Neuf professeurs Mila au World Summit AI 2023

Cette année, Mila a été partenaire de la conférence World Summit AI à Montréal pour mettre en lumière le travail de nos chercheuses et chercheurs devant un public diversifié. Les 19 et 20 avril 2023, neuf de nos professeures et professeurs ont partagé leur expertise et leurs perspectives sur l’état actuel de la recherche en intelligence artificielle (IA) au Palais des congrès de Montréal.

Scène principale

Yoshua Bengio a donné le coup d’envoi du sommet en abordant ce qui manque à l’IA actuelle et de la manière dont nous pouvons combler l’écart. Il a expliqué que les systèmes d’IA actuels comme ChatGPT manquent d’éléments clés, notamment la capacité de raisonner ou de s’adapter à de nouvelles situations comme un être humain, et comment les travaux les plus récents de son laboratoire pourraient aider à élaborer de meilleurs modèles. Il a également appelé à une meilleure gouvernance de l’IA face à un progrès technologique sans précédent.

Le lendemain, Joëlle Pineau a parlé de l’émergence rapide des outils d’IA générative et de ses récents travaux visant à développer un système capable de construire une représentation flexible des objets (Segment Anything), qui pourrait être utilisé pour compter des cellules dans le domaine de l’imagerie méicale ou la distribution des arbres et des animaux dans un habitat donné. Elle a insisté sur la nécessité de maintenir la science ouverte pour le bénéfice de tous face à un écosystème d’innovation de plus en plus compétitif.

Mirco Ravanelli est revenu sur cette idée en présentant SpeechBrain, une boîte à outils open-source pour l’IA conversationnelle qui peut être utilisée pour un large éventail d’applications telles que la reconnaissance vocale, la modélisation du langage, la synthèse vocale et le dialogue. Il a souligné la nécessité de rendre la technologie plus accessible, d’empêcher la concentration du pouvoir dans un trop petit nombre de mains et de fournir des «recettes» permettant de reproduire des modèles à partir de zéro.

Aishwarya Agrawal a décrit ses travaux visant à faire progresser l’apprentissage multimodal de la vision et du langage. Elle a expliqué la nécessité de combiner la vision et le langage afin de renforcer les systèmes d’IA pour mieux imiter l’apprentissage humain et a présenté des outils récents capables de décrire et d’extraire du contexte à partir d’images..

Simon Lacoste-Julien a parlé de l’apprentissage par représentation causale et de l’importance de la modélisation des relations causales pour obtenir des modèles d’apprentissage automatique plus robustes. Il a présenté une méthode permettant d’apprendre automatiquement les variables de haut niveau (telles que la position des objets dans une image) et leurs relations causales, simplement à partir de données d’images et sans aucune supervision, ouvrant ainsi la voie aux robots pour comprendre leur environnement.

Conférences techniques approfondies

Golnoosh Farnadi a détaillé la voie à suivre pour développer des systèmes d’IA responsables. Elle a décrit les différents types de préjudices algorithmiques et la manière de garantir l’équité tout au long du processus de développement et de déploiement des modèles.

Tal Arbel a fait part des promesses de l’IA pour la médecine personnalisée basée sur les images médicales. Elle a insisté sur la nécessité de disposer de systèmes d’IA fiables pour les déploiements cliniques et s’est concentrée sur le contexte des maladies neurologiques.

Danilo Bzdok a donné un aperçu des paradigmes d’apprentissage automatique pour la prédiction d’un seul sujet. Il a détaillé ses travaux visant à affiner les modèles pré-entraînés à l’aide de rapports écrits pour leur permettre, par exemple, d’émuler l’intuition d’un clinicien pour prédire l’autisme chez de jeunes patients.

Dhanya Shridhar a parlé de ses travaux visant à tirer des conclusions causales à partir de textes grâce à l’apprentissage automatique. Elle a expliqué comment cela peut conduire à une meilleure prise de décision et a partagé des techniques pour tirer des conclusions causales à partir de textes, par exemple en étudiant les caractéristiques d’articles scientifiques, dont leurs titres, pour déterminer ce qui conditionne leur acceptation.