Aller au contenu
6 octobremar.
5 octobrelun.
4 octobredim.
  1. Hugging Face Blog80

    Microsoft ThinkingBox : évaluer les agents sur l'état final de la base de données, pas sur le texte généré

    Microsoft et Hugging Face publient ThinkingBox, un benchmark qui note les agents sur l'état final du backend et les effets de bord laissés après exécution.

    Motif de la recommandation :L'article expose un benchmark qui évalue les agents sur l'état final de la base de données plutôt que sur le texte généré, avec des chiffres sur la cohérence et le coût par tâche fiable.

3 octobresam.
2 octobreven.
  1. AWS Machine Learning Blog46

    Amazon Quick et le pattern Adjudicated Query pour auditer des milliers de baux

    Le pattern Adjudicated Query combine Amazon Quick et un moteur de règles déterministe pour vérifier la conformité de milliers de baux. Le modèle se limite à traduire une question en appels sur six outils typés et à restituer le résultat, sans jamais écrire de requête ni effectuer de détermination. Chaque sweep produit un reçu de complétude où compliant + in-breach + ambiguous + unreadable doit égaler scanned, et le jeu complet de résultats reste consultable dans un tableau de bord Amazon Quick Sight.

  2. Google Research67

    Google présente un système d'apprentissage fédéré basé sur les TEE pour une confidentialité vérifiable

    Google annonce la prochaine génération de son système d'apprentissage fédéré (FL).

    Motif de la recommandation :L'article détaille l'architecture TEE du nouveau système FL de Google et son déploiement sur Gboard, permettant de comprendre comment la vérifiabilité et l'auditabilité sont mises en œuvre.

  3. Hugging Face Blog62

    ServiceNow présente AutoSynthData, un pipeline de génération de données d'entraînement pour agents d'entreprise

    ServiceNow CoreAI présente AutoSynthData, un pipeline qui transforme les échecs d'un modèle cible et les succès d'un enseignant plus fort en nouvelles tâches d'entraînement validées dans l'environnement. Le système génère des tâches composées d'une spécification système, d'un prompt utilisateur et d'un vérificateur, avec des contrôles de faisabilité, de réalisme et de difficulté, puis une vérification positive et négative et une phase de réparation. Sur EnterpriseOps Gym Hybrid, avec Gemma-4-26B-A4B-it comme cible et Qwen3.8-27B comme enseignant, 2 000 échantillons générés en environ 18 heures améliorent le Pass@1 moyen de 7,2 points, soit une hausse relative de 35 %, et le taux de succès du vérificateur passe de 63,01 % à 68,55 %. Sur ITSM, avec DeepSeek-V4.1-Flash comme enseignant, 1 994 échantillons générés en 66 heures font passer le Pass@1 moyen de 18,77 % à 27,18 %.

    Motif de la recommandation :L'article détaille un pipeline de génération de données d'entraînement pour agents d'entreprise, avec les critères de qualité et les résultats chiffrés sur deux domaines.

  4. AWS Machine Learning Blog34

    Amazon Quick Live Data in Apps : les applications IA interrogent en direct les datasets Quick Sight gouvernés

    Amazon Quick lance Live Data in Apps, une fonctionnalité permettant aux applications générées par IA d'interroger en temps réel les datasets gouvernés Quick Sight au lieu de s'appuyer sur des instantanés figés à la construction. Les modes SPICE et Direct Query sont pris en charge, les règles RLS et CLS existantes s'appliquent automatiquement et chaque requête s'exécute côté serveur sous l'identité du lecteur, qui doit être un utilisateur Quick authentifié et consentir par dataset ; le rôle minimum est Reader Pro. Le constructeur décrit l'application en langage naturel, l'agent découvre les datasets, écrit le SQL et demande l'approbation de chaque dataset avant publication.

  5. Arduino Blog22

    Arduino UNO Q fait répondre un terminal vintage sans accès internet

    Arduino UNO Q (2GB) exécute localement le LLM Llama 3.2-1B pour permettre à un terminal Texas Instruments Silent 700 (Model 745) des années 1970 de répondre aux questions sans aucune connexion réseau. Le montage Termi3, troisième version du projet de Cameron Coward (Serial Hobbyism), remplace l'accès à l'API Wolfram Alpha des deux premières versions par une inférence locale côté Linux, le STM32 communiquant avec le port RS232 du terminal via bit-banging et un transceiver MAX3232. Les réponses du modèle restent peu sophistiquées et parfois inexactes ou incohérentes, mais souvent divertissantes.

1 octobrejeu.
  1. Microsoft Research38

    Microsoft Research : prévision des risques météorologiques spatiales sur les réseaux électriques

    Un système d'apprentissage automatique développé lors d'un stage chez Microsoft Research prévoit les risques météorologiques spatiaux pour 66 935 sous-stations du réseau électrique continental américain, avec une alerte de 30 à 60 minutes avant l'impact. Le pipeline combine les prévisions des indices AE et Dst, la conductivité géologique locale et les données d'infrastructure, atteignant un RMSE de 410,2 nT pour l'AE et surpassant l'équation de Burton sur 62,2 % des heures lors des périodes les plus actives de 2020-2026. Il détecte 76,5 % des événements majeurs (≥10 nT/min), 81,2 % des événements sévères (≥20 nT/min) et 64,1 % des événements extrêmes (≥50 nT/min), avec des taux de fausses alertes croissant avec la sévérité.

30 septembremer.
  1. AWS Machine Learning Blog62

    Construire un pipeline multi-agents de production musicale sur Amazon Bedrock AgentCore Runtime Instances

    L'article explique comment déployer un pipeline de production musicale à trois agents sur Amazon Bedrock AgentCore Runtime Instances. L'agent de composition utilise Claude Sonnet 4.6 et le modèle ACE-Step sur le GPU NVIDIA L4 de l'instance pour générer un fichier.wav, l'agent de livraison lit ce fichier depuis le volume partagé et applique une chaîne DSP, puis l'agent de conformité revérifie indépendamment le résultat et peut demander une nouvelle composition. Les trois agents partagent la même session via un runtimeSessionId commun, ce qui les place sur une même instance EC2 avec un système de fichiers partagé, et les sessions peuvent persister jusqu'à 14 jours. L'article détaille la création du capacity provider, le déploiement des runtimes et l'orchestration, avec un exemple complet disponible dans le dépôt AgentCore samples sur GitHub.

    Motif de la recommandation :Présente une architecture multi-agents avec sessions partagées, GPU et volumes persistants, et détaille les étapes de déploiement sur AgentCore Runtime Instances.

  2. NVIDIA Blog62

    NVIDIA et CoreWeave mettent en production Vera Rubin NVL72 et la CPU Vera pour l'IA agentique

    CoreWeave annonce la disponibilité des systèmes NVIDIA Vera Rubin NVL72 avec réseau Spectrum-X 102.4T Ethernet.

    Motif de la recommandation :L'annonce détaille la disponibilité en production de Vera Rubin NVL72 et de la CPU Vera, avec des chiffres de débit et de démarrage de sandbox qui aident à évaluer les charges agentiques.