Nomination de cinq nouvelles chaires CIFAR canadiennes en IA

Amii et l'Université de l'Alberta (UAlberta) sont heureux d'accueillir cinq nouvelles chaires CIFAR en IA dans notre famille ! Félicitations à Rupam Mahmood, Lili Mou, Nathan Sturtevant, Csaba Szepesvári et Adam White qui rejoignent ainsi une communauté en pleine expansion de chercheurs de renommée mondiale au Canada.

Le prestigieux programme Canada CIFAR AI Chairs, financé par le gouvernement fédéral à hauteur de 86,5 millions de dollars sur cinq ans, offre aux chercheurs un financement de recherche dédié à long terme pour soutenir leurs programmes de recherche et les aider à former la prochaine génération de leaders en IA. Le programme fait partie de la Stratégie pancanadienne en matière d'IA, dotée de 125 millions de dollars, qui a été lancée en mars 2017 et qui a reconnu les forces d'Edmonton en matière d'intelligence artificielle et d'apprentissage automatique.

Découvrez ci-dessous les brillants chercheurs qui contribuent à l'avenir de l'intelligence artificielle :

Développer des robots pour le monde réel

Rupam Mahmood; Amii Fellow et professeur adjoint à l'Université de l'Alberta, directeur du RLAI

L'objectif de recherche de Rupam Mahmood est de développer des mécanismes d'IA pour améliorer continuellement l'esprit des robots. Il prend des mesures pour atteindre cet objectif grâce à ses travaux sur les méthodes d'apprentissage par renforcement conçues pour les robots du monde réel. 

M. Mahmood voit l'avenir de la robotique dans la conception de mécanismes d'apprentissage généraux pouvant être déployés dans de nombreux robots différents pour l'exécution de nombreuses tâches différentes. Après ses études doctorales, Rupam a travaillé pour la startup Kindred AI. Avec son équipe, Rupam a mis au point une plateforme d'apprentissage robotique permettant d'effectuer six tâches différentes sur trois corps de robots différents - ce qui la distingue des solutions robotiques traditionnelles conçues pour qu'un seul robot effectue une seule tâche.

Le développement de systèmes d'apprentissage en temps réel pour le contrôle de robots présente des défis uniques. Les contraintes d'un monde simulé sont beaucoup plus souples que celles du monde réel - la nature imparable du temps étant la différence la plus significative.

"Pour combler ce fossé, nos environnements simulés doivent être plus proches des environnements réels", explique Mahmood. "Dans le monde réel, le temps défile lorsque nous calculons des actions ou effectuons des mises à jour d'apprentissage à l'aide d'un gigantesque réseau neuronal, un phénomène qui ne se produit pas dans l'utilisation traditionnelle des environnements simulés."

Mahmood est un ancien élève de UAlberta et a récemment rejoint UAlberta en tant que professeur adjoint et Amii Fellow. Il est également l'actuel directeur du RLAI. Au cours de ses études doctorales, il a été conseillé par le professeur Richard Sutton, qui est également un chercheur distingué chez DeepMind, un Amii Fellow, et largement considéré comme le pionnier de l'apprentissage par renforcement.

Permettre une communication bidirectionnelle avec les ordinateurs

Lili Mou; Amii Fellow et professeur adjoint AltaML en traitement du langage naturel à l'Université d'Alberta

Imaginez qu'un programme soit capable de résumer un article long en quelques phrases. Ou de déceler le sentiment d'un message texte. Les travaux de Lili Mou sur l'apprentissage profond appliqué au traitement du langage naturel vont dans ce sens.

"Je pense que le langage naturel est l'interface entre les ordinateurs et les humains", dit Mou. "Si nous pouvons communiquer, les ordinateurs peuvent rendre notre vie quotidienne beaucoup plus facile".

Nous en voyons déjà une version dans les assistants numériques de notre téléphone. Actuellement, ils ne sont équipés que pour traiter des tâches simples, et sont incapables de répondre à des demandes qui nécessitent une reconnaissance du contexte ou des tons. Mou envisage un avenir où nous serions en mesure d'avoir ce type de conversation bidirectionnelle avec des systèmes intelligents.

M. Mou est le premier récipiendaire de la chaire AltaML en traitement des langues naturelles. Il s'est récemment joint à l'Université de l'Alberta en tant que professeur adjoint après des études supérieures à l'Université de Pékin et une bourse postdoctorale à l'Université de Waterloo.

Révolutionner le domaine de la recherche

Nathan SturtevantTitulaire d'une bourse Amii et professeur à l'Université de l'Alberta.

Nathan Sturtevant remonte le temps pour améliorer le domaine de la recherche, tout en allant de l'avant, à la frontière du domaine. 

Qu'est-ce que la recherche ? Imaginez que vous jouiez à un jeu de Tic Tac Toe pour la première fois. Assis devant le plateau, vous pensez aux mouvements que vous pourriez faire et aux résultats possibles. En fait, la recherche consiste à planifier le processus des mouvements que l'on pourrait faire pour atteindre un objectif.

"Nous avons obtenu des résultats importants au cours des deux dernières années, en introduisant de nouveaux algorithmes qui constituent des percées fondamentales dans notre compréhension de la recherche", déclare M. Sturtevant.

M. Sturtevant a passé du temps à améliorer les algorithmes de domaines vieux de plusieurs décennies, tels que la recherche bidirectionnelle et la recherche sous-optimale. Parallèlement, il est également à la pointe du progrès dans ce domaine. Il travaille actuellement sur l'utilisation de l'apprentissage automatique pour résumer des ensembles de données incroyablement grands avec suffisamment de détails pour que l'on puisse toujours appliquer des algorithmes de recherche à l'ensemble de données et obtenir des résultats de qualité.

M. Sturtevant a obtenu son MSc et son doctorat à l'UCLA et son BSc à l'UC Berkeley. Il a effectué son stage postdoctoral à l'Université de l'Alberta en 2008 et est revenu en tant que professeur en 2018 après avoir occupé un poste de professeur à l'Universitéde Denver. Il dirige le Moving AI Lab, situé dans les locaux des deux universités.

Une théorie qui améliore les algorithmes 

Csaba Szepesvári ; Amii Fellow et professeur à l'Université d'Alberta, chercheur scientifique chez DeepMind

Csaba Szepesvári fait progresser la recherche en concevant des algorithmes d'apprentissage plus intelligents et plus efficaces. 

Dans le cadre de son travail, il conçoit de nouveaux algorithmes et s'appuie sur d'autres recherches en indiquant les forces et les faiblesses des algorithmes existants, ainsi que les situations dans lesquelles ils pourraient être le mieux utilisés. Il teste ces idées et ces algorithmes de manière théorique, plutôt qu'expérimentale. Et les meilleures de ces idées théoriques conduisent souvent à des avancées algorithmiques pratiques significatives.

L'algorithme UCT (Upper Confidence bounds applied to Trees) en est un bon exemple. Szepesvári a co-développé cet algorithme, qui corrigeait une faille dans les itérations précédentes de la recherche d'arbres de Monte Carlo. L'algorithme UCT a été largement appliqué depuis et est au cœur de nombreuses avancées récentes dans la recherche sur les jeux, notamment AlphaGo.

"J'espère que mon travail aidera également d'autres chercheurs dans leurs travaux, en les orientant dans la bonne direction et en produisant des recherches qu'ils pourront utiliser pour construire et explorer", explique M. Szepesvári. 

Szepesvári est récemment revenu à Edmonton et UAlberta après un congé au bureau de Deepmind UK ; il continue de diriger l'équipe des fondations de DeepMind. Il a effectué ses études doctorales à l'université Jozsef Attila, désormais intégrée à l'université de Szeged.

Connaissances de bon sens pour les algorithmes

Adam White; Amii Fellow et professeur à l'Université de l'Alberta, chercheur scientifique principal chez DeepMind

Les systèmes intelligents peuvent-ils développer des connaissances de bon sens sur le monde qui les entoure ? Les recherches d'Adam White explorent cette question, en se concentrant sur les systèmes qui apprennent par interaction autosupervisée, par essais et erreurs.

"Les enfants apprennent comment fonctionnent leurs membres, comment manipuler des objets et toutes sortes de faits simples sur le monde en essayant simplement des choses et en observant les résultats", explique White. "Je veux construire des systèmes d'apprentissage simulés et robotisés qui apprennent pendant des semaines et des mois - comme les bébés et les animaux humains -, qui apprennent à comprendre le monde et qui s'appuient sur les apprentissages précédents pour comprendre des choses plus complexes et atteindre des objectifs."

Afin de réussir à construire des systèmes d'apprentissage capables d'apprendre dans le monde physique avec une expérience limitée, le groupe de M. White se concentre actuellement sur l'amélioration de l'apprentissage, de l'exploration et de la planification des représentations.

White est un ancien de l'UAlberta, qui est revenu à son alma mater en 2017 après avoir travaillé comme postdoc et chercheur scientifique à l'Université de l'Indiana. Au cours de ses études doctorales, il a été conseillé par le chercheur distingué de DeepMind et Amii Fellow Richard Sutton, largement considéré comme le pionnier de l'apprentissage par renforcement.

En 2017, l'ICRA a été choisi par le gouvernement fédéral pour diriger la stratégie pancanadienne d'intelligence artificielle de 125 millions de dollars, en collaboration avec les centres de recherche en intelligence artificielle d'Edmonton (Amii), de Montréal(Mila) et de Toronto(Vector Institute). Les nouvelles chaires d'IA de l'ICRA Canada proviennent d'universités de tout le Canada.

L'histoire de la domination mondiale de l'IA par Edmonton
L'Université de l'Alberta a créé le premier département d'informatique du Canada, en 1964. Des événements récents - dont l'annonce de la création du premier laboratoire de recherche international de DeepMind - ontvéritablement cimenté l'excellence d'Edmonton sur la carte mondiale. Selon le célèbre CS Rankings, l'Université de l'Alberta se classe parmi les cinq premières au monde pour la recherche en intelligence artificielle et en apprentissage automatique.

Amii a été fondé en 2002 dans le cadre d'un effort conjoint entre UAlberta et le gouvernement de l'Alberta dans le but de créer un centre de recherche en intelligence artificielle de classe mondiale. Depuis, l'organisation s'est détachée de l'Université de l'Alberta, tout en maintenant un partenariat solide, avec le soutien d'Alberta Innovates, du gouvernement de l'Alberta et de l'ICRA, afin d'atteindre de nouveaux niveaux de découverte et d'innovation dans le domaine de l'IA et de l'apprentissage automatique.