Aller au contenu
3 octobresam.
  1. PJRC Forum (Teensy)15

    Reverb pour Teensy généré par Claude et publié sous licence MIT

    Un développeur a publié sur le forum PJRC une réverbération pour Teensy générée par Claude et diffusée sous licence MIT en tant que bibliothèque Arduino. Un développeur C++ de 30 ans d'expérience conteste cette licence, arguant que le code produit par IA sans intervention humaine créative n'est pas protégeable et que la licence MIT est donc sans valeur juridique, citant Thaler v. Perlmutter. Un autre intervenant, développeur et avocat au barreau de Californie, lui répond que la décision exige seulement qu'un humain soit désigné comme auteur et que le jugement humain dans la conception rend le code protégeable.

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.