Lau_hed

@Fabien_Mikol @EpochAIResearch Si je ne vois pas la différence, c'est que, bien sûr, je n'ai pas bu l'ambroisie comme vous :) Allez stop

@Lau_hed @EpochAIResearch Ah ah mais quelle blague, bien sûr qu'ils essaient aussi d'être profitables ! Mais à la différence de Newsguard, ils ne forgent pas des benchmarks ad hoc pour vendre un produit spécifique censé résoudre le problème évalué par leur benchmark. Si vous voyez pas la différence...

Alors aujourd'hui Luc Julia a été carrément auditionné à l'Assemblée nationale. Ce fut donc pour lui l'occasion de répéter à nouveau les mêmes absurdités sur le "taux de pertinence de Hong-Kong", la dégradation chaque année, l'étude Newsguard mal comprise, etc. C'est une folie.

@Fabien_Mikol @EpochAIResearch Pas d'intérêt, mais bien sûr. Suffisait de vérifier pour voir l'impartialité de votre "remarquable" société de benchmark !

@Lau_hed @EpochAIResearch fait un travail remarquable d'agrégation des différentes évaluations epoch.ai/benchmarks

@Fabien_Mikol @EpochAIResearch Je vais me réserver la latitude de juger par moi-même le caractère "remarquable" de votre lien. Bonne journée, nous avons assez perdu de temps ainsi

@Fabien_Mikol Nous n'allons pas commencer à prêter des mots l'autre à l'un... Parque Newsguard vend un produit, ça jette l'opprobre sur tous leurs travaux... C'est franchement ridicule. Donner moi une source fiable de niveau universitaire qui prouve que les modèles progressent, ça vaudra mieux

@Lau_hed Je comprends pas, Newsguard aussi c'est un benchmark (et pas très bon, et particulièrement intéressé puisqu'ils vendent un produit). Maintenant les benchmark c'est intéressant que lorsque ça montre une dégradation ?

@Fabien_Mikol Encore une fois, LJ n'est pas mon prob. Les benchmarks ! Ceux-là même pour qui les éditeurs d'IAg font des modèles pour les remporter, mais ne les déploient jamais ? Bof, loin d'être convaincu par cet "argument". Tant pis, merci quand même

@Lau_hed Il y a forcément certains domaines où on peut mesurer une dégradation. Ai-je dit que "les LLM se sont améliorés sur absolument TOUS les benchmarks possibles et imaginables !" Je dénonce ici le discours de Julia qui parle de dégradation générale d'une fumeux "taux de pertinence".

@Fabien_Mikol Il y a un incompris. je me moque de votre "querelle" avec LJ... Aucun intérêt. Je pense seulement que vous êtes bien "assuré" pour avancer qu'il n'y a pas de dégradation, voilà tout

@Lau_hed Ce n'est pas du tout du model collapse (lequel est éventuellement causé par l'entraînement sur des données synthétiques). Il ne s'agit pas d'entraînement, mais de retrieval de données du web qui peuvent être elles-mêmes des fakes. C'est juste un autre problème, quoiqu'en dise LJ

@Fabien_Mikol Ok, don't act, ça m'avait échappé. La manip des LLM se fait bien par données synthétiques ? Donc les modèles qui mangent des données déjà régurgitées par d'autres IA, n'implique pas que ceux-ci se dégradent ? J'ai un énorme doute !+50% des données internet synth + model collapse

@Lau_hed Non non c'est bien relié aux manipulations par le réseau Pravda sur des questions précises. Notez que leur score moyen est fortement influencé par certaines notes très basses (Perplexity et Inflection). Et aucun rapport avec "l'étude de Hong-Kong" qui évaluait des raisonnements.

@Fabien_Mikol Apparemment, vous avez la lecture tout à fait parfaite de l'étude, j'en appelle donc à votre grande expertise ! c'est bien ça que vous publiez, non ?! Et là, en l'occurrence, vous mélangez deux études distinctes. On ne parlait pas de la manipulation des LLM par la Pravda en 2024

@Lau_hed Je ne comprends pas vous n'avez juste pas lu mon fil en fait ? Il s'agit d'informations récupérées sur internet sur des questions précises. Sur certains sujets géopolitiques les bots russes contaminent ces données. Mais ça n'a RIEN à voir avec le taux de pertinence des LLM en soi

@baptiste_cumin @Fabien_Mikol Bonjour, Point 3. Veillez fournir vos sources. Merci

@Lau_hed @Fabien_Mikol Non 1. Les questions ne sont pas open-source (10 questions tirées au sort de leur dataset privée) 2. C'est une démarche commerciale, non académique: Newsguard vend un produit dans ce domaine 3. Toutes les autres recherches publiées vont dans l'autre sens

@Fabien_Mikol Ok et ça, ça ne voudrait pas signifier une dégradation des résultats ? Pouvez-vous m'expliquer ? Nous sommes bien d'accord qu'il s'agit de la même étude, non ? newsguardtech.com/fr/special-rep…

@Lau_hed J'en parlais un peu davantage ici x.com/Fabien_Mikol/s…

@GGmilgram Superbe comme d'hab ! Merci ;)

Nouvelle vidéo❗Iris Galerie supprime tout mais nie en bloc, le patron répond, les employés me parlent, etc... Je vous raconte tous les dessous et les suites de cette enquête si particulière. Merci pour vos RT et pour votre soutien 😘 youtu.be/ArEw3HmRAyE

ChatGPT a été invité 74 fois à « créer la réplique exacte de cette image et à ne rien changer ». Regardez bien le résultat. Tout cela pour vous parler du processus d’effondrement du modèle (model collapse). Ce terme est utilisé en intelligence artificielle pour désigner un phénomène où un modèle d’apprentissage automatique, surtout dans les systèmes génératifs, qui commence à produire des résultats de moins en moins diversifiés ou de plus en plus mauvaise qualité, souvent à cause d’un entraînement sur des données générées par lui-même ou d’un surajustement. En clair, les IA s’entraînent et brassent des données (textes, analyses, données brutes, images, etc.) influencées, contaminées ou produites par des IA et finissent par « dégénèrer » en s’asphyxiant, sans rétroaction non-polluée avec le monde réel et les données humaines. En juillet 2024, une étude publiée dans Nature ( nature.com/articles/s4158… ) a montré que les IA perdent leur capacité à gérer des informations variées et pertinentes quand elles s’entraînent sur leurs propres données. La plupart des spécialistes estiment que les IA combinant texte et images risquent encore plus l’effondrement. La course à l’intensification de la récupération de données sur l’homme et le monde vivant, par la multiplication des capteurs pourrait ne pas suffire à empêcher la première grande extinction des IA par spirale d'effondrement autoréférentielle.

« A chaque fois qu’une technologie nous a promis de gagner du temps, en réalité on a accéléré ». C’est cette réflexion de Christian Clot lors d’une rencontre à Cannes qui m’a inspiré le thème de mon talk sur la scène du dernier TEDxRennes. L’IA nous condamne-t-elle à l’accélération ? Ou peut-on en faire un outil de résonnance, de progrès humain ? Quel monde suis-je en train de contribuer à construire pour ma fille ? La vidéo de la conférence est désormais disponible en ligne, pour je l’espère, inspirer vos propres réflexions 📺 youtube.com/watch?v=2w2tCD… L’occasion ici de remercier toutes celles et tous ceux au sein de l'excellente équipe du TEDx Rennes et en dehors, ont permi le partage de ce temps.

Je me demande parfois si on aurait pas mieux fait de laisser la physique quantique dans les laboratoires, c’est-à-dire de renoncer à la vulgariser, car il y a manifestement des cas où elle sert de caution au charlatanisme le plus débridé : l’irréalité dépasse là l’affliction !

@GGmilgram @CubicRobot C'est la qualité et l'utilité de ton travail qui font de toi une cible ! Faut continuer du coup :p Ton travail est obligatoire pour la société @GGmilgram

@CubicRobot Pareil, incompréhensible.

Très bonne vidéo pour un usage pro des IA génératives ! Bon boulot @ParlonsIAx

🚨 Qwen 3 DÉMASQUÉ : Le danger est réel youtu.be/cjEjb8Aap-Q #Qwen3 #deepseek #chine #hacker

Coucou @opticiensatol. Si j'en crois @GGmilgram, vous perdez pied, et plus encore l'un de vos cadres, pas futé. Suite à vos menaces, nous allons adorer aider @GGmilgram à y donner des suites judiciaires. Et vous offrir un effet Streisand submersif. @dgccrf : une réaction ?🔽

@CyrilCardoso Bonjour, Research Rabbit est alimenté par Semantic Scholar (et PUBMED) et Elicit > Semantic Scholar. Le taux de couverture de ce dernier est très loin derrière Google Scholar. Le combo le plus sûr reste les bases de données bibliographiques fouillé par NotebookLM. Bonne journée

🏆 Top 5 des outils IA pour la recherche documentaire scientifique. Ces derniers mois Polaria est intervenu auprès de plusieurs laboratoires de recherche, universités, grandes écoles, regroupements de chercheurs sur la thématique : comment l’IA accompagne, transforme et accélère la recherche scientifique. 🔎 L’un des sujets récurent est celui de la recherche et de l’analyse d’études et de papiers scientifiques. Sur ce sujet les outils généralistes avec les nouveaux modes de recherche approfondie sont particulièrement intéressants. Gemini, Perplexity et ChatGPT ont désormais des fonctionnalités avancées qui automatisent la collecte et l'analyse d'informations (ne se contentant pas de quelques recherches, mais d’un recensement plus important) sur le Web, permettant de générer des rapports détaillés en quelques minutes. J’apprécie le mode Deepreserch de ChatGPT par sa capacité à le coupler à un raisonnement (via ses Large Reasoning Model), et celui de Perplexity par la possibilité de restriction sur les papiers académiques. Cependant notre top 5 chez Polaria porte sur les outils IA dédiés à l’assistance de recherche. Dont voici le classement : #5️⃣ SciSpace : Plateforme d'intelligence artificielle générative dédiée à la recherche académique, permettant de rechercher, analyser et comprendre des articles scientifiques, avec des explications détaillées de concepts complexes. #4️⃣ Scite : Outil d'analyse de citations qui contextualise les références en distinguant les citations de soutien ou de contradiction, aidant ainsi à évaluer la crédibilité des recherches. #3️⃣ Research Rabbit : Plateforme gratuite qui propose une cartographie visuelle des réseaux de recherche, facilitant l'exploration des connexions entre articles, auteurs et citations, idéale pour les projets collaboratifs. #2️⃣ Semantic Scholar : Moteur de recherche académique gratuit développé par l'Allen Institute for AI, offrant un accès à plus de 200 millions d'articles scientifiques avec des résumés automatisés et des métriques d'impact. #1️⃣ Elicit.com : De loin mon préféré, l’assistant de recherche alimenté par l'IA, Elicit aide à trouver et synthétiser des informations issues de publications académiques pour répondre directement à des questions de recherche. Comme nombre de sujets et cas d'usage c’est la combinaison de plusieurs outils qui offrent les meilleures possibilités en combinant un outil généraliste doté de capacités de Deepresearch à 1 à 2 outils dédiés.