Les scientifiques tentent de découvrir des techniques capables d’analyser les composés chimiques dans l’haleine, la sueur et même les larmes des patients et d’indiquer des maladies. Les experts pensent que ces produits chimiques sont comme des « empreintes digitales » menant au diagnostic.

Les chercheurs appellent le concept « volatolomique » et précisent que le robot ne sera à aucun moment disponible dans le commerce.

Chaque fois que nous sentons quelque chose, le nez rencontre des composés organiques volatils, qui s’évaporent très rapidement et ont un point d’ébullition bas. Ce sont les produits du métabolisme humain qui peuvent être excrétés sous une forme ou une autre.

Tous les organismes libèrent des COV à des fins diverses telles que la communication, la reproduction et même la défense. De même, le corps libère des COV en réponse à des changements biologiques ainsi qu’à une maladie.

Les nez électroniques (nez électroniques) se sont avérés avoir un haut niveau de précision diagnostique pour la détection du cancer dans l’air expiré selon une revue systématique et une méta-analyse par un groupe de chercheurs néerlandais.

Une combinaison de chromatographie en phase gazeuse et de spectrométrie de masse (GC-MS) peut étudier des échantillons d’air expiré.

Une étude, par exemple, a suggéré que le cancer de l’ovaire a certains marqueurs.

Dans l’article de synthèse sur Hospital Healthcare Europe, 52 publications incluant plus de 3 000 patients atteints de cancer (y compris du poumon, de l’estomac, du sein et de la prostate) ont été incluses dans l’analyse.

Alors que la volatolomique est un concept relativement nouveau, les scientifiques rapportent que l’idée existe depuis des siècles. À l’époque, cependant, les scientifiques n’avaient pas la technologie pour expérimenter.

Grâce à l’apprentissage automatique et à l’intelligence artificielle, les scientifiques peuvent mettre leurs connaissances à profit. Les capteurs de nanomatériaux, par exemple, peuvent reconnaître avec précision les empreintes digitales de COV provenant des aliments, des boissons, de la pollution et des personnes.

Les résultats ont été publiés dans la revue Nano Research et Hospital Healthcare Europe.

Cet article Les robots pourraient bientôt « sentir » le cancer est apparu en premier sur Robot Magazine.

L’eau présente un défi délicat pour les robots car elle est claire. Les robots ont déjà appris à verser de l’eau, mais les techniques précédentes comme chauffer l’eau et utiliser une caméra thermique ou placer le verre devant un fond en damier ne s’adaptent pas bien à la vie quotidienne.

Une solution plus simple pourrait permettre aux robots serveurs de remplir les verres à eau, aux robots pharmaciens de mesurer et mélanger les médicaments, ou aux robots jardiniers d’arroser les plantes.

Maintenant, les chercheurs ont utilisé l’IA et la traduction d’images pour résoudre le problème.

Les algorithmes de traduction d’images utilisent des collections d’images pour entraîner l’intelligence artificielle à convertir des images d’un style à un autre, comme transformer une photo en une peinture de style Monet ou faire ressembler une image de cheval à un zèbre. Pour cette recherche, l’équipe a utilisé une méthode appelée apprentissage contrastif pour la traduction d’image à image non appariée, ou CUT, en abrégé.

« Vous avez besoin d’un moyen de dire à l’algorithme quelles sont les bonnes et les mauvaises réponses pendant la phase de formation de l’apprentissage », explique David Held, professeur adjoint à l’Institut de robotique de l’Université Carnegie Mellon. « Cependant, l’étiquetage des données peut prendre du temps, en particulier pour apprendre à un robot à verser de l’eau, pour lequel l’humain peut avoir besoin d’étiqueter des gouttelettes d’eau individuelles dans une image. »

Entrez le cheval et le zèbre.

« Tout comme nous pouvons entraîner un modèle à traduire l’image d’un cheval pour qu’il ressemble à un zèbre, nous pouvons également entraîner un modèle à traduire une image de liquide coloré en une image de liquide transparent », explique Held. « Nous avons utilisé ce modèle pour permettre au robot de comprendre les liquides transparents. »

Un liquide transparent comme l’eau est difficile à voir pour un robot car la façon dont il réfléchit, réfracte et absorbe la lumière varie en fonction de l’arrière-plan. Pour apprendre à l’ordinateur à voir différents arrière-plans à travers un verre d’eau, l’équipe a diffusé des vidéos YouTube derrière un verre transparent rempli d’eau. Entraîner le système de cette manière permettra au robot de verser de l’eau dans des environnements variés du monde réel, quel que soit l’endroit où se trouve le robot.

« Même pour les humains, il est parfois difficile d’identifier avec précision la frontière entre l’eau et l’air », explique Gautham Narasimhan, qui a obtenu sa maîtrise à l’Institut de robotique en 2020 et a travaillé avec une équipe du laboratoire de perception et d’action des robots de l’institut sur le nouveau travailler.

En utilisant leur méthode, le robot a pu verser l’eau jusqu’à ce qu’elle atteigne une certaine hauteur dans un verre. Ils ont ensuite répété l’expérience avec des verres de différentes formes et tailles.

Narasimhan dit qu’il y a de la place pour de futures recherches pour développer cette méthode – en ajoutant différentes conditions d’éclairage, en défiant le robot de verser de l’eau d’un récipient à un autre, ou en estimant non seulement la hauteur de l’eau, mais aussi le volume.

Les chercheurs ont présenté leurs travaux lors de la conférence internationale IEEE sur la robotique et l’automatisation en mai 2022.

« Les gens de la robotique apprécient vraiment que la recherche fonctionne dans le monde réel et pas seulement dans la simulation », déclare Narasimhan, qui travaille maintenant comme ingénieur en vision par ordinateur chez Path Robotics à Columbus, Ohio. « Nous voulions faire quelque chose d’assez simple mais efficace. »

Cet article Le robot apprend à voir l’eau et à la verser dans un verre est apparu en premier sur Robot Magazine.

Les chercheurs ont précédemment démontré un bras robotique qui combine des informations visuelles et des signaux de radiofréquence (RF) pour trouver des objets cachés étiquetés avec des étiquettes RFID, qui reflètent les signaux envoyés par une antenne. Mais le nouveau système peut récupérer efficacement tout objet enfoui même si l’objet cible n’est pas étiqueté. Il suffit que certains éléments de la pile aient ces étiquettes RFID.

Le système est connu sous le nom de FuseBot, programmé avec un raisonnement probabiliste qui l’aide à identifier l’emplacement et l’orientation probables des objets sous la pile, selon le rapport de recherche.

Outre le raisonnement, FuseBot utilise des signaux RF pour supprimer les objets obstruant et extraire l’élément cible.

Avec FuseBot, un bras robotique utilise une caméra vidéo et une antenne RF attachées pour récupérer un élément cible non étiqueté d’une pile mixte. Le système scanne le tas avec sa caméra pour créer un modèle 3D de l’environnement.

Simultanément, il envoie des signaux depuis son antenne pour localiser les étiquettes RFID. Ces ondes radio peuvent traverser la plupart des surfaces solides comme le carton, le bois et le plastique, permettant au robot de « voir » profondément dans la pile, note le rapport de recherche.

L’algorithme met en évidence les emplacements probables de l’élément cible ; le robot connaît sa taille et sa forme. Ensuite, le système réduit les objets dans la pile et les emplacements des étiquettes RFID pour déterminer quel élément supprimer et trouver l’élément cible.

Cet article Ce robot peut trouver des objets enfouis sous un tas est apparu en premier sur Robot Magazine.

« PetTalk » a été conçu pour promouvoir une « communauté sûre et harmonieuse pour 15 millions de propriétaires de chiens, leurs chiens et même les personnes qui n’ont pas de chiens », a déclaré Cheil.

Selon l’agence, PetTalk est basé sur la compréhension que le principal moyen de communication d’un chien est l’utilisation de signaux corporels afin qu’il les « interprète » et donne des conseils sur la façon dont le propriétaire doit réagir.

Par exemple, si vous demandez « Pourquoi continuez-vous à bâiller ? » sur PetTalk après avoir vu votre chien bâiller beaucoup, des personnages de chiens animés apparaîtront à l’écran pour démontrer le signal corporel pertinent et répondront « Je suis anxieux et nerveux en ce moment ».

Le chatbot donnerait le conseil de bâiller à votre chien afin de transmettre un message de « Comme je le vois, ça va ici » ou « Maintenant, allez-y doucement », a déclaré Cheil.

Selon le chatbot : « Si vous bâillez à votre chien dérangé, vous pouvez dire à votre chien « C’est bon, détendez-vous ». Lorsque votre chien bâille pendant qu’un autre chien aboie, votre chien dit à l’autre chien de « calme-toi ». Si votre chien n’arrête pas de bâiller, le propriétaire doit éliminer la situation stressante.

Semblable à la communication sur messagerie instantanée, l’utilisateur peut également recevoir des conseils d’un spécialiste du comportement des animaux en tapant une requête dans PetTalk.

Cheil et Woorien prévoient d’étendre le contenu de PetTalk aux langues phonétiques et aux signaux de maladie.

« Comme PetTalk est un contenu construit avec les propriétaires de chiens, nous avons permis aux utilisateurs de suggérer des langues supplémentaires ou de meilleures expressions », explique Joon Jeong, directeur général de Woorien.

« Sur la base du fait que le signal corporel d’un chien est universel, sans grande différence géographique ou environnementale, nous prévoyons également de lancer PetTalk dans d’autres langues telles que l’anglais et le chinois. »

Sur PetTalk, il y a plus de 100 signaux corporels animés du chien vérifiés par des vétérinaires et des spécialistes du comportement animal – des grands mouvements tels que lever un pied ou montrer son ventre, aux petits gestes, y compris les mouvements des yeux et des oreilles et les expressions faciales.

Cet article PetTalk ‘ChatBot en Corée du Sud vise à vous aider à «parler» à votre chien est apparu en premier sur Robot Magazine.

« 85 % des metiers qui seront exerces en 2030 n’existent pas encore. Le monde du travail va etre bouleverse par la quatrieme revolution industrielle, celle de l’intelligence artificielle et de la robotique.
Si nous serons tous impactes a un horizon plus ou moins lointain, certains ont decide de deja prendre les devants. A travers le parcours de 21 femmes et hommes, j’ai voulu voir ce a quoi allaient ressembler les metiers de demain. Dans tous les secteurs d’activite les nouvelles technologies permettent d’inventer des entreprises et des metiers d’avenir. Ces 21 portraits sont a la pointe dans leur domaine. Ils construisent et accompagnent l’emergence d’une nouvelle economie, et de nouveaux emplois qui vont avec. »

Fondateur et président d’INCO, Nicolas Hazard est un entrepreneur qui s’engage en France et dans le monde pour une économie inclusive et durable. Il est aussi l’auteur de Le bonheur est dans le village (Flammarion, 2021)

Quatre-vingt-cinq pour cent des métiers qui seront exercés en 2030 n’existent pas encore1. Le monde du travail va être bouleversé par la qua-trième révolution industrielle, celle de l’Intelli-gence artificielle (IA) et de la robotique. Là où, pour les précédentes révolutions industrielles, les technologies progressaient de manière linéaire, celles d’aujourd’hui grandissent de façon exponen-tielle.

Comme jamais dans notre histoire, la transfor-mation de nos métiers va être gigantesque et tou-chera des centaines de millions de personnes à travers le monde. Durant les dernières décennies, le travail a déjà subi des modifications considé-rables. Elles ne sont rien comparées à celles qui s’annoncent. D’une part parce que nous n’avons pas le choix : le dérèglement climatique va obliger les États à adopter des politiques en faveur d’une transition radicale vers une économie décarbonée ; d’autre part parce que les récentes avancées techno-logiques majeures vont avoir des conséquences dont on n’imagine pas encore l’ampleur sur la façon de travailler de l’humanité tout entière.

Ces chambardements ne vont cesser d’évoluer, il nous faudra constamment nous adapter. Les étu-diants d’aujourd’hui auront exercé huit à dix emplois différents avant leurs 38 ans !
.

Cet article Trouvez votre place dans le nouveau monde du travail est apparu en premier sur Robot Magazine.

Unitree Robotics est une start-up chinoise qui se concentre sur le développement, la production et la vente de robots quadrupèdes hautes performances.

La société est spécialisée dans le développement de composants de base de robot, de contrôle de mouvement, de perception de robot, etc.
Elle attache une grande importance à la recherche et au développement, et a développé indépendamment des moteurs, des réducteurs, des contrôleurs et même certains capteurs du robot quadrupède.
Son concurrent est la marque Boston Dynamics  avec son chien robot Spot.
Le chien robot Go1 d’Unitree coûte 2700 USD soit bien inférieur à ses concurrents US.

Cet article Les chiens robots de Unitree est apparu en premier sur Robot Magazine.

Yva, une plateforme d’analyse des ressources humaines alimentée par l’IA, est un exemple d’utilisation de l’IA dans le cadre du travail avec les questions éthiques qu’elle soulève.

La plateforme a été créé par Yva.AI, une entreprise de la Silicon Valley fondée par David Yang, un entrepreneur en série qui a initié de nombreux projets commerciaux, créatifs et éducatifs.

Comment fonctionne la plateforme d’analyse RH ?

Le réseau neuronal d’Yva peut extraire et analyser les activités des membres de l’équipe dans sur les applications professionnelles : messagerie, Slack, GitHub ou d’autres. Grâce à ces données, l’IA peut récolter des informations nuancées sur le comportement des utilisateurs : la rapidité avec laquelle nous répondons aux courriers électroniques, l’arborescence de nos communications et plein d’autres paramètres.

Parmi les outils les plus utiles figurent la prédiction de la démission des employés clés, l’analyse du réseau organisationnel, les analyses dynamiques de l’engagement personnel et les indicateurs de performance

Quelles sont les bénéfices de ce type de l’outil pour une entreprise ?

Tout d’abord les informations récoltées peuvent apporter de la valeur à une entreprise en identifiant les employés qui ont un fort potentiel. L’entreprise indique à Yva les employés qu’elle considère actuellement comme les plus performants ; le réseau neuronal d’Yva identifie les comportements de ces meilleurs éléments, puis trouve d’autres employés qui présentent les mêmes caractéristiques. Il peut trouver les personnes qui ont le potentiel pour devenir un excellent commercial ou un manager efficace, par exemple

Ce type de l’outil pourra contribuer à minimiser les « départs regrettables » et à identifier les employés qui présentent un risque élevé de démission. La décision de démissionner ne tombe jamais du ciel. D’abord, l’employé se sentira de plus en plus frustré ou épuisé ; ensuite, il deviendra plus ouvert à l’idée d’envisager d’autres possibilités ; enfin, il cherchera activement un autre emploi. Chaque étape se manifeste par des changements subtils dans notre comportement. Nous ne pouvons pas détecter ces changements, mais l’IA le peut.

Mais est-il judicieux de faire confiance à une IA qui peut piloter des décisions importantes en matière de RH ?

Selon David Yang l’IA peut aider à éliminer les préjugés humains qui influencent souvent les décisions d’embauche et de promotion.

Inna Goldstein

Cet article Feriez-vous confiance à une IA qui vous aidera à obtenir une augmentation ? est apparu en premier sur Robot Magazine.

Appelé THALAMUS, cet énorme robot de sécurité de 250 kg qui pousse des pointes à 30 km/h est aussi imposant qu’intelligent. Deux modules d’intelligence artificielle lui permettent de se déplacer dans des environnements complexes, de repérer des intrus de jour comme de nuit et de décider de l’action à entreprendre selon des règles préétablies. Dans le cadre de ses missions, il peut ainsi se mettre en mode poursuite, déclencher une alarme, interpeller les intrus avec un message préenregistré, faire un duplex audio et vidéo avec une centrale de surveillance, etc., les possibilités sont infinies.

« LA ROBOTIQUE DE SECURITE EST EN TRAIN DE REVOLUTIONNER L’INDUSTRIE DU GARDIENNAGE »

« La robotique de sécurité est en train de révolutionner l’industrie du gardiennage, explique Renato Cudicio, président de Glocal Robotics Europe et concepteur du THALAMUS. Notre robot répond à un besoin précis des entreprises qui désirent renforcer la surveillance des périmètres extérieurs de leurs infrastructures qui, en raison de leur taille ou de leur configuration, coûte très cher en agents ou est complexe à réaliser avec des caméras fixes. »

Bardé de capteurs, le THALAMUS effectue des rondes de surveillance de manière complètement autonome pendant une douzaine d’heures sur une seule charge de batterie.

« Le THALAMUS n’est pas un robot social, fait remarquer Renato Cudicio. Il est conçu pour monter la garde dans des endroits où seul du personnel autorisé est supposé se trouver et sa taille alliée à son intelligence en font un instrument de dissuasion très efficace. »

Cet article THALAMUS – une nouvelle définition de sécurité est apparu en premier sur Robot Magazine.

En effet, beaucoup pensent que le Machine Learning et le Deep Learning désignent le même processus d’entraînement. Eh bien, c’est une erreur ! Alors, pour mieux appréhender le monde de l’IA, la première chose à faire est de cerner la différence entre ces deux modes d’apprentissage.

Qu’est-ce que le Machine Learning ? 

Le Machine Learning (apprentissage automatique) désigne l’intersection entre l’informatique et les statistiques. Dans les faits, l’IA doit s’alimenter en données pour sa mise en place. Ses algorithmes identifient alors des modèles, aussi appelés patterns, dans les informations reçues. Grâce à ces modèles, l’ordinateur intelligent peut réaliser des prédictions efficaces à l’arrivée de nouvelles informations (les catégoriser, par exemple).

Les algorithmes ont une structure relativement simple telle qu’une régression linéaire ou un arbre de décision dans ce domaine. Effectivement, le Machine Learning se base surtout sur des analyses statistiques. Et dans la pratique, l’IA réalise des prédictions à l’aide de patterns pour ensuite tirer des conclusions à partir de nouvelles données collectées. Ainsi, la machine dotée d’IA peut apprendre sans être explicitement programmée.

Comprendre le Deep Learning 

Pour faire simple, le Deep Learning (apprentissage profond) indique une évolution du Machine Learning. Son architecture est plus sophistiquée et mathématiquement plus complexe que celle de son prédécesseur.

Il dispose en plus des algorithmes dont les capacités d’analyse d’informations sont proches de celles du cerveau humain. Cette prouesse est possible grâce à un réseau neuronal artificiel (ANN). Dans les faits, l’ANN s’inspire du réseau neuronal du cerveau humain. Par conséquent, le processus d’entraînement de l’ordinateur est plus performant comparé à la méthode précédente.

Dans ce cas-là, l’IA repose sur l’ANN qui comporte 3 types de couches : une entrée et une sortie qui renferment des couches intermédiaires. Les strates intermédiaires ou cachées sont les parties qui permettent à la machine d’être plus performante. Plus les couches cachées sont abondantes, plus le réseau de neurones est profond, plus l’IA est efficace. Ce qui explique le nom de la procédure d’entraînement.

À cause d’un manque de ressources IT, le Deep Learning n’a pu réellement se développer que récemment. En effet, l’installation de cette technologie nécessite une puissance de calcul ainsi qu’une quantité d’informations considérable.

Les différences entre le Machine Learning et le Deep Learning 

Mise à part la différence de l’organisation de leurs algorithmes, ces deux méthodes d’enseignement de l’IA ont d’autres spécificités.

Un entraînement distinct

En ce qui concerne le Machine Learning, il a besoin d’informations structurées, organisées et donc étiquetées. En d’autres termes, le développeur doit lui fournir les caractéristiques discriminantes des données. Cela est nécessaire pour qu’à l’avenir, l’IA soit capable de classer les informations inconnues similaires. Par ailleurs, le Machine Learning requiert le feed-back du développeur. Ce dernier doit ainsi lui communiquer les erreurs de classification et les corriger.

En revanche, le Deep Learning n’a pas besoin d’informations organisées. C’est qu’il détermine lui-même les caractéristiques des données qu’il reçoit. Il n’a pas non plus besoin de l’assistance directe d’un développeur. Au fil du temps, il est capable d’évoluer de lui-même grâce aux appréciations des utilisateurs. 

Des besoins particuliers

Pour ce qui est de l’apprentissage profond, il n’est efficace qu’à partir de millions de données. Il a de même besoin d’un temps d’évolution relativement conséquent. Sans compter que cet entraînement repose sur une puissance de calcul énorme. À titre de comparaison, avec un ordinateur du quotidien, la procédure prendrait plusieurs mois, voire plusieurs années. Le prix de sa mise en place est en conséquence plus élevé.

Quant à l’apprentissage automatique, il nécessite seulement des milliers d’informations. A propos du temps, celui-ci en demande bien moins par rapport au précédent. Ce processus nécessite pareillement peu de ressources informatiques (IT) ainsi qu’un budget plus raisonnable.

En bref, le Deep Learning est une sous-catégorie plus spécifique du Machine Learning, mais il est différent de ce dernier. Néanmoins, les deux ont un point commun : donner aux ordinateurs la capacité de penser intelligemment. Au fait, la première méthode s’avère utile lorsque les données à traiter sont non structurées et colossales. Ce qui permet à l’IA de résoudre divers problèmes avec plus d’aisance et d’efficacité. Nonobstant, le budget nécessaire à son développement est non négligeable, d’où la nécessité de recourir à la seconde méthode lorsque c’est possible.

Cet article Machine Learning et Deep Learning : comment les distinguer ? est apparu en premier sur Robot Magazine.

Des entreprises de l’automobile chinoises s’investissent dans les véhicules autonomes

Baidu

Le géant du web chinois Baidu a ouvert le service de robot taxi Go Robotaxi à Pékin, Changsha et Cangzhou. En effet, l’entreprise a prévu de déployer des robots taxis dans une trentaine de villes dans les années à venir.

Récemment, Baidu a obtenu l’approbation de la municipalité de Pékin pour passer au test les véhicules autonomes sans opérateur de sécurité en plein centre-ville.

Il est à noter que les véhicules de Baidu sont équipés du système de conduite autonome Apollo. L’établissement a conçu celui-ci en partenariat avec une centaine de sociétés différentes sur le principe d’échange mutuel de données. En effet, ils cherchent à améliorer le fonctionnement des systèmes intelligents.

AutoX

Fin janvier 2021, AutoX a présenté au public son programme ROBOTAXI qui propose des taxis entièrement autonomes à Shenzhen. Cette entité a annoncé que la plateforme de service des taxis sans conducteurs serait bientôt opérationnelle pour la réservation. 

Momenta

Quant à Momenta, il a levé un financement de série C de 500 millions de dollars en mars 2021. Pour plus d’information, cette société chinoise est spécialisée dans les technologies pour véhicules autonomes.

À souligner que c’est SAIC Motor, le plus grand constructeur automobile chinois, Toyota et Bosch qui a mené le tour de table. Aujourd’hui, la société fondée par Cao Xudong, ancien employé de Microsoft, teste des voitures autonomes à Pékin. Elle le fait aussi dans la ville de Suzhou, dans l’est de la Chine.

Par ailleurs, Momenta développe des logiciels pour le centre de commandes des véhicules autonomes en utilisant la technologie de deep learning. Cette dernière permet, précisons-le, d’augmenter les capacités de détection des obstacles, de cartographie HD et de planification de l’itinéraire. Fabriquée par Momenta, la cartographie HD présente de nombreuses caractéristiques géométriques et topologiques des routes. Les panneaux de signalisation, les poteaux, les feux de circulation, les marquages routiers en font également partie. En 2020, Toyota s’est associée à Momenta afin de développer une plateforme de cartographie HD en Chine pour ses véhicules autonomes.

Uisee Technology

Pour accélérer le développement de sa technologie de conduite autonome full-stack, Uisee Technology a levé 154 millions de dollars de financement. Les solutions proposées par cette startup de technologie de conduite intelligente basée à Pékin aident à créer des véhicules autonomes L4 pour l’utilisation. Elles se trouvent sur les plateformes logistiques basées dans les aéroports, les usines, les ports et autres milieux restreints.

WeRide

WeRide, une startup basée à Guangzhou, en Chine, développe des systèmes de véhicules autonomes. En janvier 2021, elle a annoncé avoir levé un total de 310 millions de dollars en financement de série B pour son projet des voitures sans conducteur de « niveau 4 ». Qui plus est, celles-ci sont capables de gérer la conduite sans intervention humaine.

En gros, la Chine vise à atteindre une production de masse de véhicules autonomes d’ici 2025. Selon les estimations des experts, les ventes de véhicules autonomes chinois dépasseraient 500 000 unités d’ici 2030.  

Cet article Véhicules autonomes : la Chine accélère le développement des voitures sans conducteur est apparu en premier sur Robot Magazine.