Passer à la partie suivante : Le Fun – 4