IA : Microsoft – 1

Source : documentation interne Microsolft

De la traduction automatique aux chatbots, en passant par les algorithmes auto-apprenants, l’intelligence artificielle (IA) recouvre l’ensemble des technologies capables de comprendre leur environnement et d’agir en conséquence. Aujourd’hui, grâce à l’IA, les machines peuvent accomplir des choses qui étaient encore inimaginables il y a quelques années : converser avec un humain en langage naturel, diagnostiquer des maladies… ou traduire des pages Wikipedia en quelques secondes. Une nouvelle ère s’annonce et les entreprises doivent prendre le train en marche.  5 chiffres-clés pour mieux cerner ce (vaste) sujet.

1950. L’année fondatrice de l’IA

C’est en 1950 qu’Alan Turing, mathématicien et cryptologue britannique, a publié Computing Machinery and Intelligence, introduisant le test de Turing. Le but de ce test (toujours utilisé aujourd’hui) : établir si un ordinateur se comporte, ou non, comme un être humain. Le test consiste à laisser une personne discuter à l’aveugle avec un autre humain et un ordinateur. La personne doit ensuite déterminer lequel de ses interlocuteurs est une machine.

Plusieurs décennies plus tard, les avancées sont colossales. Ainsi, en octobre 2016, des chercheurs Microsoft ont franchi une étape historique : pour la première fois, une IA s’est avérée aussi performante qu’un humain pour transcrire une conversation audio, une prouesse encore inimaginable cinq ans plus tôt.

Au-delà de l’exploit technologique, c’est un véritable changement de paradigme : pour Harry Shum, à la tête du Microsoft Artificial Intelligence and Research group, nous sommes en effet en train de passer d’un monde où les humains doivent comprendre les ordinateurs et parler leur langage à un monde où ce sont les machines qui doivent nous comprendre (et elles le font de mieux en mieux).

11,1 milliards de dollars : le marché potentiel de l’IA

C’est le montant que devrait atteindre le marché de l’IA d’ici 2024, contre 200 millions en 2015, d’après le cabinet d’analyse Tractica. La croissance exponentielle de la puissance des processus de traitement, combinée à une augmentation sans précédent des données disponibles, fait que l’IA est devenue extrêmement attractive pour les entreprises. Son déploiement entraîne des investissements importants en termes d’infrastructure, de formation, d’intégration et de maintenance, qui s’ajoutent à une hausse des budgets IT, notamment en ce qui concerne le hardware et le stockage (incluant le cloud).

Plus de 1 550 start-up consacrées à l’IA

Plus de 1 550 jeunes pousses consacrées à l’IA dans 70 pays, selon un rapport de Venture Scanner. Avec une levée de fonds moyenne de 22 millions de dollars par entreprise, on atteint le montant record de 10 milliards de dollars levés au total par les start-up de l’intelligence artificielle. Ce sont les applications de machine learning qui concentrent la majorité des investissements : autour de 3,5 millions de dollars pour 425 start-up.

Certaines de ces start-up spécialisées choisissent de s’appuyer sur l’expertise et la force des grands groupes. En janvier 2017, Microsoft a ainsi annoncé l’acquisition de Maluuba, une pépite canadienne ayant une expertise poussée dans le deep learning et la compréhension du langage naturel. En novembre 2016, le groupe avait déjà établi un partenariat avec OpenAI, une start-up à but non lucratif fondée par Elon Musk, avec l’objectif de faire émerger une IA responsable et sécurisée.

60 langues traduites en temps réel

De l’anglais au maya yucatèque, en passant par le français ou le hmong daw, Microsoft Translator supporte aujourd’hui 60 langues. Et se décline pour les utilisateurs dans une application, un widget ou encore Translator for Bing. Des centaines d’entreprises, comme Amazon, LinkedIn, Etsy ou HP, utilisent déjà Microsoft Translator pour leurs contenus et applications, qu’ils soient destinés à l’interne ou à l’externe.

Une fonctionnalité inédite, introduite en décembre 2016, au Microsoft AI Event de San Francisco, permet désormais la traduction en temps réel, et donc de se passer d’un traducteur humain. Fondée sur des algorithmes qui fonctionnent à la manière d’un réseau neuronal, cette technologie est beaucoup plus fluide et proche du raisonnement humain que les systèmes de traduction automatique qui l’ont précédée. Et grâce au machine learning, elle est capable d’apprendre des corpus qui lui sont présentés.

+ 40 % de productivité grâce à l’IA

D’ici 2035, l’IA pourrait contribuer à augmenter la productivité mondiale de 40 %, d’après une étude Accenture de 2016.

« L’impact observé repose sur l’automatisation de tâches de faible niveau assurée par la technologie avec un meilleur rendu final » selon Paul Daugherty, le directeur technique d’Accenture qui a piloté l’étude. « Les salariés ont plus de temps pour accomplir d’autres tâches plus satisfaisantes, résoudre des problèmes et répondre aux questions complexes surgissant au fil de leurs activités. »

Déjà, l’IA est entrée dans nos bureaux, qu’il s’agisse de Cortana, l’assistant personnel de Windows 10 ou avec des fonctionnalités comme Map, pour Excel. Et, selon un rapport d’IPsoft de janvier 2017, d’ici dix ans, les machines effectueront 80 % des tâches répétitives et chronophages et laisseront donc la place au développement de qualités typiquement humaines (pour l’instant !) : créativité, innovation, intelligence sociale et émotionnelle, résolution de conflits…

La question n’est donc plus de savoir si la révolution de l’IA aura lieu, mais comment les entreprises vont embrasser ce changement et adapter leurs workflows…

Source : documentation interne Microsolft

Déjà en partie déployé, il met le machine learning à la portée des utilisateurs d’Office. Objectif : équiper la suite d’une couche de knowledge management.

Project Cortex se présente comme une nouvelle technologie Microsoft qui fait office de réseau de connaissances au sein des applications Microsoft 365 de votre société. Elle s’appuie sur des outils déjà en place, tels que Microsoft Graph, Search et SharePoint, et intègre l’IA pour changer la manière dont les données sont exploitées. Ainsi les informations recueillies par Project Cortex sont structurées et représentées de façon à accélérer les opérations des employés, à optimiser le partage des connaissances à l’échelle de l’entreprise et à accroître les capacités d’automatisation.

Pour la première fois Microsoft implémente de l’intelligence artificielle dans un produit à large diffusion !

Les possibilités d’apprentissage automatique constituent l’un des aspects les plus intéressants du projet Cortex. Elles confèrent aux spécialistes de votre organisation la possibilité de former la technologie au traitement de l’information, et de créer des mécanismes personnalisés qui se perfectionnent au fur et à mesure. Ces capacités d’apprentissage automatique sont basées sur LUIS, la technologie existante de Microsoft Azure qui incorpore la reconnaissance des langues dans les applications. LUIS offre à l’IA la possibilité de récupérer des informations à partir de documents non structurés et d’appliquer un modèle appris sur les informations qu’elle détecte, qui peuvent être corrigées et traitées par l’homme selon les besoins.

Pour plus de détails, voici les sites Microsoft correspondant :

• Introducing Project Cortex
• Project Cortex

Les chercheurs de Microsoft ont réussi à mettre au point un système d’apprentissage automatique qui légende aussi bien – voire mieux – les images qu’un humain, même lorsqu’il ne connaissait pas ces images au préalable. Inspiré de l’apprentissage de la lecture pour les enfants, cette découverte constitue une avancée majeure pour les personnes atteintes de troubles visuels.

It’s a new milestone for AI that could genuinely help the visually impaired.

Blog interne Microsoft : Microsoft creates AI that can read a document and answer questions about it as well as a person

Sur le même thème :

Autres extensions :

Les collectionneurs de vieilles photos prises à l’argentique vont pouvoir se faire plaisir et revisiter leurs albums !

En collaboration avec l’Université de Hong Kong, Microsoft vient de dévoiler une intelligence artificielle capable de restaurer de vieilles photos abîmées par le temps. Ces précieux souvenirs auront bientôt une nouvelle vie grâce au deep learning et corriger les imperfections de vos photos d’antan.

Restaurer de vieilles photos devient un jeu d’enfant

Les ingénieurs de Microsoft Research ont pris ce sujet au sérieux. Aux côtés des chercheurs japonais, ils ont développé un algorithme basé sur le deep learning, capable de réparer les dégradations les plus sévères sur de vieilles photos prises avec un appareil photo argentique. Si restaurer une photo numérique est assez simple, il est beaucoup plus compliqué de retravailler les photos prises à l’argentique.

La technologie en question se base sur la photo d’origine, identifie les défauts et cherche le meilleur moyen de les restaurer grâce à des images synthétisées. L’algorithme qui alimente cette intelligence artificielle est composé de millions d’images qui donnent des indications à l’IA pour mieux reconstituer la photo d’origine. Les défauts dits « structurés », comme les rayures, les tâches de poussière, ou les éléments manquants, sont ceux qui sont ciblés en premier. Dans un second temps, l’algorithme doit résoudre les problèmes de bruit et de flou.

Microsoft Word sur Windows 10 se dote désormais d’un nouveau correcteur grammatical assisté par une intelligence artificielle. Grâce au machine learning, ce correcteur s’adaptera à votre écriture et pourra faire des propositions pour améliorer votre syntaxe, intégrer l’inclusivité ou encore affiner la clarté de vos propos.

En outre, le correcteur inclut également un vérificateur de plagiat, bien utile pour s’assurer que votre travail n’a pas été copié sans vergogne, ou à l’inverse s’il s’avère trop proche d’un contenu publié sur le web. Pour l’heure, cet éditeur est uniquement disponible pour les membres du programme Insider. Si c’est bien votre cas, assurez-vous d’utiliser la version 2010 (Build 13328.20000).

Des chercheurs de Microsoft exploitent l’intelligence artificielle pour partager des données anonymes avec les prestataires de soins de santé

From VentureBeat on January 20, 2021 by Kyle Wiggers
Article complet : Microsoft researchers tap AI for anonymous data sharing for health care providers

Cet article a aussi sa place sur la page IA dans la santé

“L’intelligence défend la paix.
L’intelligence a horreur de la guerre.”

L’outil d’apprentissage machine de pointe de Microsoft passe du laboratoire au grand public

Tous les détails sur : Microsoft’s cutting-edge machine-learning tool moves from the lab to the mainstream
Publié sur Techrepublic le 21 janvier 2021 par Mary Branscombe

Je cherche plus de sources avant de faire un article complet.

Même sans rapport avec le sujet, c’est trop mignon …

Ce quintette reproduit à la perfection les sons Windows a capella

The evolution of mobile productivity, even when we’re a little less mobile

Rendez-vous sur le blog interne ou tout est parfaitement expliqué : Mobile Productivity
Publié le 1er février 2021.

Des chercheurs de Microsoft travaillent pour explorer de nouvelles approches d’apprentissage profond pour la classification des logiciels malveillants.

In continued exploration of novel detection techniques, researchers from Microsoft Threat Protection Intelligence Team and Intel Labs are collaborating to study new applications of deep learning for malware classification, specifically:

• Leveraging deep transfer learning technique from computer vision to static malware classification
• Optimizing deep learning techniques in terms of model size and leveraging platform hardware capabilities to improve execution of deep-learning malware detection approaches

For the first part of the collaboration, the researchers built on Intel’s prior work on deep transfer learning for static malware classification and used a real-world dataset from Microsoft to ascertain the practical value of approaching the malware classification problem as a computer vision task. The basis for this study is the observation that if malware binaries are plotted as grayscale images, the textural and structural patterns can be used to effectively classify binaries as either benign or malicious, as well as cluster malicious binaries into respective threat families.

The researchers used an approach that they called static malware-as-image network analysis (STAMINA). Using the dataset from Microsoft, the study showed that the STAMINA approach achieves high accuracy in detecting malware with low false positives.

The results and further technical details of the research are listed in the paper “STAMINA: Scalable deep learning approach for malware classification” and set the stage for further collaborative exploration.

The role of static analysis in deep learning-based malware classification

While static analysis is typically associated with traditional detection methods, it remains to be an important building block for AI-driven detection of malware. It is especially useful for pre-execution detection engines: static analysis disassembles code without having to run applications or monitor runtime behavior.

Static analysis produces metadata about a file. Machine learning classifiers on the client and in the cloud then analyze the metadata and determine whether a file is malicious. Through static analysis, most threats are caught before they can even run.

For more complex threats, dynamic analysis and behavior analysis build on static analysis to provide more features and build more comprehensive detection. Finding ways to perform static analysis at scale and with high effectiveness benefits overall malware detection methodologies.

To this end, the research borrowed knowledge from  computer vision domain to build an enhanced static malware detection framework that leverages deep transfer learning to train directly on portable executable (PE) binaries represented as images.

Analyzing malware represented as image

To establish the practicality of the STAMINA approach, which posits that malware can be classified at scale by performing static analysis on malware codes represented as images, the study covered three main steps: image conversion, transfer learning, and evaluation.

First, the researchers prepared the binaries by converting them into two-dimensional images. This step involved pixel conversion, reshaping, and resizing. The binaries were converted into a one-dimensional pixel stream by assigning each byte a value between 0 and 255, corresponding to pixel intensity. Each pixel stream was then transformed into a two-dimensional image by using the file size to determine the width and height of the image.

The second step was to use transfer learning, a technique for overcoming the isolated learning paradigm and utilizing knowledge acquired for one task to solve related ones. Transfer learning has enjoyed tremendous success within several different computer vision applications. It accelerates training time by bypassing the need to search for optimized hyperparameters and different architectures—all this while maintaining high classification performance. For this study, the researchers used Inception-v1 as the base model.

The study was performed on a dataset of 2.2 million PE file hashes provided by Microsoft. This dataset was temporally split into 60:20:20 segments for training, validation, and test sets, respectively.

Finally, the performance of the system was measured and reported on the holdout test set. The metrics captured include recall at specific false positive range, along with accuracy, F1 score, and area under the receiver operating curve (ROC).

Findings

The joint research showed that applying STAMINA to real-world hold-out test data set achieved a recall of 87.05% at 0.1% false positive rate, and 99.66% recall and 99.07% accuracy at 2.58% false positive rate overall. The results certainly encourage the use of deep transfer learning for the purpose of malware classification. It helps accelerate training by bypassing the search for optimal hyperparameters and architecture searches, saving time and compute resources in the process.

The study also highlights the pros and cons of sample-based methods like STAMINA and metadata-based classification methods. For example, STAMINA can go in-depth into samples and extract additional signals that might not be captured in the metadata.  However, for bigger size applications, STAMINA becomes less effective due to limitations in converting billions of pixels into JPEG images and then resizing them. In such cases, metadata-based methods show advantages over our research.

Conclusion and future work

The use of deep learning methods for detecting threats drives a lot of innovation across Microsoft. The collaboration with Intel Labs researchers is just one of the ways in which Microsoft researchers and data scientists continue to explore novel ways to improve security overall.

This joint research is a good starting ground for more collaborative work. For example, the researchers plan to collaborate further on platform acceleration optimizations that can allow deep learning models to be deployed on client machines with minimal performance impact. Stay tuned.

Traduction en français sur demandes.

Sources :

Microsoft researchers works to explore new deep learning approaches for malware classification
Document interne Microsoft Research

Malware Images: Visualization and Automatic Classification
Document (PDF) UC Santa Barbara

Deep Learning versus Gist Descriptors for Image-Based MalwareClassification
Document (PDF) San Jose State University

Biomedical researchers are embracing artificial intelligence to accelerate the implementation of cancer treatments that target patients’ specific genomic profiles, a type of precision medicine that in some cases is more effective than traditional chemotherapy and has fewer side effects.

Depuis le blog Microsoft :

The potential for this new era of cancer treatment stems from advances in genome sequencing technology that enables researchers to more efficiently discover the specific genomic mutations that drive cancer, and an explosion of research on the development of new drugs that target those mutations.

To harness this potential, researchers at The Jackson Laboratory, an independent, nonprofit biomedical research institution also known as JAX and headquartered in Bar Harbor, Maine, developed a tool to help the global medical and scientific communities stay on top of the continuously growing volume of data generated by advances in genomic research.

The tool, called the Clinical Knowledgebase, or CKB, is a searchable database where subject matter experts store, sort and interpret complex genomic data to improve patient outcomes and share information about clinical trials and treatment options.

The challenge is to find the most relevant cancer-related information from the 4,000 or so biomedical research papers published each day, according to Susan Mockus, the associate director of clinical genomic market development with JAX’s genomic medicine institute in Farmington, Connecticut.

“Because there is so much data and so many complexities, without embracing and incorporating artificial intelligence and machine learning to help in the interpretation of the data, progress will be slow,” she said.

That’s why Mockus and her colleagues at JAX are collaborating with computer scientists working on Microsoft’s Project Hanover who are developing AI technology that enables machines to read complex medical and research documents and highlight the important information they contain.

While this machine reading technology is in the early stages of development, researchers have found they can make progress by narrowing the focus to specific areas such as clinical oncology, explained Peter Lee, corporate vice president of Microsoft Healthcare in Redmond, Washington.

Traduction complète sur demande

Article complet : Cancer researchers embrace AI to accelerate development of precision medicine
Depuis le blog Microsoft Research publie le 27 octobre 2019 par John Roach

Points relatifs :

• Learn more about the Clinical Knowledgebase and The Jackson Laboratory
• Learn more about Project Hanover
• Read: How Microsoft computer scientists and researchers are working to ‘solve’ cancer
• Read: Microsoft announces general availability of cloud-based tools for genomics research

C’est sur son blog que Microsoft Garage (le laboratoire d’idées de la firme de Redmond), a annoncé le lancement d’une nouvelle application de retranscription de réunions en temps réel. Une idée pas si nouvelle, mais qui offre une restitution plus précise que d’autres applications grâce à l’intelligence artificielle et l’enregistrement sur plusieurs appareils.

There is healthy debate about the productivity of multi-tasking. Is it possible to take excellent notes while also being fully present in a meeting? Now, you don’t have to choose between focus and productivity with our latest experiment, Group Transcribe, a Microsoft Garage project. This app uses a multi-device approach to provide real-time, high quality transcription and translation, so users can be more present and productive during in-person meetings and conversations. Group Transcribe also joins a strong research tradition at Microsoft, finding new ways to improve upon speech and language AI. The app is now available worldwide on iOS.

Multi-device transcription and translation

To use the app, conversation participants start a shared session and each leverage their phone’s microphone to capture a highly accurate transcript, showing who said what in real-time. With confidence in the high-quality record of the conversation, users can skip note-taking and focus their attention on the conversation itself. Transcripts are easy to share or relocate after the fact.

Users can also leverage the real-time transcription to speak across different languages and make meetings more inclusive. The app supports several languages in over 80 locales and enables people who are deaf, hard of hearing, or non-native speakers to participate more fully by following along with the live transcript.

The Group Transcribe team collectively speaks over a dozen languages and dialects, and team members are passionate about connecting people across different cultures. “This can be a fantastic tool for communication. What I would love to see is for this to break down barriers for people speaking across multiple languages,” shares Franklin Munoz Principal Development Lead and one of the lead engineers who built the project.

Key features

Group Transcribe provides high-quality, real-time transcription and translation.

• Start a conversation from your phone and easily invite others to join*
• Stay focused without taking notes or pushing-to-talk
• Follow along with the conversation in real-time in your preferred language
• Automatically save the transcript after each session
• Browse and view previous transcripts from your home screen
• Easily share transcripts with others
• Supports languages in 80+ locales

*Please note: each user will need to use their own phone within arm’s reach for the highest quality experience.

Group Transcribe is powered by cutting edge speech and language technology that is years in the making. The project is designed around in-person meetings. It can be used during socially distanced conversations or in closer proximity once safe to connect in person per local guidelines.

Group Transcribe supports languages spoken in 80+ locales including: Arabic, Bulgarian, Catalan, Cantonese, Chinese (simplified), Chinese (traditional), Croatian, Czech, Danish, Dutch, English, Estonian, Finnish, French, German, Greek, Hindi, Irish, Italian, Japanese, Korean, Lithuanian, Latvian, Maltese, Norwegian, Polish, Portuguese, Romanian, Russian, Spanish, Slovak, Slovenian, Swedish, Thai, Turkish, and more.

Contribute to speech and language AI

In recent years, Microsoft has reached several speech and language AI milestones being the first to achieve human parity in a number of widely-used benchmark tasks. The Cognitive Services team continues to enhance the quality of speech and language models across a variety of research projects. Group Transcribe will allow Microsoft researchers to improve accuracy, latency, and speaker attribution.

“Microsoft has been leading the way in speech and language AI innovation with our research on distributed and dynamic microphone arrays as pioneered via Project Denmark,” shares Xuedong Huang, Technical Fellow and CTO of Cognitive Services. “Group Transcribe allows us to address an authentic, ad-hoc, interactive mobile scenario to help people communicate without language barriers. Improving these models with usage data will ensure that our customers will have the best experience.”

User privacy and the principles of responsible AI are first and foremost in Microsoft’s approach to research and product development. “Today, Microsoft Teams facilitates billions of conversation minutes each day, but because Microsoft goes above and beyond to ensure the privacy of our customers, our research does not leverage a single minute of this audio.” shares Pavan Li, the Principal Program Manager of the project. “In order for us to build quality AI products that are accessible to everyone, it is really crucial that we’re training AI models with highly relevant data.”

Inspired to provide a high-quality transcript experience accessible to the everyday customer and continuously improve speech and language models, the team found a way to achieve both goals with a combined solution. Pavan continues, “We came up with this concept of designing a mobile app that would not only help users experience more focused and productive conversations but would also open an opportunity for data donation. We hope consumers are willing to help us and join us on this journey.”

While aiding users with quality, real-time transcription and translation, Group Transcribe will help make AI more accurate and inclusive by enabling an option to contribute conversation data.

Prioritizing privacy through granular data controls

Microsoft is committed to transparency and choice with privacy, and in designing a mechanism to accept conversation donations, the Group Transcribe team allows users to determine what they share. “We’ve taken care to make data and privacy controls as granular as possible,” explains Senior Program Manager Masaki Itagaki who focuses on speech privacy. “I hope users leverage these to take the sensitivity of a conversation into account and withhold sharing those conversations on a case-by-case basis.”

The team has also compiled a detailed FAQ regarding the Group Transcribe project and privacy for any users who have questions about how Group Transcribe collects, manages, and uses data responsibly.

“We believe strongly in the importance of transparency in order to develop AI responsibly,” adds Xuedong. “Thank you in advance to our users whose choose to contribute conversation data—you will be helping us reduce bias, increase inclusion, and accelerate innovation in our quest to build AI that empowers everyone on the planet to do more.”

From : New Garage project Group Transcribe
Posted on March 3, 2021 by Lainie Huston

Microsoft achète Nuance Communication, le géant de la reconnaissance vocale

Microsoft débourse donc 19,7 milliard d’USD pour cette acquisition.

Nuance Communications, spécialiste en intelligence artificielle et reconnaissance vocale ayant participé au développement de Siri, entre dans le giron de Microsoft, qui semble prêt à mettre la main à la poche pour s’étendre.
The acquisition will get Microsoft deeper into hospitals and the health care industry through Nuance’s widely used medical dictation and transcription tools.

Nuance has been a pioneer in voice-based artificial intelligence technology and was instrumental in helping to power Apple’s digital assistant Siri. It has since shifted its focus to health care, including a product that listens in on exam room conversations between physicians and patients and automatically writes up the doctor’s recommendations, such as for prescriptions or lab work.

Nuance est un pionnier des technologies d’intelligence artificielle basées sur la voix et a contribué à la création de l’assistant numérique Siri d’Apple. Elle s’est depuis tournée vers les soins de santé, notamment avec un produit qui écoute les conversations entre médecins et patients dans les salles d’examen et rédige automatiquement les recommandations du médecin, par exemple pour les ordonnances ou les analyses de laboratoire.

Exemple d’un produit Nuance Communication : Logiciel de reconnaissance vocale Dragon

Principales fonctionnalité :

• la création de document par la dictée : un outil qui s’améliore par une adaptation continue de la voix.
• l’automatisation de tâches répétitives : offre la possibilité de créer de courtes commandes vocales pour plus de rapidité d’exécution.
• la personnalisation du langage : un service qui permet d’intégrer des acronymes ou un vocabulaire très spécifiques à une activité, les préférences d’orthographe ou encore les mises en forme.

Interview de Luc Julia sur ce sujet : Luc Julia sur Nuance – Diffusée sur BFM Business le 12 avril 2021

Découvrons rapidement comment Microsoft utilise l’IA pour déceler de nouvelles informations dans le but d’améliorer les résultats en matière de santé à l’échelle mondiale.

Domaines d’innovation

Qu’il s’agisse de déchiffrer des génomes ou de d’effectuer des recherches en développement durable, nous travaillons dans les domaines d’innovation suivants avec un impact positif sur les résultats en matière de santé.

• Médecine personnalisée
  Chaque personne est unique, tout comme le sont les maladies dont elle souffre. L’intelligence artificielle permet un tout nouveau niveau de traitement personnalisé en prenant en considération ce qui nous rend unique, depuis notre génétique jusqu’à notre mode de vie. La médecine personnalisée peut améliorer radicalement la santé et la longévité de chacun d’entre nous.
  Le projet Immunomics
• Analyse de la santé publique
  Imaginez si nous pouvions mieux comprendre la santé de groupes de personnes en particulier et les facteurs qui influencent leur bien-être. Grâce à l’intelligence artificielle, nous pouvons regrouper des données sur tous les facteurs suivants, déterminants sociaux de la santé, questions environnementales ou vecteurs de maladie, et identifier plus efficacement les problèmes avant qu’ils n’apparaissent ou ne se propagent.
  Le projet Premonition
• Lecture optique biomédicale
  Avec des millions d’études et de développements qui surviennent dans l’ensemble de l’industrie médicale, rester informé de tout ce qui se passe est presque impossible. Grâce à l’intelligence artificielle, les chercheurs et les professionnels de la santé peuvent filtrer rapidement l’information de tous les types de sources, découvrir de nouvelles informations et fournir des traitements plus rapidement aux personnes qui en ont besoin.
  Le projet Hanover

Dernières actualités Microsoft en intelligence artificielle

• Novartis et Microsoft mettent tous leurs efforts à réinventer la découverte de traitements
  Les équipes de recherche de Novartis et de Microsoft collaborent pour appliquer les innovations en intelligence artificielle et travailler dans des domaines inexplorés dans le secteur pharmaceutique, à la recherche de découvertes qui réduiront les coûts incombant aux patients.
• Microsoft et Jackson Labs utilisent l’intelligence artificielle pour lutter contre le cancer
  Microsoft collabore avec le laboratoire Jackson en utilisant la technologie pour créer des plans de traitement personnalisés pour les patients.

Vous pouvez aussi lire notre section sur l’IA dans la Santé

Passer à la seconde partie concernant Microsoft…