[ИАД, осень 2025] Foundation models for spatial-time series. Занятие 2

[ИАД, осень 2025] Foundation models for spatial-time series. Занятие 2

🎙 Machine Learning – Intelligent Systems 👥 8K 📅 19 septembre 2025 ⏱ 110 min 👁 168 📄 cours magistral 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

agentRAGmodèle de fondationsérie temporellePINN

Résumé

Ce cours de deuxième session sur les modèles de fondation pour les séries temporelles spatio-temporelles aborde la conception d’un système agentique pour automatiser la résolution de problèmes scientifiques. Les intervenants discutent de l’utilisation d’un agent basé sur un grand modèle de langage (LLM) pour interpréter des requêtes, sélectionner des modèles, et générer des notebooks. Ils comparent leur approche à un article récent de Google sur un agent de recherche, et intègrent des techniques comme le RAG (Retrieval-Augmented Generation) pour enrichir le contexte avec des connaissances spécialisées. La discussion porte également sur l’importance de combiner des modèles théoriques, numériques, neuronaux et statistiques, et sur la nécessité de respecter les conditions aux limites et initiales. Un exemple concret est présenté avec la résolution d’une équation différentielle par une méthode numérique classique (Euler) et par un réseau de neurones, soulignant la complémentarité des approches. Le cours se conclut sur la notion de physics-informed machine learning et sur l’importance de structurer les connaissances pour guider l’agent.

162 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : le cours fournit une synthèse actualisée des approches agentiques pour la modélisation scientifique, avec des références à des travaux récents (article Google) et des concepts fondamentaux (RAG, PINN). L’argumentation est solide, s’appuyant sur des exemples concrets et des discussions entre experts. Les intervenants justifient leurs choix par des considérations pratiques et théoriques, et répondent aux questions de manière approfondie. La démonstration sur la résolution d’équations différentielles illustre bien les enjeux de la hybridation des modèles.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les intervenants citent des sources académiques et des articles récents, et s’appuient sur des concepts établis. La qualité des sources est correcte, même si certaines références ne sont pas explicitement nommées. L’adéquation entre le titre et le contenu est bonne, le cours traitant bien des modèles de fondation pour les séries temporelles spatio-temporelles. Aucun commentaire n’est fourni, donc aucune analyse des tendances du public n’est possible.

169 mots

Adéquation titre / contenu

Le titre annonce une session sur les modèles de fondation pour les séries temporelles spatio-temporelles, et le contenu correspond bien, avec des discussions sur l'utilisation d'agents et de modèles physiques.

Qualité & fiabilité

7/10

Le contenu est un cours universitaire de niveau avancé, présenté par des experts, avec une approche théorique et pratique. Les concepts sont bien structurés et s'appuient sur des références académiques et des travaux récents. Cependant, la qualité de la transcription est moyenne, avec des hésitations et des phrases incomplètes, ce qui peut nuire à la clarté. La fiabilité est bonne mais non exhaustive.

Moments clés

Sources citées

  • Article Google sur les agents de recherche (mentionné) — Article récent (8 septembre) présentant un agent pour aider les chercheurs, avec une approche similaire à celle discutée.
  • Cours d'Adouenko sur les modèles — Référence à un cours mentionné pour la discussion sur les modèles et la mixture of experts.

Sources concordantes

  • Article Google sur les agents de recherche — L'article mentionné dans la vidéo présente une approche similaire, ce qui valide la direction proposée.

Apport & nouveautés

L’apport original de ce cours est de proposer une architecture concrète d’agent pour la modélisation de séries temporelles spatio-temporelles, intégrant le RAG et la sélection de modèles. Il met en lumière la nécessité de combiner des modèles théoriques, numériques et neuronaux, et d’utiliser des connaissances a priori pour guider l’agent. La discussion sur les conditions aux limites et le physics-informed learning est particulièrement pertinente.

Pour aller plus loin :

119 mots

Profil radar

Le profil radar montre un niveau technique élevé et une bonne quantité d'informations, mais une fiabilité moyenne due à la qualité de la transcription. La qualité de l'information est bonne, mais pourrait être améliorée par des références plus explicites.

Fiabilité 7/10