Search

Comment approfondir notre compréhension de l’intelligence et construire des machines intelligentes?

Apprentissage automatique, apprentissage biologiques

Aperçu

L’intelligence artificielle a mené à la création d’une industrie mondiale dont l’impact se fait sentir dans tous les secteurs d’activité imaginables — de l’amélioration de la sécurité de nos services bancaires à des innovations en agriculture, en éducation, en application de la loi, en soins de santé, en exploration spatiale et en service à la clientèle.

Le programme Apprentissage automatique, apprentissage biologique a joué un rôle majeur dans cette révolution grâce à des recherches visant à élucider comment les réseaux neuronaux artificiels pouvaient s’inspirer du cerveau humain et à la mise au point d’une technique puissante, l’apprentissage profond.

Aujourd’hui, le programme rehausse notre compréhension des principes informatiques et mathématiques fondamentaux qui donnent lieu à l’intelligence par l’entremise de l’apprentissage, que ce soit dans le cerveau ou dans une machine.

Les systèmes d’IA actuels ont une compréhension limitée du monde qui nous entoure. Ce programme s’attaque à ces limites en revisitant des questions fondamentales plutôt qu’en mettant l’accent sur des progrès technologiques à court terme. Cette méthode fondamentale offre le double avantage d’améliorer la conception technique des machines intelligentes et d’approfondir notre compréhension de l’intelligence.

Renseignements destinés aux candidats du programme des Chercheurs mondiaux CIFAR-Azrieli

L’apprentissage profond – un sous-ensemble de l’apprentissage automatique – est une orientation de recherche principale à la base de ce programme où les chercheurs étudient des algorithmes inspirés par le cerveau qui permettent aux machines de recueillir des connaissances à partir de grandes quantités de données et de découvrir de multiples niveaux de représentation de ces données. Ces dernières années, les méthodes d’apprentissage profond ont révolutionné la recherche en intelligence artificielle (IA), ainsi que son développement industriel. Le programme Apprentissage automatique, apprentissage biologique souhaite particulièrement mettre au point des méthodes d’apprentissage profond qui interagissent activement avec leur environnement. De telles méthodes accroîtront d’autant plus l’impact des systèmes d’apprentissage profond, car elles leur permettront d’interagir directement avec les gens (par ex., adjoints personnels) et avec les choses (par ex., robotique). L’action et l’interaction sont nécessaires pour que les systèmes intelligents acquièrent des modèles du monde qui offrent une représentation pertinente et applicable du monde, et qui permettent le raisonnement, la planification et la réalisation de prédictions. En conséquence, il s’agit de modèles du monde qui constituent une étape essentielle vers le développement de l’IA au-delà des succès récents en perception automatique. Les boursiers et chercheurs du programme mettront l’accent sur la mise au point de procédures d’apprentissage pour les agents et de nouvelles formes d’apprentissage actif non supervisé. De plus, ils chercheront à faire passer l’apprentissage profond d’un faible niveau de perception et d’action à un niveau plus élevé de compétences cognitives et linguistiques, un objectif qui était au cœur des visées de l’IA symbolique classique. En outre, l’inférence causale dans divers domaines, comme l’informatique, les statistiques et l’économie, constitue un nouvel axe de recherche pertinent au sein du programme.

ARTICLES NOTABLES

Hinton, G. E., S. Osindero et Y. Teh. « A fast learning algorithm for deep belief nets », Neural Computation, 18, (2006) : 1527-1554. PDF

Bengio, Y., P. Lamblin, D. Popovici et H. Larochelle, « Greedy Layer-Wise Training of Deep Networks », Neural Information Processing Systems Proceedings (2006). PDF

Salakhutdinov, R. et G. Hinton. « Learning a Nonlinear Embedding by Preserving Class Neighbourhood Structure », Proceedings of the Eleventh International Conference on Artificial Intelligence and Statistics (2007) : 412-419. PDF

Graves, A., A. Mohamed et G.E. Hinton. « Speech Recognition with Deep Recurrent Neural Networks », 39th International Conference on Acoustics, Speech and Signal Processing, Vancouver (2013). PDF

LeCun, Y., Y. Bengio et G. Hinton. « Deep Learning », Nature, 521 (2015)  : 436–444. Résumé

Contactez la directrice principale du programme, Kate Geddie

Fondation : 2004


Membres : 38


Dates de renouvellement : 2008, 2014, 2019


Bienfaiteurs :
Bristol Gate Capital Partners, Facebook, Fondation Alfred P. Sloan, Céline and Jacques Lamarre


Partenaires de recherche :
Brain Canada Foundation through the Canada Brain Research Fund, Inria


Disciplines :
Informatique, y compris intelligence artificielle et apprentissage automatique; neuroscience; bioinformatique et biologie computationnel


Prochaine réunion du programme : décembre 2019


Contact: Rachel Parker

Les boursiers et les conseillers du programme

Directeurs de programme

Yoshua Bengio
Codirecteur du programme

Yoshua Bengio travaille en informatique, plus particulièrement en intelligence artificielle (apprentissage automatique).

Yann LeCun
Codirecteur du programme

Parmi les intérêts de recherche de Yann LeCun, informaticien, notons les modèles computationnels et biologiques de l’apprentissage et de la perception.

Boursiers

Marc G. Bellemare

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université McGill
  • Google Brian
  • Canada

Léon Bottou

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université de New York
  • Facebook AI Research
  • France

Chelsea Finn

  • Boursière
  • Apprentissage automatique, apprentissage biologique
  • Université Stanford
  • États Unis

Kyunghyun Cho

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de New York
  • États Unis

Aaron Courville

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université de Montréal
  • Canada

Emmanuel Dupoux

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • School for Advanced Studies in the Social Sciences (EHESS)

Rob Fergus

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de New York
  • États Unis

Nando de Freitas

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université d'Oxford
  • Royaume-Uni

Alona Fyshe

  • Boursière
  • Apprentissage automatique, apprentissage biologique
  • Université de l'Alberta
  • Canada

Surya Ganguli

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université Stanford
  • États Unis

Aapo Johannes Hyvärinen

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • University College London
  • Finlande

Konrad Kording

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université de la Pennsylvanie
  • États Unis

Simon Lacoste-Julien

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de Montréal
  • Canada

Hugo Larochelle

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de Montréal
  • Google Brian
  • Canada

Christopher Manning

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université Stanford
  • États Unis

Doina Precup

  • Boursière
  • Apprentissage automatique, apprentissage biologique
  • Université McGill
  • Canada

Blake Richards

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université McGill
  • Canada

Bernhard Schölkopf

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • ETH Zurich
  • Institut Max-Planck sur les systèmes intelligents
  • Allemagne

Richard Sutton

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de l'Alberta
  • Canada

Raquel Urtasun

  • Boursière
  • Apprentissage automatique, apprentissage biologique
  • Université de Toronto
  • Uber ATG

Pascal Vincent

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de Montréal
  • Canada

Max Welling

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université d’Amsterdam
  • Les Pays-Bas

Richard Zemel

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de Toronto
  • Canada

Joel Zylberberg

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université York
  • Canada

Conseillers

Pieter Abbeel

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Université de la Californie à Berkeley
  • États Unis

Raia Hadsell

  • Conseillère
  • Apprentissage automatique, apprentissage biologique

Joelle Pineau

  • Conseillère
  • Apprentissage automatique, apprentissage biologique
  • Université McGill
  • Canada

Terrence J. Sejnowski

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Institut Salk d'études biologiques
  • États Unis

Sebastian Seung

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Université de Princeton
  • États Unis

Christopher K. I. Williams

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Université d'Édimbourg
  • Royaume-Uni

Chercheurs mondiaux CIFAR-Azrieli

Kyunghyun Cho

  • Chercheurs mondiaux CIFAR-Azrieli 2017-2019
  • Apprentissage automatique, apprentissage biologique
  • Université de New York
  • États Unis

Joel Zylberberg

  • Chercheurs mondiaux CIFAR-Azrieli 2016-2018
  • Apprentissage automatique, apprentissage biologique
  • Université York
  • Canada

Nouvelles