Aller au contenu
6 octobremar.
5 octobrelun.
2 octobreven.
  1. 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.

1 octobrejeu.
30 septembremer.
  1. Google DeepMind73

    Google DeepMind présente SynthID Bio, une technologie de filigrane pour les protéines générées par IA

    Google DeepMind présente SynthID Bio, une famille de méthodes de filigrane destinée à la biologie de synthèse.

    Motif de la recommandation :Le filigrane s'étend des médias numériques aux séquences protéiques, avec des données de laboratoire humide et une ouverture du code, ce qui permet de comprendre la vérification de la provenance des protéines générées par IA.

29 septembremar.
  1. AWS Machine Learning Blog22

    Condé Nast comment construire une découverte vidéo multimodale avec Amazon Bedrock

    Condé Nast a réduit le temps de recherche de contenu vidéo de 250 minutes à moins de 2 minutes par tâche grâce à une solution de découverte vidéo multimodale bâtie sur Amazon Bedrock et Amazon OpenSearch Service. Le système s'appuie sur le modèle d'embedding TwelveLabs Marengo pour encoder conjointement les signaux visuels, audio et de transcription, et indexe plus de 140 000 vidéos pour une recherche sémantique par intention. Cinq capacités sont proposées aux équipes éditoriales de titres comme Vogue, GQ, Vanity Fair et Wired : recherche par intention, compréhension multimodale, requêtes par image, tolérance aux fautes et précision des timestamps.

25 septembreven.
  1. Google Research70

    Google Research présente un cadre multi-agents pour automatiser la génération vidéo longue cohérente

    Google Research présente un AI video co-director, un cadre multi-agents construit comme couche d'orchestration au-dessus de Gemini et Veo.

    Motif de la recommandation :L'article détaille quatre cadres multi-agents pour la génération vidéo longue, avec les problèmes de dérive visuelle et de propagation d'erreurs qu'ils traitent.

24 septembrejeu.
  1. NVIDIA Blog62

    NVIDIA et Google DeepMind publient des structures protéiques de plus de 2800 virus

    NVIDIA rejoint une coalition incluant Google DeepMind et EMBL-EBI pour publier en accès libre les structures 3D prédites des complexes protéiques de plus de 2800 virus via la base AlphaFold. Les structures ont été inférées avec AlphaFold2 optimisé par NVIDIA BioNeMo Inference Runtime, et NVIDIA publie aussi le BioNeMo Structure Prediction Pipeline utilisé pour générer le jeu de données. Environ 30 % des interactions protéiques ajoutées sont totalement nouvelles pour la science, selon l'annonce.

    Motif de la recommandation :NVIDIA et Google DeepMind ouvrent des structures protéiques virales prédites, un cas concret de données scientifiques partagées pour la préparation pandémique.

  2. Google DeepMind62

    Google DeepMind présente une mémoire serveur sécurisée pour Private AI Compute

    Google DeepMind détaille une évolution de son architecture Private AI Compute qui ajoute une couche de mémoire persistante côté serveur.

    Motif de la recommandation :L'article détaille l'architecture de mémoire persistante côté serveur de Google et ses mécanismes de chiffrement, utile pour comprendre comment concilier continuité multi-appareils et confidentialité.

23 septembremer.
  1. Google DeepMind78

    Google DeepMind lance Gemini 3.8 Flash TTS et Flash-Lite TTS

    Google DeepMind annonce Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, deux modèles de synthèse vocale générative disponibles dans Google AI Studio.

    Motif de la recommandation :Google DeepMind détaille les capacités vocales et les garde-fous des deux modèles TTS, utile pour évaluer les usages en doublage et agents vocaux.

19 septembresam.
18 septembreven.
16 septembremer.
11 septembreven.
8 septembremar.
  1. Google DeepMind88

    Google DeepMind lance AlphaGenome Atlas, une carte prédictive des 9 milliards de variants du génome humain

    Google DeepMind présente AlphaGenome Atlas, une plateforme contenant les prédictions des effets de 9 milliards de variants mononucléotidiques.

    Motif de la recommandation :Le texte détaille une ressource de 1 pétaoctet couvrant 9 milliards de variants et un score AVI unifié, ce qui permet de situer la portée pratique pour la recherche génomique.

4 septembreven.
3 septembrejeu.
  1. Google DeepMind62

    Google DeepMind lance le Fairwind Program pour la cyberdéfense des gouvernements et entreprises

    Google DeepMind lance le Fairwind Program, un programme à accès limité destiné aux gouvernements et partenaires de confiance pour utiliser ses capacités de cyberdéfense avancées. Le programme associe le modèle Gemini 3.8 Flash Cyber au harness CodeMender pour trouver, vérifier et corriger des vulnérabilités à l'échelle agentique, avec des correctifs vérifiés prêts au déploiement générés en quelques minutes au lieu de plusieurs semaines. Plus de 650 partenaires participent, avec un accès initial réservé aux gouvernements, autorités cyber nationales, opérateurs d'infrastructures critiques et plateformes technologiques, sous conditions d'usage strictes incluant l'authentification multifacteur. Google.org porte son financement total en cybersécurité à plus de 100 millions de dollars.

    Motif de la recommandation :Le programme détaille l'accès restreint à Gemini 3.8 Flash Cyber et CodeMender, ce qui permet de situer les capacités de correction autonome de vulnérabilités et leurs conditions d'accès.

2 septembremer.
  1. Google Research62

    Google Research cartographie les émissions mondiales de méthane depuis l'espace grâce à l'apprentissage profond

    Google Research présente MAPL-EMIT, un cadre d'apprentissage profond basé sur un vision transformer Swin-S qui détecte.

    Motif de la recommandation :Le texte détaille une architecture de vision par ordinateur et un jeu de données synthétiques pour la détection de méthane, avec des chiffres de rappel et des ressources ouvertes.

1 septembremar.
  1. Google Research62

    Google présente TimesFM-3, un modèle de fondation zero-shot pour la prévision multivariée

    Google Research présente TimesFM-3, un modèle de fondation de séries temporelles de 330 millions de paramètres pré-entraîné sur plus de 1 000 milliards de points de données.

    Motif de la recommandation :TimesFM-3 expose l'architecture d'attention alternée et le décodage non autorégressif, une méthode transférable pour la prévision multivariée zero-shot.

28 aoûtven.
  1. Google DeepMind76

    Google DeepMind lance Gemini Omni 1.1 Flash avec des contrôles créatifs pour la vidéo générative

    Google DeepMind annonce Gemini Omni 1.1 Flash, une mise à jour de ses capacités de génération vidéo destinée aux développeurs via la Gemini API dans Google AI Studio. Le modèle peut analyser jusqu'à 10 secondes de contexte vidéo antérieur pour l'extension de scène, contre une seconde auparavant, avec des extensions par tranches de 10 secondes jusqu'à 40 secondes cumulées. Il ajoute l'interpolation entre première et dernière images, la génération de prévisualisations 360p jusqu'à 60 % plus rapides et à un tiers du coût du 720p, l'upscaling jusqu'en 4K, ainsi que la référence de vidéos jusqu'à trois secondes en entrée multimodale. Omni 1.1 est disponible dans Google AI Studio, via l'Agent Platform API pour les entreprises, et pour les abonnés Google AI Plus, Pro et Ultra dans Google Flow, l'extension de scène étant accessible dans l'application Gemini.

    Motif de la recommandation :L'original détaille les contrôles créatifs et les paliers de coût de la génération vidéo, utile pour évaluer les workflows de production existants.

27 aoûtjeu.
  1. Google Research34

    GlucoFM : un modèle de base à double flux pour la surveillance continue du glucose

    Google Research présente GlucoFM, un modèle de base auto-supervisé à double flux qui sépare les tendances glycémiques lentes des déviations à court terme des données CGM. Pré-entraîné sur 109 066 heures de données CGM non étiquetées issues de Wear-CGM et de quatre jeux de données publiés (477 enregistrements), il atteint un PR-AUC moyen supérieur de 5,8 points à celui de la meilleure variante de GluFormer sur 14 évaluations cohorte-tâche, et devance toutes les évaluations de risque de diabète et de dysfonction des cellules bêta ainsi que trois des quatre évaluations de résistance à l'insuline. Sur la prévision de la réponse glycémique postprandiale, il obtient la plus faible MAE moyenne sur les appareils Dexcom et Libre, avec les meilleures performances de transfert inter-jeux de données et une forte adaptation few-shot.

26 aoûtmer.
  1. Google Research28

    AgentHands : générer des gestes de main interactifs pour des conversations d'agents ancrées spatialement en XR

    Google Research présente AgentHands, un prototype de recherche publié à CHI 2026 qui dote les agents IA de gestes de main synchronisés à la parole pour des conversations ancrées spatialement en XR. Le système s'appuie sur une taxonomie multidimensionnelle (latéralité et forme du geste, spatialité, dynamique temporelle et VFX) et sur une bibliothèque de gestes répartis en trois catégories sémantiques : déictiques, iconiques et expressifs. Une étude intra-sujets (N = 12) comparant AgentHands à une baseline vocale seule, sur des tâches de soin d'orchidée et d'utilisation d'une imprimante 3D, confirme des gains significatifs en ancrage spatial.

22 aoûtsam.
21 aoûtven.
  1. Google Research34

    Google Research présente ME-POIs : comment la mobilité enrichit la compréhension des lieux par les modèles de langage

    Google Research introduit ME-POIs, un framework auto-supervisé qui intègre des schémas de mobilité agrégés et anonymisés aux représentations textuelles des points d'intérêt produites par des modèles comme Gemini. En combinant descriptions textuelles et signatures temporelles de fréquentation via alignement de visites, propagation spatiale multi-échelle et synergie texte-mobilité, ME-POIs obtient jusqu'à 81,9 % de gain relatif sur la prédiction de l'intention de visite, 75,1 % sur la classification du niveau de prix et 24,7 % sur l'estimation de l'affluence pour des lieux non vus. Le mécanisme de propagation spatiale multi-échelle comble la rareté des données des petits commerces en transférant les rythmes de fréquentation de voisins plus actifs.

17 aoûtlun.
14 aoûtven.