Carnet

Notes datées issues de nos travaux de recherche et développement.

Une bougie solitaire allumée dans une pièce obscure.
  1. Pourquoi SI et non AI : plaidoyer pour l’intelligence symbiotiqueLa plupart des entreprises technologiques fondées au cours de cette décennie mettent deux lettres dans leur pitch. Nous en avons mis deux autres dans notre nom. Que signifie l’intelligence symbiotique, et comment détermine-t-elle ce que nous faisons et pourquoi ?
  2. Ce qu’est vraiment une interface cerveau-machine : du signal EEG à la décisionNi lecture de pensées ni magie. Nous expliquons simplement et rigoureusement comment des microvolts mesurés sur le cuir chevelu deviennent une décision qu’une machine peut exécuter.
  3. Le principe X : comment nous abordons les problèmes qui semblent impossiblesLe X de notre nom signifie le refus du mot « impossible ». Non pas en ignorant les limites, mais en les transformant en questions. Les quatre étapes que nous suivons quand quelque chose ne fonctionne pas encore.
  4. Pourquoi je construis une interface cerveau-machine en TurquieLe parcours d’un fondateur, de Şanlıurfa aux avant-postes de la neurotechnologie : pourquoi la communication assistée doit aussi fonctionner en turc, ce qu’exige réellement l’entrepreneuriat sur un marché émergent et pourquoi 2025 a été un tournant.
  5. Réglementation et éthique de l’intelligence artificielleDe l’AI Act européen à la loi turque sur la protection des données, des tests de biais à l’explicabilité : l’état actuel de la réglementation de l’IA, un cadre pour développer l’IA de manière éthique et un guide pratique pour aider les entreprises à s’adapter aux nouvelles règles.
  6. IA et éthique : les responsabilités des data scientistsLes data scientists jouent un rôle clé à chaque étape d’un système d’IA, de la conception au déploiement. Cet article décrit leurs responsabilités éthiques en six thèmes, de la confidentialité et de l’équité à la transparence et à la durabilité.
  7. Python pour l’analyse de données : apprentissage automatique avec Scikit-LearnUne introduction pratique à l’apprentissage automatique avec Scikit-Learn : apprentissage supervisé et non supervisé, réglage des hyperparamètres, validation croisée, sélection de variables, interprétation des modèles, méthodes d’ensemble, métriques, pipelines et une étude de cas sur le jeu de données Iris.
  8. Python pour l’analyse de données : Matplotlib et visualisation de donnéesMatplotlib est l’une des bibliothèques de graphiques les plus utilisées en Python. Ce guide présente les courbes, les diagrammes en barres, les nuages de points, les histogrammes et les diagrammes circulaires, puis la personnalisation, les sous-graphiques, les graphiques logarithmiques et 3D, avec du code pour chacun.
  9. Analyse de données avec pandas : manipuler et visualiser les donnéesPandas est l’une des bibliothèques Python les plus utiles pour quiconque travaille avec des données. Ce guide passe en revue les DataFrames et les Series, le chargement, le nettoyage, la synthèse, le regroupement, les graphiques, les séries temporelles et la fusion, puis met le tout en pratique sur un jeu de données synthétiques.
  10. À la lumière de la Renaissance et de la sagesse des moines tibétainsUne note personnelle sur ma participation à la série Dejavus de NUWA NFTs : cinq mots (initiation, temps, spirituel, esprit, flux) devenus une œuvre de l’artiste IA Çağla Öztürk et une musique d’E. Buğra Balcı.
  11. Qu’est-ce qu’un jeu de données déséquilibré et comment le traiter ?Votre modèle affiche 99,9 % d’exactitude et laisse pourtant passer la fraude. Sur un jeu de données de fraude à la carte bancaire, nous montrons pourquoi les données déséquilibrées sont trompeuses, quelles métriques suivre et comment rééquilibrer par suréchantillonnage, SMOTE et sous-échantillonnage.

Flux RSS