Artículos de revistas sobre el tema "Machine learning approches"

Automatic Text Summarization (ATS) is the key challenge in the area of Natural Language Processing (NLP). It deals with generalizing a summary from a given text without losing the vital information. This is a contemporary area because of exponential content growth in internet and applied in summarizing the content available in books, newsletters, internal document analysis, patent research, e-learning etc. Various machine learning approaches are used in order to achieve the performance of human-generated summaries. The system fails to perform at few areas like checking grammatical errors and paraphrasing the sentences after the summary creation. This work provides a brief view on methods and approaches used in ATS.

Mental health is recognized as a non-communicable disease that impairs human lives, sometimes beyond recovery. While everyone is at risk of developing a mental illness, adolescents are more prone to it due to various factors like hormonal changes, study pressure, social pressure, etc. If mental health goes ignored at this stage, it can cause serious, even fatal problems later on in life, which not only impacts a family but also the young workforce of a country. Hence, constant efforts are being made for the early detection of mental disorders so they can be treated better. Early prediction of mental health issues is a classic machine learning problem relying on patient history and data. In this survey, we discuss a total of 22 previous research papers based on machine learning algorithms and other statistical analysis tools employed for the said task and compare their efficacy. The research papers are categorized into different mental health disorders such as 1) Methods for predicting Depression and Anxiety 2) Methods for Suidial Prevalence 3) Methods for Predicting Autism Spectrum Disorder (ASD) 4) Methods for Predicting Substance Abuse among adolescents. On the basis of accuracy, the performance of machine learning prediction models was compared. CNN models, Random Forest, and XGBoost generally performed better than other models. There is centralized research in Pakistan on mental health based on machine learning so SPSS and other tools are mostly used for data analysis. The findings suggest that Machine learning algorithms can be effective for classifying and early predicting high-risk factors among adolescents

Depuis la fin de l’année 2022, ChatGPT rend possible la rédaction de textes par Intelligence Artificielle. Cette IA faible est un agent conversationnel qui ne comprend ni les textes qu’il produit, ni ceux de son corpus d’entraînement. Car, pour écrire des textes crédibles, le chatbot construit des séquences de mots en choisissant les termes voisins les plus probables d’après les textes d’entraînement utilisés pour son modèle de langage GPT-3.5. Donc, par nature, ChatGPT rédige sans créativité un contenu plausible, mais pas nécessairement conforme à la réalité. Les textes ChatGPT peuvent servir à frauder dans un cadre académique : l’IA est capable de répondre à la place d’un candidat aux questions d’un examen, de rédiger un document certifiant (master, thèse…) ou d’augmenter déraisonnablement le volume des contributions d’un hyper-publiant. L’article décrit deux approches stylométriques capables de détecter la fraude académique générée par chatbot. La rédaction d’un texte par une IA peut d’abord être mise en évidence par la comparaison de son style avec des documents authentiquement rédigés par l’auteur présumé, selon l’approche Machine Learning que nous avons développée pour détecter le ghostwriting : l’IA est soumise au même type de détection qu’un ghostwriter. Ensuite, ChatGPT peut également être détecté comme IA indépendamment de son modèle de langage par notre approche originale Machine Learning, qui mesure le choix des mots et de leurs proches voisins : dans un texte chatbot qui préfère les voisins les plus probables, le choix est sensiblement plus restreint que dans un texte généré par un rédacteur humain. L’article discute les conséquences de la rédaction par IA pour l’enseignement et la recherche et propose des moyens pour la détecter.

Les troubles du spectre de l’autisme (TSA) « naissent » in utero à la suite d’évènements pathologiques génétiques ou environnementaux. Le diagnostic des TSA n’est cependant effectué que vers l’âge de 3-5 ans en Europe et aux États-Unis. Un pronostic précoce permettrait pourtant d’atténuer la sévérité des atteintes cognitives, grâce à des approches psycho-éducatives. Une large panoplie d’approches a été suggérée pour établir un pronostic précoce des TSA, se fondant sur l’imagerie cérébrale, sur des enregistrements EEG, sur des biomarqueurs sanguins ou sur l’analyse des contacts visuels. Nous avons développé une approche fondée sur l’analyse par machine learning des données biologiques et échographiques recueillies en routine, du début de la grossesse au lendemain de la naissance, dans les maternités françaises. Ce programme qui permet d’identifier la presque totalité des bébés neurotypiques et la moitié des bébés qui auront un diagnostic de TSA quelques années plus tard, permet aussi d’identifier les paramètres ayant un impact sur le pronostic. Si quelques-uns d’entre eux étaient attendus, d’autres n’ont aucun lien avec les TSA. L’étude sans a priori des données de maternité devrait ainsi permettre un pronostic des TSA dès la naissance, ainsi que de mieux comprendre la pathogenèse de ces syndromes et de les traiter plus tôt.

C-ITS (Cooperative Intelligent Transport Systems) est une nouvelle technologie qui contribue à la réduction des accidents de la circulation et à l'amélioration de la sécurité routière. VANET ( V ehicular A d hoc Networks) sont un système STI basé sur la communication inter-véhicules par la transmission de messages de sécurité de base (BSM), qui sont vulnérables à une variété de comportements inappropriés. Pour résoudre ce défi, nous avons développé dans cet article un système de détection de mauvais comportement (MDS) basé sur une approche d'apprentissage automatisé pour identifier et catégoriser les messages de mauvais comportement délivrés par un véhicule sur les VANET à l'aide de la base de données d'extension VeReMi. Cette étude examine différents types de classification : dans la classification binaire, toutes sortes d'inconduites ont été regroupées en une seule catégorie « inconduite » ; cependant, dans la classification multi-classes pour trois classes, la mauvaise conduite a été divisée en deux classes : les attaques et les fautes. Le classificateur a des problèmes substantiels lors de l'apprentissage à partir de données déséquilibrées wLorsque vous travaillez avec des problèmes multi-classes, cela devient considérablement plus complexe. Les relations entre les catégories ne sont plus bien définies et il est facile de perdre en efficacité dans une classe tout en s'améliorant dans une autre. En conséquence, les résultats ne sont pas cohérents dans l'approche d'apprentissage classique pour la classification multi-classes lors de la classification des comportements répréhensibles dans différents types de classes de comportements répréhensibles. Pour résoudre ce problème, nous avons développé une approche nouvelle et puissante appelée "Approche d'apprentissage guidé pour la classification multi-classes" pour réduire le nombre de classes en combinant des comportements inappropriés comparables en un seul. Selon les résultats, le classificateur Random Forest surpasse les autres classificateurs.

Cet article propose une approche exploratoire visant à mesurer l’empreinte du discours antisémite sur les chaînes d’information et d’actualité de YouTube en France. Devant la complexité et la polysémie du phénomène étudié, une approche par « empreinte » a en effet été privilégiée, s’appuyant sur des méthodes de machine learning et l’entrainement d’un outil de traitement automatique du langage. Il apparaît que cet outil, imparfait, mais ouvrant de nombreuses pistes méthodologiques quant à l’étude des discours de haine, détecte un antisémitisme peu prévalent, mais surreprésenté dans les espaces numériques liés à la droite radicale.

While the use of artificial intelligence (AI) and machine-learning algorithms in the context of armed conflicts has been subject to scholarly and political debate for at least the past half-decade, to date discussions have focused on the possible development and deployment of lethal autonomous weapon systems. Going beyond this narrow perspective, the article draws attention to other military uses of AI that are conceivable or in fact already exist, for example for the purpose of detention, force protection, equipment maintenance, or reconnaissance. It critically examines these different applications from a legal and ethical perspective, exposing some of the challenges inherent in the technology such as algorithmic bias or predictability. On the basis of existing and emerging approaches to the regulation of ‘civilian’ AI, the article concludes by proposing a granular, tiered way to future regulation of military AI that proceeds from the criticality of each particular application. Alors que le recours à l’intelligence artificielle et aux algorithmes d’apprentissage automatique dans le contexte des conflits armés a fait l’objet d’un débat entre spécialistes et au niveau politique durant au moins ces cinq dernières années, les discussions se sont concentrées jusqu’alors sur le développement et le déploiement possibles de systèmes d’armes létaux autonomes. Cet article va au-delà de cette perspective restrictive et attire l’attention sur d’autres usages militaires de l’intelligence artificielle qui sont concevables ou qui existent déjà, par exemple à des fins de détention, de protection des forces armées, d’entretien de l’équipement ou de reconnaissance. Il examine de manière critique ces différentes applications d’un point de vue légal et éthique, en exposant certains des défis inhérents à la technologie, tels que le biais algorithmique ou la prévisibilité. En se basant sur des approches existantes ou émergentes relatives à la réglementation de l’intelligence artificielle «civile», l’article propose pour conclure une approche graduelle de la future réglementation en matière d’intelligence artificielle, en partant du caractère critique de chaque application particulière. Hoewel het gebruik van artificiële intelligentie (AI) en machine learning-algoritmen in de context van gewapende conflicten al gedurende minstens de laatste vijf jaar onderwerp is van wetenschappelijk en politiek debat, zijn de discussies tot nu toe vooral gericht geweest op de mogelijke ontwikkeling en inzet van dodelijke autonome wapensystemen. Het artikel gaat verder dan dit beperkte perspectief en vestigt de aandacht op andere militaire toepassingen van AI die denkbaar zijn of in feite al bestaan, bijvoorbeeld voor detentie, troepenbescherming, materieelonderhoud of verkenning. Deze verschillende toepassingen worden kritisch onderzocht vanuit een juridisch en ethisch perspectief, waarbij enkele uitdagingen worden blootgelegd die inherent zijn aan de technologie, zoals algoritmische vooringenomenheid of voorspelbaarheid. Op basis van bestaande en opkomende benaderingen van de reglementering van “civiele” AI, wordt in het artikel tot slot een stapsgewijze manier voorgesteld voor de toekomstige reglementering van militaire AI, die uitgaat van het kritische karakter van elke specifieke toepassing. Mentre l’uso dell’intelligenza artificiale (AI) e degli algoritmi di apprendimento automatico nel contesto dei conflitti armati è stato oggetto di dibattito accademico e politico per almeno l’ultimo mezzo decennio, ad oggi le discussioni si sono concentrate sul possibile sviluppo e dispiegamento di sistemi d’arma autonomi letali. Superando questa limitata prospettiva, l’articolo richiama l’attenzione su altri usi militari dell’IA immaginari o che di fatto già esistono, per esempio a scopo di detenzione, protezione delle forze, manutenzione delle attrezzature o ricognizione. L’articolo esamina criticamente queste diverse applicazioni da una prospettiva legale ed etica, mettendo in luce alcune sfide insite nella tecnologia, come la distorsione algoritmica o la prevedibilità. Sulla base degli approcci esistenti ed emergenti alla regolamentazione dell’IA “civile”, l’articolo conclude proponendo una precisa e graduale via per la futura regolamentazione dell’IA militare che consegue alla criticità di ogni particolare applicazione. Si bien el empleo de inteligencia artificial (IA) y de algoritmos de aprendizaje automático en el contexto de los conflictos armados ha sido objeto de debate académico y político durante al menos la última media década, hasta la fecha las discusiones se han centrado en el posible desarrollo y despliegue de sistemas letales de armas autónomos. Más allá de esta perspectiva particular, el artículo llama la atención sobre otros usos militares de la IA que son concebibles o que de hecho, por ejemplo, ya existen con fines de detención, protección de la fuerza, mantenimiento de equipos o reconocimiento. Se examinan críticamente estas diferentes aplicaciones desde una perspectiva legal y ética, exponiendo algunos de los desafíos inherentes a la tecnología, como el sesgo algorítmico o la previsibilidad. Partiendo de la base de los enfoques ya existentes y emergentes para la regulación de la IA “civil”, el artículo concluye proponiendo una alternativa granular y escalonada de cara a la futura regulación de la IA militar con fundamento en un análisis crítico de cada aplicación en particular. Obwohl die Anwendung von künstlicher Intelligenz (KI) und von Algorithmen für maschinelles Lernen im Kontext bewaffneter Konflikte mindestens in den letzten fünf Jahren Gegenstand wissenschaftlicher und politischer Debatten gewesen ist, fokussierten die Diskussionen bisher auf die mögliche Entwicklung und den möglichen Einsatz letaler autonomer Waffensysteme. Über diesen Gesichtspunkt hinaus lenkt der Artikel die Aufmerksamkeit auf andere denkbare oder tatsächlich bereits existierende militärische Anwendungen der KI, zum Beispiel zum Zwecke der Haft, des Schutzes der eigenen Kräfte, der Ausrüstungswartung oder Aufklärung. Der Autor prüft diese verschiedenen Anwendungen kritisch aus gesetzlicher und ethischer Sicht, und legt dabei einige der Herausforderungen offen, die der Technologie inhärent sind, wie algorithmische Voreingenommenheit oder Voraussagbarkeit. Auf der Basis existierender und neu aufkommender Vorgehensweisen in Bezug auf die Reglementierung “ziviler” KI schlägt der Artikel zum Schluss eine stufenweise künftige Reglementierung militärischer KI vor, die von der Kritikalität jeder besonderen Anwendung ausgeht.

Depuis une dizaine d’année, l’Intelligence artificielle (IA) transforme progressivement les pratiques, la médecine aussi bien que l’orthodontie n’échappent pas à cette règle. Dès lors, se pose la question de la place de cette technologie au sein de la pratique quotidienne; et ce à toutes les étapes de la prise en charge thérapeutique. Cette technologie simplifie l’analyse du nombre croissant de données de plus en plus complexes dont nous disposons, notamment à travers le scanner optique intra-oral, le scanner facial ou la radiographie 3D. Pour savoir l’exploiter, il est nécessaire d’en connaître ses différents principes. L’objectif de ce travail est, après avoir introduit les bases du Deep Learning qui s’appuie les réseaux neuronaux virtuels, d’aborder quelles sont les applications actuelles de cette technologie en médecine bucco-dentaire et en orthodontie. La connaissance des dernières recherches et des derniers résultats obtenus permet alors d’envisager la future relation praticien-machine dans le cadre d’une approche personnalisée et repensée autour du patient.

Sentiment analysis is a very substantial area of research in our environment. Many studies have focused on the topic in recent years. It has rapidly gained interest due to the unusual volume of opinion-bearing data on the Internet (Big Social Data). In this paper, we focus on sentiment environment analysis from Amazon customer reviews shared by a machine learning based approach. This process starts with the collection of reviews and their annotation followed by a text pre-processing phase in order to extract words that are reduced to their root. These words will be used for the construction of input variables using several combinations of extraction and weighting schemes. Classification is then performed by a supervised Machine Learning classifier. The results obtained from the experiments are very promising.

Nous proposons un outil d’autorégulation pour la conception d’IA qui intègre des mesures sociétales telles que l’équité, l’interprétabilité et la confidentialité. Pour ce faire, nous créons une interface qui permet aux praticiens de l’IA (experts en mégadonnées/ data scientists ) de choisir visuellement l’algorithme d’apprentissage (Machine Learning/ML) qui correspond le mieux aux préférences éthiques des concepteurs d’IA. En utilisant une méthodologie de conception en design science (science du design), nous testons l’artefact sur des data scientists et montrons que l’interface est facile à utiliser, permet de mieux comprendre les enjeux éthiques de l’IA, génère des débats, rend les algorithmes plus éthiques et est opérationnelle pour la prise de décision. Notre première contribution est de construire un outil de régulation de l’IA qui intègre non seulement les préférences éthiques des utilisateurs, mais aussi les singularités du cas pratique appris par l’algorithme. La méthode est indépendante des cas d’utilisation et des procédures d’apprentissage ML. Notre deuxième contribution est de montrer que les data scientists peuvent choisir librement de sacrifier certaines performances pour atteindre des algorithmes plus éthiques, à condition d’utiliser des outils réglementaires appropriés. Nous fournissons ensuite les conditions dans lesquelles cette approche technique et autorégulatrice peut échouer. Cet article montre comment il est possible de combler le fossé entre les théories et les pratiques en matière d’éthique de l’IA à l’aide d’outils flexibles qui prennent en compte les singularités des cas pratiques.

Machine Learning for Materials Science is a primer on the subject that also delves into the specifics of where ML might be applied to materials science research. With a focus on where to collect data and some of the issues when choosing a strategy, this article includes example approaches for ML applied to experiments and modeling, such as the first steps in the procedure for constructing an ML solution for a materials science problem. The lengthy cycles of development, inefficiencies, and higher costs of conventional techniques of material discovery, such as the density functional theory- based and empirical trials and errors approach, make it impossible for materials research to keep up with modern advances. Hence, machine learning is extensively employed in material detection, material design, and material analysis because of its cheap computing cost and fast development cycle, paired with strong data processing and good prediction performance. This article summarizes recent applications of ML algorithms within different material science fields, discussing the advancements that are needed for widespread application, and details the critical operational procedures involved in evaluating the features of materials using ML.

Les techniques de fraude ne cessent d'évoluer et obligent les dispositifs de lutte anti-fraude à s'adapter. Le recours à l'intelligence artificielle donne naissance à de nouvelles approches plus innovantes fondées sur des algorithmes et des technologies Big Data. Il existe de nombreux défis technologiques et scientifiques ; notamment, comment trouver les meilleurs modèles de classification en prenant en compte le problème de déséquilibre des classes (Imbalanced Classification). Dans cet article, nous testons les modèles de Machine Learning (ML) et de Deep Learning (DL) pour la détection de la fraude. Nous analysons particulièrement les approches de classification déséquilibrée.

L'optimisation des hyperparamètres est une étape cruciale dans le processus de développement de modèles de machine learning performants. Parmi les approches d'optimisation les plus populaires, on retrouve l'optimisation bayésienne et le CMA-ES (Covariance Matrix Adaptation Evolution Strategy), deux méthodes puissantes qui visent à explorer efficacement l'espace des hyperparamètres et à identifier les combinaisons optimales. Dans cet article, nous nous pencherons sur la comparaison entre l'optimisation bayésienne et le CMA-ES dans le cadre de l'optimisation des hyperparamètres en machine learning.

Les techniques d’intelligence artificielle, et en particulier à base de Machine Learning, ouvrent des perspectives d’avancées significatives pour l’assistance au diagnostic, que ce soit pour la détection ou la caractérisation de défauts. Cependant la conception d’une nouvelle solution basée sur l'IA est une tâche qui peut s’avérer complexe en raison de la multiplicité et la variabilité des paramètres du contrôle, combinées à des données souvent insuffisamment représentatives bien qu’indispensables aux phases d'apprentissage et de validation. Dans cette communication nous présentons une étude pour le développement d’un algorithme de diagnostic par IA pour l'inspection de soudures par ultrasons (TFM). Le cas traité est celui d’une soudure en V et l’objectif visé est la détection et l’identification de défauts de différents types (fissure, manque de fusion, inclusion, manque de pénétration…). Sont ainsi comparées plusieurs stratégies de détection et de caractérisation, exploitant différentes approches (corrélation, algorithmes type SVM, réseaux de neurones), utilisant et combinant des données simulées et expérimentales pour la phase d'apprentissage. Les performances des algorithmes sont évaluées sur des données expérimentales, en tenant compte des incertitudes dues au procédé. Les résultats sont comparés entre les différentes approches, avec pour référence une analyse d'expert. L'ensemble de l'étude a été réalisée à l'aide du logiciel CIVA DS (Data Science), nouveau module de la plateforme CIVA, qui a pour vocation d’accompagner l’utilisateur dans sa démarche de conception et de démonstration de performance de son processus de diagnostic par IA, et qui permet dans un environnement unique de combiner simulation, acquisition, traitements du signal et Machine Learning.

Pour Dominique Boullier, mieux que d’autres notion telles que « milieu », « monde » ou « espace », la notion de « territoire » est pertinente parce qu’elle permet d’intégrer « les deux faces de l’expérience spatiale qui comporte un mouvement d’appropriation ». Elle permet alors de déployer une anthropologie de l’appropriation qui regarde Internet non comme un habit, un habité, un habitat ou un habitacle, mais comme tout cela à la fois, condensé dans la notion d’« habitèle ». Cette approche théorique est déterminante dans le regard critique que Dominique Boullier porte ici sur les transformations qu’a connu Internet ces 10 dernières années : en poussant à l’extrême l’analyse proposée par celui-ci on peut dire que les enjeux de ce territoire numérique, de cet habitèle, en ont oublié l’habitant lui-même. Il est question de montée en puissance des plateformes, de « disparition de l’internet en tant qu’espace mondial », d’enjeux économiques des métriques d’audience devenues métriques d’activités, d’impact de la monétisation des engagements sur la création de monopoles, de polarisation… Les luttes dont Internet est l’objet portent en effet moins vers la conquête d’un « bien commun » comme d’exigences de transparence qui permettent à tous d’apprendre, que vers un rééquilibrage des seules mannes financières dont il est porteur : « Toute la décennie 2010 a été celle du Far-West, de la prédation de traces, de la fraude fiscale, des achats des concurrents sans limites, des abus de positions dominantes, et de l’augmentation de l’opacité des algorithmes et de leur puissance prédictive supposée grâce au Machine Learning ».