Marlos C. Machado
Fellow et président de l'AI de l'ICAR au Canada
Affiliations académiques
Affiliations dans l'industrie et la recherche
Domaines d'expertise
Fellow et président de l'AI de l'ICAR au Canada
Affiliations académiques
Affiliations dans l'industrie et la recherche
Domaines d'expertise
Marlos conçoit des algorithmes qui apprennent des abstractions pour améliorer l'attribution de crédits, la généralisation et l'exploration dans l'apprentissage par renforcement.
Dans le cadre de ses recherches, Marlos cherche à développer des méthodes d'apprentissage par renforcement qui peuvent être utilisées de manière significative dans des contextes réels. Il se concentre sur la conception d'algorithmes capables d'apprendre des abstractions qui permettent aux agents d'intelligence artificielle de s'attaquer aux trois problèmes fondamentaux de l'apprentissage par renforcement : la généralisation, l'exploration et l'attribution de crédits. Actuellement, il se concentre sur la conception d'algorithmes fondés sur la théorie qui abordent ces trois problèmes simultanément. Ses recherches comprennent un certain nombre de pistes différentes, notamment la conception de méthodes d'apprentissage par représentation adaptées aux problèmes d'apprentissage par renforcement, le développement d'agents d'IA capables de découvrir des comportements étendus dans le temps (appelés options) et la création de systèmes capables d'apprentissage continu. Marlos est également passionné par la reproductibilité et l'expérimentation appropriée dans l'apprentissage automatique, ayant dirigé plusieurs efforts sur ce sujet dans le passé.
Marlos est Fellow in Residence et Canada CIFAR AI Chair à l'Alberta Machine Intelligence Institute (Amii), et professeur adjoint à l'Université de l'Alberta. Les recherches de Marlos se concentrent principalement sur le problème de l'apprentissage par renforcement. Il a obtenu sa licence et sa maîtrise à l'UFMG, au Brésil, et son doctorat à l'université de l'Alberta, où il a popularisé l'idée de l'exploration prolongée dans le temps par le biais d'options. Il a été chercheur chez DeepMind de 2021 à 2023 et chez Google Brain de 2019 à 2021, période pendant laquelle il a apporté des contributions majeures à l'apprentissage par renforcement, en particulier l'application de l'apprentissage par renforcement profond pour contrôler les ballons stratosphériques de Loon.
Les travaux de Marlos ont été publiés dans les principales conférences et revues sur l'IA, notamment Nature, JMLR, JAIR, NeurIPS, ICML, ICLR et AAAI. Ses recherches ont également été présentées dans des médias populaires tels que la BBC, Bloomberg TV, The Verge et Wired.
1er décembre 2020
Poste de recherche
1er janvier 2018
Poste de recherche
6 juillet 2021
Poste de recherche
Les travaux de Marlos ont été publiés dans les principales conférences et revues d'apprentissage automatique, notamment Nature, JMLR, JAIR, NeurIPS, ICML et ICLR.
6 juillet 2022
Nouvelles
L'édition de juin 2022 du AI Meetup était consacrée aux ballons stratosphériques, avec Marlos C. Machado d'Amii.
13 juillet 2021
Nouvelles
Les travaux des chercheurs d'Amii seront présentés lors de la 38e conférence internationale annuelle sur l'apprentissage automatique (ICML), qui se déroule cette année en ligne du 18 au 24 juillet.
6 juillet 2021
Poste de recherche
Vous cherchez à renforcer les capacités en matière d'IA ? Vous avez besoin d'un conférencier pour votre événement ?
Participez à l'écosystème croissant de l'IA en Alberta ! Les demandes de conférenciers, de parrainage et de lettres de soutien sont les bienvenues.
