Neige, rançongiciels, ferments : l'IA au concret

Une IA calcule le manteau neigeux 70 % plus vite, sans se tromper

Estimer la neige stockée dans une montagne entière prend des heures de calcul — sauf si une IA fait le travail en un tiers du temps.

Une équipe de chercheurs a développé un système hybride pour surveiller le manteau neigeux dans les Alpes et les Apennins, en combinant deux outils d'apprentissage automatique. Imaginez que vous cuisinez une recette complexe : au lieu de tout préparer à la main, vous utilisez un robot pour hacher et un minuteur intelligent pour gérer la cuisson. C'est exactement l'idée ici. Premier outil : un algorithme de « forêt aléatoire » — une technique qui combine des centaines de mini-décisions pour distinguer neige, herbe, et sol nu dans les données de capteurs au sol. Résultat : plus de 90 % de précision, même dans des zones que le modèle n'avait jamais vues pendant son entraînement. Deuxième outil : un réseau LSTM — pensez-y comme une mémoire à court terme artificielle — qui remplace le moteur de calcul habituel d'un filtre de Kalman d'ensemble. Ce filtre permet de fusionner des mesures de terrain imparfaites avec les prévisions du modèle. Problème : il est très gourmand en puissance de calcul. La version IA réduit ce temps de 70 %, tout en donnant des estimations comparables. Pourquoi ça compte ? La neige stocke entre 30 et 40 % de l'eau douce utilisée par des millions de personnes en Europe. Mieux prédire son évolution aide à gérer les réservoirs, anticiper les crues, et surveiller les effets du changement climatique sur les reliefs. Le hic : hors de sa zone d'entraînement, le modèle perd environ 20 % de précision. Transférer le système vers d'autres massifs, ou vers des régions avec peu de données historiques, reste un vrai défi. Ce n'est pas encore un outil plug-and-play mondial — c'est un pas solide vers l'un.

Les attaques ransomware ont doublé en deux ans : l'IA peut-elle combler le retard ?

2 593 attaques ransomware dans le monde en 2022. 5 289 en 2024. Et les logiciels de sécurité classiques commencent à décrocher.

C'est une thèse en cours — je vais être honnête là-dessus dès le départ — mais elle pointe un problème concret que les entreprises vivent aujourd'hui. Les systèmes EDR, ce sont les logiciels qui surveillent en permanence ce qui se passe sur les ordinateurs d'une organisation. Pour comprendre leur rôle, imaginez un gardien de sécurité posté à toutes les entrées d'un bâtiment. Plus le bâtiment s'agrandit — plus il y a d'appareils connectés, d'employés en télétravail, d'objets IoT comme des capteurs ou des caméras — plus il faudrait de gardiens. La plupart des entreprises n'ont ni le budget ni les équipes pour suivre. Les chiffres de cette thèse donnent le vertige : 2 593 attaques ransomware recensées en 2022, 5 289 en 2024, soit plus 100 % en deux ans. Un ransomware, c'est quand un logiciel malveillant chiffre vos données et exige une rançon pour les récupérer. Hôpitaux, collectivités, PME — personne n'est épargné. L'idée du chercheur : entraîner une IA sur des données représentant les modes d'attaque connus, pour automatiser la détection. Comme un chien entraîné à reconnaître une odeur spécifique parmi des milliers — il ne lit pas chaque alerte, il reconnaît un pattern. Le hic, et il est important : c'est une thèse en cours. Pas de résultats publiés, pas de benchmark contre les solutions existantes. L'idée est séduisante, mais on ne sait pas encore si l'IA sera plus fiable que les systèmes actuels. Et dans un EDR, un faux positif — une fausse alerte — a lui aussi un coût réel.

Un modèle de langage extrait 23 000 concepts de fermentation en lisant PubMed

Pain, bière, miso, kombucha : derrière chaque ferment, des milliers d'articles scientifiques éparpillés — et un modèle qui commence à les lire à votre place.

La fermentation est l'une des plus vieilles technologies humaines, mais la connaissance scientifique sur les microbes, les enzymes et les réactions chimiques impliquées est noyée dans des dizaines de milliers d'articles académiques. Biologie et chimie ne parlent pas tout à fait le même vocabulaire, ce qui complique encore la tâche. Une équipe de chercheurs a développé un système de reconnaissance automatique d'entités nommées — NER en anglais. En clair : apprendre à un modèle à surligner dans un texte tous les noms de micro-organismes, de composés chimiques, de substrats fermentables. Comme surligner un manuel avec un marqueur, mais à 23 000 entités d'un coup, sur 2 500 résumés d'articles. Le tour de passe-passe : pour contourner l'absence d'annotations expertes en quantité suffisante, l'équipe a utilisé GPT-4.1 pour annoter automatiquement ces résumés. C'est ce qu'on appelle une annotation « silver » — pas de l'or pur, parce que ce n'est pas un expert humain qui surligne, mais assez solide pour entraîner un modèle. Le score de concordance avec les experts : 60,3 % sur l'indice F1. Je simplifie, mais disons que c'est un « peut mieux faire mais c'est honnête ». Bonne nouvelle : le modèle entraîné sur des données biologiques reste plus performant. Mauvaise nouvelle : 60 % de concordance, ce n'est pas encore assez fiable pour des applications critiques en industrie alimentaire. Le hic : ce système est un outil de recherche, pas encore un assistant de laboratoire. Et on ne sait pas s'il fonctionnerait sans réentraînement dans d'autres domaines alimentaires — viande, laiterie, distillation — chacun avec ses propres mots.

Ce que ces trois papiers ont en commun, c'est une promesse commune de l'IA que personne ne formule assez clairement : faire plus avec moins, dans des domaines où les humains sont dépassés par le volume. Trop de neige à mesurer, trop d'alertes de sécurité à lire, trop d'articles scientifiques à dépouiller. Dans les trois cas, l'IA ne remplace pas l'expertise humaine — elle absorbe le flux brut pour que l'humain puisse se concentrer sur ce qui compte. C'est une position plus modeste que « l'IA va tout résoudre », mais elle est plus honnête. Ce qui frappe aussi, c'est la limite commune : ces systèmes fonctionnent bien dans leur zone d'entraînement, et moins bien dès qu'on les sort de chez eux. La montagne alpine n'est pas la montagne andine. L'attaque réseau de 2024 ne ressemble pas exactement à celle de 2026. Le vocabulaire de la bière n'est pas celui du fromage. La généralisation reste le vrai défi non résolu.

Côté cybersécurité, les prochains mois seront révélateurs : plusieurs éditeurs d'EDR annoncent des intégrations IA pour 2026 — les benchmarks indépendants manquent encore cruellement. Côté neige et hydrologie, la conférence EGU (European Geosciences Union) se tient fin avril à Vienne — c'est là que ce type de travaux passe souvent du labo au débat public. Question ouverte que j'aimerais voir répondue : est-ce qu'un modèle entraîné sur les Alpes peut vraiment fonctionner sur les Andes sans réentraînement complet ?

• Pour la Science — Dossier sur le deep learning et la météo
• ANSSI — Panorama de la menace informatique 2024 (ransomware)
• Wikipedia — Reconnaissance d'entités nommées (NER)