Pablo Piantanida
Biographie
Pablo Piantanida est professeur titulaire à CentraleSupélec | Université Paris-Saclay et directeur du Laboratoire international de recherche sur les systèmes d'apprentissage (ILLS) du CNRS, situé à l'ÉTS Montréal. Il est également professeur associé à l'Université McGill et à l'ÉTS Montréal.
Axe de recherche : Fondements mathématiques et de la théorie de l'information d'une intelligence fiable, adaptative et collaborative.
Domaines de recherche : Théorie de l'information, théorie de l'apprentissage automatique, sûreté et fiabilité de l'IA, théorie statistique de la décision, incertitude et évaluation, apprentissage de représentations, systèmes multi-agents, protection de la vie privée et traitement automatique du langage naturel (TALN).
Comment un système d'IA devrait-il décider quelle information apprendre ou acquérir, à quelles données probantes se fier, à quel moment communiquer et quand s'abstenir ? Pablo Piantanida explore ces questions au croisement de la théorie de l'information, de la statistique, de la théorie de la décision et de l'apprentissage automatique.
Ses travaux portent notamment sur la caractérisation des limites de communication dans l'inférence distribuée, où des agents prennent des décisions à partir d'informations partielles ; l'élaboration d'approches permettant de comparer les représentations en fonction des décisions qu'elles soutiennent ; ainsi que la conception de méthodes pour détecter les erreurs de prédiction et quantifier l'incertitude en classification et en régression. Il étudie également la manière d'auditer les systèmes d'IA avec des budgets de test restreints et le recours aux approches issues de la théorie de l'information pour les évaluer.
Son programme de recherche s'articule autour de trois grands axes : l'apprentissage, la représentation et le raisonnement ; l'incertitude, l'évaluation et la fiabilité ; ainsi que l'intelligence collaborative et agentique. À travers ces avenues, il cherche à déterminer à partir de quel seuil un ajout de données, de calcul ou d'interaction améliore suffisamment une décision pour en justifier le coût. Ces recherches offrent aux étudiantes et étudiants ainsi qu'aux partenaires industriels l'occasion de relier la théorie fondamentale au déploiement de systèmes d'IA fiables en contexte réel.