Amii à ICML 2020 : 17 articles acceptés à la première conférence ML

Amii est fier de présenter les travaux de ses chercheurs à la 37e conférence internationale sur l'apprentissage automatique(ICML). Amii soutient la recherche de pointe dans le domaine de l'IA et traduit les progrès scientifiques en adoption par l'industrie.

Ces recherches seront présentées à l'ICML, qui se déroule cette année en ligne du 12 au 18 juillet. L'ICML est réputée dans le monde entier pour la présentation et la publication de travaux de recherche de pointe sur tous les aspects de l'apprentissage automatique, et c'est l'une des conférences sur l'IA dont la croissance est la plus rapide au monde. Selon Synced, la prestigieuse conférence a un taux d'acceptation de 21,8 %, avec un total de 1 088 articles sur 4 990 soumissions.

Les articles acceptés des chercheurs d'Amii couvrent un large éventail de sujets, notamment la manière de repenser le paradigme de l'optimisation des applications RL, les algorithmes RL profonds hors politique et la réduction de la variance dans les jeux de forme extensive.

Les boursiers Amii et les chercheurs - professeurs et étudiants diplômés de l'Université de l'Alberta et de l'Université de la Colombie-Britannique - présentent leurs articles aux participants à la conférence tout au long de la semaine :

Mardi 14 juillet

• 8 - 8h45 & 19h - 19h45 MDT: Optimisation pour le futur dans les MDP non stationnaires; Yash Chandak, Georgios Theocharous, Shiv Shankar, Martha WhiteSridhar Mahadevan, Philip Thomas
  La plupart des méthodes d'apprentissage par renforcement sont basées sur l'hypothèse clé que la dynamique de transition et les fonctions de récompense sont fixes, c'est-à-dire que le processus de décision de Markov (PDM) sous-jacent est stationnaire. Cependant, dans de nombreuses applications pratiques du monde réel, cette hypothèse est clairement violée. Nous discutons comment les méthodes actuelles peuvent avoir des limitations inhérentes pour les MDP non stationnaires, et donc la recherche d'une politique qui est bonne pour le futur, MDP inconnu, exige de repenser le paradigme d'optimisation. Pour résoudre ce problème, nous développons une méthode qui s'appuie sur les idées du raisonnement contre-factuel et de l'ajustement de courbe pour rechercher de manière proactive une bonne politique future, sans jamais modéliser la non-stationnarité sous-jacente. L'efficacité de la méthode proposée est démontrée sur des problèmes motivés par des applications du monde réel.
  
• 10 h - 10 h 45 et 9 h - 21 h 45 MDT : Modélisation générative profonde évolutive pour les graphes épars.; Hanjun Dai, Azade Nazi, Yujia Li, Bo Dai, Dale Schuurmans
  L'apprentissage de modèles génératifs de graphes est une tâche difficile pour l'apprentissage profond et a une large applicabilité à une série de domaines comme la chimie, la biologie et les sciences sociales. Cependant, les méthodes neuronales profondes actuelles souffrent d'une évolutivité limitée : pour un graphe comportant n nœuds et m arêtes, les méthodes neuronales profondes existantes nécessitent une complexité de l'ordre de `Omega(n^2) pour construire la matrice d'adjacence. D'autre part, de nombreux graphes du monde réel sont en fait peu denses dans le sens où m est égal à n^2. Sur cette base, nous développons un nouveau modèle autorégressif, appelé BiGG, qui utilise cette rareté pour éviter de générer la matrice d'adjacence complète, et réduit de manière importante la complexité du temps de génération du graphe à O((n + m)\log n). De plus, pendant l'apprentissage, ce modèle autorégressif peut être parallélisé avec O(\log n) étapes de synchronisation, ce qui le rend beaucoup plus efficace que les autres modèles autorégressifs qui nécessitent \Omega(n). Les expériences sur plusieurs benchmarks montrent que l'approche proposée non seulement s'adapte à des graphes plus grands que ce qui était possible auparavant avec les modèles générateurs de graphes autorégressifs profonds, mais qu'elle permet également de générer des graphes de meilleure qualité.
  
• 10 – 10:45 a.m. & 10 – 10:45 p.m. MDT: Fiduciary Bandits; Gal Bahar, Omer Ben-Porat, Kevin Leyton-Brown, Moshe Tennenholtz
  Recommendation systems often face exploration-exploitation tradeoffs: the system can only learn about the desirability of new options by recommending them to some user. Such systems can thus be modeled as multi-armed bandit settings; however, users are self-interested and cannot be made to follow recommendations. We ask whether exploration can nevertheless be performed in a way that scrupulously respects agents’ interests—i.e., by a system that acts as a \emph{fiduciary}. More formally, we introduce a model in which a recommendation system faces an exploration-exploitation tradeoff under the constraint that it can never recommend any action that it knows yields lower reward in expectation than an agent would achieve if it acted alone. Our main contribution is a positive result: an asymptotically optimal, incentive compatible, and \emph{ex-ante} individually rational recommendation algorithm.
  
• 11 h - 11 h 45 & (mercredi 15 juillet) 12 h - 12 h 45 MDT : Planification sélective de type Dyna sous une capacité de modèle limitée; Zaheer SM, Samuel Sokota, Erin Talvitie, Martha White
  Dans l'apprentissage par renforcement basé sur un modèle, la planification avec un modèle imparfait de l'environnement a le potentiel de nuire à la progression de l'apprentissage. Mais même lorsqu'un modèle est imparfait, il peut encore contenir des informations utiles à la planification. Dans cet article, nous étudions l'idée d'utiliser un modèle imparfait de manière sélective. L'agent doit planifier dans les parties de l'espace d'état où le modèle serait utile, mais s'abstenir d'utiliser le modèle là où il serait nuisible. Un mécanisme de planification sélective efficace nécessite l'estimation de l'incertitude prédictive, qui découle de l'incertitude aléatoire et de l'incertitude épistémique. Les travaux antérieurs se sont concentrés sur l'incertitude des paramètres, un type particulier d'incertitude épistémique, pour la planification sélective. Dans ce travail, nous soulignons l'importance de l'incertitude structurelle, un type distinct d'incertitude épistémique qui signale les erreurs dues à une capacité limitée ou à une classe de modèle mal spécifiée. Nous montrons que la régression hétéroscédastique, sous une hypothèse gaussienne isotrope, peut signaler l'incertitude structurelle qui est complémentaire à celle détectée par les méthodes conçues pour détecter l'incertitude des paramètres, ce qui indique que la prise en compte à la fois de l'incertitude des paramètres et de l'incertitude structurelle peut être une direction plus prometteuse pour une planification sélective efficace que l'une ou l'autre prise isolément.
  
• 11 h - 11 h 45 et (mercredi 15 juillet) 12 h - 12 h 45. MDT : Une approche plus simple de l'optimisation accélérée : la moyenne itérative rencontre l'optimisme.; Pooria Joulani, Anant Raj, András György, Csaba Szepesvári
  Récemment, plusieurs tentatives ont été faites pour étendre l'algorithme accéléré de Nesterov à l'optimisation stochastique lisse et à variance réduite. Dans cet article, nous montrons qu'il existe une approche plus simple de l'accélération : appliquer des algorithmes d'apprentissage en ligne optimistes et interroger l'oracle du gradient à la moyenne en ligne des itérations d'optimisation intermédiaires. En particulier, nous resserrons un résultat récent de Cutkosky (2019) pour démontrer théoriquement que la moyenne en ligne des itérations entraîne un écart d'optimisation réduit, indépendamment de l'algorithme impliqué. Nous montrons qu'en combinant soigneusement cette technique avec des algorithmes d'apprentissage en ligne optimistes génériques existants, on obtient les taux d'accélération optimaux pour l'optimisation d'objectifs fortement convexes et non fortement convexes, éventuellement composites, avec des oracles de premier ordre déterministes et stochastiques. Nous étendons ensuite cette idée à l'optimisation à variance réduite. Enfin, nous fournissons également des algorithmes " universels " qui atteignent le taux optimal pour les objectifs composites lisses et non lisses simultanément sans réglage supplémentaire, généralisant les résultats de Kavis et al. (2019) et résolvant un certain nombre de leurs problèmes ouverts.
  
• 14 h - 14 h 45 & (mercredi 15 juillet) 3 - 3 h 45 MDT : Apprendre avec de bonnes représentations de caractéristiques dans les bandits et dans le RL avec un modèle génératif.; Gellért Weisz, Tor Lattimore, Csaba Szepesvári
  La construction dans le récent article de Du et al. [2019] implique que la recherche d'une action quasi-optimale dans un bandit nécessite parfois d'examiner essentiellement toutes les actions, même si l'apprenant reçoit des caractéristiques linéaires dans R^d qui approchent les récompenses avec une petite erreur uniforme. Nous utilisons le théorème de Kiefer-Wolfowitz pour prouver un résultat positif selon lequel en vérifiant seulement quelques actions, un apprenant peut toujours trouver une action sous-optimale avec une erreur d'au plus O(ε√d) où ε est l'erreur d'approximation des caractéristiques. Ainsi, les caractéristiques sont utiles lorsque l'erreur d'approximation est faible par rapport à la dimensionnalité des caractéristiques. L'idée est appliquée aux bandits stochastiques et à l'apprentissage par renforcement avec un modèle génératif où l'apprenant a accès à des caractéristiques linéaires à d dimensions qui approximent les fonctions action-valeur pour toutes les politiques avec une précision de ε. Pour les bandits linéaires, nous prouvons une limite sur le regret d'ordre d√(n log(k)) + εn√d log(n) avec k le nombre d'actions et n l'horizon. Pour RL, nous montrons que l'itération approximative de la politique peut apprendre une politique qui est optimale jusqu'à une erreur additive d'ordre ε√d/(1 - γ)^2 et en utilisant environ d/(ε^2(1 - γ)^4) échantillons du modèle génératif. Ces limites sont indépendantes des détails plus fins des caractéristiques. Nous étudions également l'impact de la structure de l'ensemble des caractéristiques sur le compromis entre la complexité de l'échantillon et l'erreur d'estimation.

Mercredi 15 juillet

• 6h - 6h45 et 17h - 17h45 MDT : Une perspective optimiste sur l'apprentissage par renforcement profond hors ligne; Rishabh Agarwal, Dale Schuurmans, Mohammad Norouzi
  L'apprentissage par renforcement (RL) hors ligne utilisant un ensemble fixe de données hors ligne d'interactions enregistrées est une considération importante dans les applications du monde réel. Cet article étudie l'apprentissage par renforcement hors ligne à l'aide de l'ensemble de données de relecture DQN comprenant l'expérience de relecture complète d'un agent DQN sur 60 jeux Atari 2600. Nous démontrons que les algorithmes récents de RL profond hors politique, même lorsqu'ils sont entraînés uniquement sur ce jeu de données fixe, surpassent l'agent DQN entièrement entraîné. Afin d'améliorer la généralisation dans le cadre hors ligne, nous présentons Random Ensemble Mixture (REM), un algorithme robuste d'apprentissage de la qualité qui applique la cohérence optimale de Bellman sur des combinaisons convexes aléatoires de plusieurs estimations de la valeur de la qualité. Le REM hors ligne entraîné sur l'ensemble de données de relecture DQN surpasse les bases solides de RL. Les études d'ablation soulignent le rôle de la taille et de la diversité de l'ensemble de données hors ligne ainsi que du choix de l'algorithme dans nos résultats positifs. Dans l'ensemble, les résultats obtenus ici présentent une vision optimiste selon laquelle les algorithmes robustes de RL entraînés sur des ensembles de données hors ligne suffisamment grands et diversifiés peuvent conduire à des politiques de haute qualité. L'ensemble de données de relecture DQN peut servir de référence en matière de RL hors ligne et est en source ouverte.
  
• 11 – 11:45 a.m. & 10 – 10:45 p.m. MDT: Batch Stationary Distribution Estimation; Junfeng Wen, Bo Dai, Lihong Li, Dale Schuurmans
  We consider the problem of approximating the stationary distribution of an ergodic Markov chain given a set of sampled transitions. Classical simulation-based approaches assume access to the underlying process so that trajectories of sufficient length can be gathered to approximate stationary sampling. Instead, we consider an alternative setting where a \emph{fixed} set of transitions has been collected beforehand, by a separate, possibly unknown procedure. The goal is still to estimate properties of the stationary distribution, but without additional access to the underlying system. We propose a consistent estimator that is based on recovering a correction ratio function over the given data. In particular, we develop a variational power method (VPM) that provides provably consistent estimates under general conditions. In addition to unifying a number of existing approaches from different subfields, we also find that VPM yields significantly better estimates across a range of problems, including queueing, stochastic differential equations, post-processing MCMC, and off-policy evaluation.
  
• 11 h - 11 h 45 et 10 h - 10 h 45 MDT : Manipulation de la contrainte positive-définie dans la règle d'apprentissage bayésienne.; Wu Lin, Mark SchmidtMohammad Emtiyaz Khan
  La règle d'apprentissage bayésienne est une méthode d'inférence variationnelle récemment proposée, qui non seulement contient de nombreux algorithmes d'apprentissage existants en tant que cas particuliers, mais permet également la conception de nouveaux algorithmes. Malheureusement, lorsque les paramètres postérieurs se trouvent dans un ensemble de contraintes ouvert, la règle peut ne pas satisfaire les contraintes et nécessiter des recherches de lignes qui pourraient ralentir l'algorithme. Dans cet article, nous résolvons ce problème pour la contrainte positive-définie en proposant une règle améliorée qui gère naturellement la contrainte. Notre modification est obtenue à l'aide de méthodes de gradient riemannien, et est valable lorsque l'approximation atteint une paramétrisation naturelle en coordonnées de bloc (par exemple, les distributions gaussiennes et leurs mélanges). Notre méthode est plus performante que les méthodes existantes sans augmentation significative du nombre de calculs. Notre travail facilite l'application de la règle d'apprentissage en présence de contraintes positives-définies dans les espaces de paramètres.
  
• 10 h - 10 h 45 et 10 h - 10 h 45 MDT : Lignes de base à faible variance et à variance nulle pour les jeux de forme extensive.; Trevor Davis, Martin Schmid, Michael Bowling
  Les jeux de forme extensive (EFG) sont un modèle courant d'interactions multi-agents avec des informations imparfaites. Les algorithmes de pointe pour résoudre ces jeux effectuent généralement des marches complètes de l'arbre de jeu, ce qui peut s'avérer excessivement lent pour les jeux de grande taille. Les méthodes basées sur l'échantillonnage, telles que la minimisation des regrets contrefactuels de Monte Carlo, effectuent une ou plusieurs trajectoires à travers l'arbre, ne touchant qu'une fraction des nœuds à chaque itération, au prix d'un plus grand nombre d'itérations nécessaires pour converger en raison de la variance des valeurs échantillonnées. Dans cet article, nous étendons les travaux récents qui utilisent les estimations de base pour réduire cette variance. Nous introduisons un cadre de valeurs corrigées par la ligne de base dans les EFG qui généralise les travaux précédents. Dans ce cadre, nous proposons de nouvelles fonctions de base qui permettent de réduire considérablement la variance par rapport aux techniques existantes. Nous montrons qu'un choix particulier d'une telle fonction - la ligne de base prédictive - est manifestement optimal dans certains schémas d'échantillonnage. Cela permet de calculer efficacement des estimations de valeur à variance nulle, même le long de trajectoires échantillonnées.

Jeudi 16 juillet

• 8 – 8:45 a.m. & 8 – 8:45 p.m. MDT: Model-Based Reinforcement Learning with Value-Targeted Regression; Zeyu Jia, Lin Yang, Csaba Szepesvári, Mengdi Wang, Alex Ayoub
  Reinforcement learning (RL) applies to control problems with large state and action spaces, hence it is natural to consider RL with a parametric model. In this paper we focus on finite-horizon episodic RL where the transition model admits a nonlinear parametrization P_{\theta}, a special case of which is the linear parameterization: P_{\theta} = \sum_{i=1}^{d} (\theta)_{i}P_{i}. We propose an upper confidence model-based RL algorithm with value-targeted model parameter estimation. The algorithm updates the estimate of \theta by solving a nonlinear regression problem using the latest value estimate as the target. We demonstrate the efficiency of our algorithm by proving its expected regret bound which, in the special case of linear parameterization takes the form \tilde{\mathcal{O}}(d\sqrt{H^{3}T}), where H, T, d are the horizon, total number of steps and dimension of \theta. This regret bound is independent of the total number of states or actions, and is close to a lower bound \Omega(\sqrt{HdT}). In the general nonlinear case, we handle the regret analysis by using the concept of Eluder dimension proposed by \citet{RuVR14}.
  
• 8h - 8h45 & 19h - 19h45 MDT : ConQUR : Atténuation du biais d'illusion dans l'apprentissage profond de la Q.; DiJia Su, Jayden Ooi, Tyler Lu, Dale SchuurmansCraig Boutilier
  Le biais de délire est une source fondamentale d'erreur dans l'apprentissage Q approximatif. À ce jour, les seules techniques qui traitent explicitement le délire nécessitent une recherche exhaustive à l'aide d'estimations de valeurs tabulaires. Dans cet article, nous développons des méthodes efficaces pour atténuer le biais d'illusion en formant des approximateurs Q avec des étiquettes qui sont "cohérentes" avec la classe de politique avide sous-jacente. Nous introduisons un schéma de pénalisation simple qui encourage les étiquettes Q utilisées dans les lots d'entraînement à rester (conjointement) cohérentes avec la classe de politiques exprimables. Nous proposons également un cadre de recherche qui permet de générer et de suivre plusieurs approximateurs de Q, ce qui atténue l'effet des engagements prématurés (implicites) de politique. Les résultats expérimentaux démontrent que ces méthodes peuvent améliorer les performances de l'apprentissage Q dans une variété de jeux Atari, parfois de façon spectaculaire.
  
• 8 h - 8 h 45 et 19 h - 19 h 45. MDT : Plus large, plus étroit : Formation efficace de réseaux minces et profonds; Denny Zhou, Mao Ye, Chen Chen, Mingxing Tan, Tianjian Meng, Xiaodan Song, Quoc Le, Qiang Liu, Dale Schuurmans
  Nous proposons un algorithme efficace pour entraîner un réseau très profond et fin avec une garantie théorique. Notre méthode est motivée par la compression de modèle, et consiste en trois étapes. Dans la première étape, nous élargissons le réseau fin et profond et l'entraînons jusqu'à convergence. Dans la deuxième étape, nous utilisons ce réseau large profond bien entraîné pour réchauffer ou initialiser le réseau fin profond original. Dans la dernière étape, nous entraînons ce réseau fin profond bien initialisé jusqu'à convergence. L'ingrédient clé de notre méthode est sa deuxième étape, dans laquelle le réseau fin est progressivement réchauffé en imitant les sorties intermédiaires du réseau large de bas en haut. Nous établissons une garantie théorique en utilisant l'analyse du champ moyen. Nous montrons que notre méthode est manifestement plus efficace que la formation directe d'un réseau mince profond à partir de zéro. Nous effectuons également des évaluations empiriques sur la classification d'images et la modélisation du langage. En s'entraînant avec notre approche, ResNet50 peut surpasser ResNet101 qui est normalement entraîné comme dans la littérature, et BERTBASE peut être comparable à BERTLARGE.
  
• 9 h - 9 h 45 et 20 h - 20 h 45 MDT : Apprentissage par gradient de la différence temporelle avec corrections régularisées; Sina Ghiassian, Andrew Patterson, Shivam Garg, Dhawal Gutpa, Adam White, Martha White
  L'apprentissage de la fonction de valeur reste une composante essentielle de nombreux systèmes d'apprentissage par renforcement. De nombreux algorithmes sont basés sur des mises à jour par différence temporelle (TD), qui présentent des problèmes de divergence bien documentés, même s'il existe des alternatives potentiellement valables comme la TD de gradient. Les approches non fondées comme l'apprentissage Q et la DT restent populaires parce que la divergence semble rare dans la pratique et que ces algorithmes donnent généralement de bons résultats. Cependant, des travaux récents sur de grands systèmes d'apprentissage par réseaux neuronaux révèlent que l'instabilité est plus fréquente qu'on ne le pensait. Les praticiens sont confrontés à un dilemme difficile : choisir une méthode de TD facile à utiliser et performante, ou un algorithme plus complexe qui est plus solide mais plus difficile à régler, moins efficace en termes d'échantillonnage, et dont le contrôle est sous-exploré. Dans cet article, nous présentons une nouvelle méthode appelée TD avec corrections régularisées (TDRC), qui tente d'équilibrer la facilité d'utilisation, la solidité et les performances. Elle se comporte aussi bien que la TD, lorsque celle-ci est performante, mais elle est saine même dans les cas où la TD diverge. Nous caractérisons la mise à jour attendue pour TDRC, et montrons qu'elle hérite des garanties de solidité de TD Gradient, et converge vers la même solution que TD. Empiriquement, TDRC présente de bonnes performances et une faible sensibilité aux paramètres pour plusieurs problèmes.
  
• 9 h - 9 h 45 et 20 h - 20 h 45 MDT : Réseaux d'agrégation de domaines pour l'adaptation de domaines multi-sources; Junfeng Wen, Russell Greiner, Dale Schuurmans
  Dans de nombreuses applications du monde réel, nous voulons exploiter plusieurs ensembles de données sources pour construire un modèle pour un ensemble de données cible différent mais apparenté. Malgré les succès empiriques récents, la plupart des recherches existantes ont utilisé des méthodes ad-hoc pour combiner des sources multiples, ce qui a conduit à un écart entre la théorie et la pratique. Dans cet article, nous développons une limite de généralisation à échantillon fini basée sur la divergence de domaine et proposons en conséquence une procédure d'optimisation justifiée sur le plan théorique. Notre algorithme, Domain AggRegation Network (DARN), peut automatiquement et dynamiquement trouver un équilibre entre l'inclusion de plus de données pour augmenter la taille effective de l'échantillon et l'exclusion des données non pertinentes pour éviter les effets négatifs pendant la formation. Nous constatons que DARN peut surpasser de manière significative les solutions de pointe dans de nombreuses tâches du monde réel, notamment la reconnaissance de chiffres et d'objets et l'analyse de sentiments.
  
• 10 – 10:45 a.m. & 9 – 9:45 p.m. MDT: On the Global Convergence Rates of Softmax Policy Gradient Methods; Jincheng Mei, Chenjun Xiao, Csaba Szepesvári, Dale Schuurmans
  We make three contributions toward better understanding policy gradient methods. First, we show that with the true gradient, policy gradient with a softmax parametrization converges at a O(1/t) rate, with constants depending on the problem and initialization. This result significantly improves recent asymptotic convergence results. The analysis relies on two findings: that the softmax policy gradient satisfies a \L{}ojasiewicz inequality, and the minimum probability of an optimal action during optimization can be bounded in terms of its initial value. Second, we analyze entropy regularized policy gradient and show that in the one state (bandit) case it enjoys a linear convergence rate O(e^{-t}), while for general MDPs we prove that it converges at a O(1/t) rate. This result resolves an open question in the recent literature. A key insight is that the entropy regularized gradient update behaves similarly to the contraction operator in value learning, with contraction factor depending on current policy. Finally, combining the above two results and additional lower bound results, we explain how entropy regularization improves policy optimization, even with the true gradient, from the perspective of convergence rate. These results provide a theoretical understanding of the impact of entropy and corroborate existing empirical studies.
  
• 10 h - 10 h 45 & (vendredi 17 juillet) 12 h - 12 h 45 MDT : Processus basés sur l'énergie pour les données échangeables; Mengjiao Yang, Bo Dai, Hanjun Dai, Dale Schuurmans
  Récemment, il y a eu un intérêt croissant pour la modélisation d'ensembles de données échangeables tels que les nuages de points. Les approches actuelles ont pour inconvénient de restreindre la cardinalité des ensembles considérés ou de ne pouvoir exprimer que des formes limitées de distribution sur des données non observées. Pour surmonter ces limitations, nous introduisons les processus basés sur l'énergie (EBP), qui étendent les modèles basés sur l'énergie aux données échangeables tout en permettant des paramétrages de la fonction d'énergie par des réseaux neuronaux. Un avantage clé de ces modèles est la possibilité d'exprimer des distributions plus flexibles sur des ensembles sans restreindre leur cardinalité. Nous développons une procédure d'entraînement efficace pour les EBP qui démontre une performance de pointe sur une variété de tâches telles que la génération de nuages de points, la classification, le débruitage et la complétion d'images.

Amii organisera également des activités sociales pendant la conférence afin de donner aux participants l'occasion de se rencontrer et de rencontrer des chercheurs de haut niveau :

• Doing RL in the Real World Social - Vendredi 17 juillet à 15h - 17h MDT
• Interactions multi-agents : une théorie sociale des jeux - Jeudi 16 juillet à 13h - 14h MDT
• Le réseautage neuronal : une IA sociale dans le domaine de la santé - vendredi 17 juillet de 18 h à 20 h (heure locale)

Découvrez comment Amii fait progresser la recherche de pointe en matière d'intelligence artificielle et d'apprentissage automatique : visitez notre site Web. Recherche page.