L’intelligence artificielle est devenue une partie intégrante de la vie de nombreuses personnes. Vous l’avez très probablement déjà utilisée, que ce soit pour rédiger un e‑mail, planifier des vacances ou effectuer des recherches sur Internet. Dans bien des cas, il devient aujourd’hui difficile de s’en passer.
Mais au‑delà de ces usages « grand public », l’IA et les technologies qui lui sont associées se sont également imposées dans de nombreux domaines techniques, médicaux et scientifiques. Explorer ces applications de niche permet de mieux comprendre l’impact réel — présent et futur — de cette technologie sur nos vies, souvent de manière indirecte mais déterminante.
Médecine
Dans le domaine médical, l’IA a été intégrée très rapidement, notamment en radiologie. Des systèmes d’IA sont aujourd’hui capables de détecter des anomalies suspectes sur des images médicales, mais aussi de prédire les risques de développement de certaines maladies, comme le cancer, à partir de l’historique clinique et des dossiers patients.
Ces technologies montrent déjà des résultats concrets. À l’hôpital Saint Göran de Stockholm, l’introduction d’une IA analysant les mammographies a permis :
- une augmentation de 11,3 % du taux de détection des cancers du sein,
- ainsi qu’une réduction de 21,9 % des faux positifs.
(Source : RTS)
Un autre exemple marquant vient de l’Université McGill, où des chercheurs ont développé un modèle d’IA capable de détecter la propagation de cancers cérébraux métastatiques à partir d’IRM. Ce modèle permet d’identifier la présence de cellules cancéreuses dans les tissus autour du cerveau avec une précision de 85 %, et ce sans intervention chirurgicale.
Plus proche de nous, des recherches sont également menées à l’Université de Genève. Une IA y a été développée pour anticiper le risque de métastases et de récidives de certains cancers. Cette approche repose notamment sur l’analyse des expressions géniques, avec une précision annoncée d’environ 80 %. Source
Une initiative nationale suisse vise par ailleurs à intégrer l’IA à grande échelle dans le traitement du cancer, notamment via le développement de grands modèles de langage destinés à assister les oncologues dans l’analyse de vastes volumes de données patients. Source
Simulation de molécules
Vous n’en avez peut‑être jamais entendu parler, mais l’une des avancées les plus spectaculaires rendues possibles par l’IA concerne la biologie moléculaire, et plus précisément le repliement des protéines.
Les protéines sont de longues chaînes d’acides aminés, comparables à des colliers de perles. La manière dont ces chaînes se replient dans l’espace détermine directement leur fonction biologique. Par exemple, une protéine ayant la forme d’une « serrure » pourra se lier à une molécule spécifique — la « clé » — afin de déclencher une réaction chimique.
Le problème est que :
- une protéine mal repliée ne peut plus remplir sa fonction,
- et pire encore, certaines protéines mal repliées peuvent s’agréger et devenir toxiques pour l’organisme.
C’est précisément ce mécanisme qui est impliqué dans des maladies graves comme Alzheimer, Parkinson ou encore la mucoviscidose. Comprendre le repliement des protéines, c’est donc ouvrir la voie à de nouveaux traitements.
Or, prédire mathématiquement le repliement d’une protéine est un problème d’une complexité extrême. Une seule protéine peut adopter un nombre astronomique de configurations possibles, rendant toute approche brute totalement irréaliste. Jusqu’à récemment, les scientifiques devaient s’appuyer sur des méthodes expérimentales longues et coûteuses.
Grâce au deep learning, entraîné sur d’immenses bases de données de structures protéiques connues, il a été possible de créer des modèles capables d’identifier des règles de repliement invisibles à l’œil humain.
L’exemple le plus emblématique est AlphaFold, un projet développé par DeepMind (Google), qui a profondément transformé la biologie structurale en permettant de prédire la structure de millions de protéines avec une précision remarquable.
Ingénierie – CAO
Dans le domaine de l’ingénierie et de la conception assistée par ordinateur (CAO), l’IA bouleverse également les méthodes traditionnelles grâce à la conception générative (generative design).
Historiquement, un ingénieur dessinait manuellement chaque pièce, en s’appuyant sur son expérience et son intuition. Aujourd’hui, le processus est inversé : l’ingénieur décrit le problème, et l’IA propose les solutions.
Concrètement, l’ingénieur définit :
- le poids maximal,
- les contraintes mécaniques,
- les points de fixation,
- les matériaux autorisés.
L’algorithme explore alors des milliers de géométries possibles et conserve uniquement celles qui respectent les lois de la physique. La matière est ajoutée là où elle est nécessaire à la solidité, et supprimée ailleurs.
Les résultats sont souvent surprenants : les pièces générées ont des formes organiques, évoquant des os ou des structures naturelles. Mais surtout, elles sont plus légères, plus résistantes et plus efficaces que leurs équivalents conçus manuellement.
La NASA utilise par exemple la conception générative dans son projet Evolved Structures pour créer des composants de télescopes et de sondes spatiales. Ces pièces permettent de réduire le poids de près des deux tiers tout en résistant à des contraintes extrêmes, et le temps de développement est passé de plusieurs mois à quelques jours.
L’industrie automobile adopte également ces méthodes. Toyota, par exemple, a utilisé la conception générative pour repenser l’armature de ses sièges. Résultat : une structure plus fine, plus légère, réduisant le poids total du véhicule tout en améliorant l’espace et le confort des passagers.
(https://www.autodesk.com/fr/design-make/articles/generative-design-seat-frame).
