Le cyberblog du coyote

L'Europe a rarement connu un été aussi sec. Pourtant, les data centers continuent de se multiplier en Suisse. Et leurs besoins en eau interrogent.

Lire l'article de Yann Lengacher sur Watson

La nouvelle est passée presque totalement inaperçue dans les médias français, en raison du Mondial de foot et des incendies : l’intelligence artificielle a réussi à déchiffrer entièrement un rouleau de papyrus carbonisé d’Herculanum, aussi fragile que de la cendre de cigarette, sans le dérouler et sans même y toucher ! On y a découvert un traité philosophique sur le stoïcisme. Il a fallu des trésors d’ingéniosité et de technologie pour parvenir à ce résultat. Le rêve est donc devenu réalité : bientôt, on pourra lire en un temps record les centaines de rouleaux de cette bibliothèque calcinée par le Vésuve il y a 2000 ans, et la littérature gréco-latine s’enrichira d’autant de textes inédits, de nouvelles tragédies ou épopées peut-être. Dans cet été déprimant, voilà un vrai rayon de lumière.

Lire le post de William Marx sur LinkedIn

Avec l’essor fulgurant de l’intelligence artificielle, un nouvel acronyme s’impose pour désigner les géants de la tech Les Mangos, symboles d’un basculement vers l’IA et les infrastructures, relèguent les Gafam au second plan.
Le 9 juin 2026, un message publié sur X propose de remplacer les Gafam par un acronyme inédit : Mangos. En quelques heures, le terme devient viral et s’impose dans les débats technologiques. Derrière ce nom, six entreprises : Meta, Anthropic, Nvidia, Google, OpenAI et SpaceX. Un casting qui dit tout du basculement en cours. Ces acteurs concentrent aujourd’hui l’essentiel de l’attention des investisseurs et des experts, car ils sont perçus comme les moteurs de la révolution de l’IA. Ce changement n’a rien d’anecdotique. Les acronymes, dans la tech, servent de boussole : ils désignent qui domine, qui innove, qui impose ses usages. Là, le message est clair : la hiérarchie change, et vite.

Source : 20 minutes

Un modèle d’IA peut être très performant dans un cadre contrôlé, mais se dégrader lorsque les données qu’il reçoit en conditions réelles ne ressemblent plus exactement aux données sur lesquelles il a été conçu, validé ou récemment mis à jour.
Ainsi, lorsque la mise à jour du modèle est faite naïvement, on peut être confronté au problème de l’« oubli catastrophique » : le modèle a progressé sur les données récentes, mais perd brutalement en performance sur les données plus anciennes. Ce sont précisément ces difficultés qui motivent le développement de l’« apprentissage continu ».

Lire l'article d'Eric Moulines sur The Conversation

Réponse : oui, avec une facilité déconcertante...

Lire le post de Mehdi Moussaid sur LinkedIn