L'algorithme génétique est une technique d'optimisation stochastique inspirée de la sélection naturelle et de la génétique. Il explore un espace de recherche en utilisant une population de solutions candidates, qu'il améliore itérativement par sélection, croisement et mutation, en se basant sur une fonction d'évaluation de la qualité de chaque individu, appelée fitness. Les principes clés incluent l'encodage des solutions, la mesure de la fitness, la sélection des meilleurs individus, le croisement pour créer de nouveaux candidats, la mutation pour maintenir la diversité, et l'élitisme pour conserver les meilleurs individus. Les opérateurs de sélection et de variation, ainsi que les paramètres courants, comme la taille de la population et les taux de croisement et de mutation, sont également importants. Les avantages incluent la capacité à échapper aux minima locaux et la parallélisation naturelle des évaluations, mais il y a des limites telles que le coût élevé en évaluations pour des fonctions coûteuses et la convergence prématurée en cas de diversité insuffisante.

Les récentes avancées en Intelligence Artificielle comprennent la généralisation des modèles multimodaux, l'amélioration de la compréhension contextuelle et des progrès dans le raisonnement pas à pas. Des améliorations significatives ont été réalisées en termes d'efficacité quantification, de décodage spéculatif, de mémoire optimisée et d'exécution sur appareils locaux. Les pratiques de sécurité, de traçabilité et de conformité sont renforcées, avec des modèles et algorithmes plus compacts et spécialisés. La multimodalité est également en plein essor, avec des avancées dans la vision-langage, la parole et l'audio, la génération vidéo, l'édition et la diffusion. Des efforts sont également faits pour optimiser l'efficacité, réduire les coûts et améliorer la gouvernance des données. L'écosystème open source et fermé continue de se développer avec des cas d'utilisation variés dans divers domaines tels que la productivité, le développement logiciel, les données et l'analytique, le service client, la santé et les sciences, les médias et le marketing.

Les impressionnistes étaient un mouvement artistique français qui a émergé dans les années 1860-1880, mettant l'accent sur la lumière atmosphérique, la modernité des sujets et l'expérimentation technique en dehors des normes académiques. Les caractéristiques essentielles comprenaient la représentation immédiate des effets de lumière, les coups de pinceau visibles, une palette claire et des couleurs pures. Les artistes impressionnistes peignaient en plein air, utilisaient des cadrages influencés par la photographie et l'estampe japonaise, et abordaient des sujets contemporains tels que les paysages urbains et les scènes de loisirs. Les techniques comprenaient des touches divisées, des vibrations chromatiques et un mélange optique des couleurs. Le mouvement a été caractérisé par huit expositions indépendantes à Paris entre 1874 et 1886, et a eu un impact durable sur d'autres mouvements artistiques et sur la culture visuelle en général.

L'intelligence artificielle (IA) est une branche de l'informatique qui vise à créer des systèmes capables d'effectuer des tâches humaines telles que la perception, la compréhension du langage, le raisonnement, l'apprentissage, la génération de contenu et la prise de décision. Les principes clés incluent la collecte, le nettoyage, l'annotation et la gouvernance des données, ainsi que l'utilisation d'algorithmes d'apprentissage supervisé, non supervisé et par renforcement. Les modèles incluent les réseaux de neurones profonds, les arbres de décision, les forêts aléatoires, SVM, kmeans et les modèles de langage. L'entraînement vise à optimiser les paramètres pour minimiser l'erreur, tandis que l'inférence et la généralisation permettent l'application à de nouvelles données. Les types d'IA comprennent l'IA étroite (spécialisée dans une tâche précise), l'IA générale (comparable à l'humain, hypothétique) et l'IA générative (production de texte, code, images, audio ou vidéo à partir d'exemples appris). Les domaines d'application incluent la santé, la finance, l'industrie, le transport, les services, le commerce, la création et la productivité. Le fonctionnement de l'IA implique la collecte et la préparation des données, la sélection d'algorithmes, l'entraînement du modèle, l'évaluation, le déploiement, la surveillance et les mises à jour régulières. Les avantages comprennent l'automatisation de tâches répétitives, l'amélioration de la précision, la personnalisation à grande échelle et l'analyse rapide de volumes massifs de données. Cependant, il existe des limites et des risques tels que le biais, l'opacité, la dépendance aux ressources de calcul, les vulnérabilités de sécurité et les impacts sur l'emploi et la confidentialité. Les bonnes pratiques incluent la qualité et la traçabilité des données, les évaluations robustes, l'explicabilité, la supervision humaine et la gouvernance. Les termes courants incluent les paramètres et hyperparamètres, le surapprentissage, le sousapprentissage, le finetuning, le transfert d'apprentissage et l'inférence.