Amii accueille 15 nouvelles chaires AI de l'ICAR Canada

Amii est heureux d'accueillir dans sa communauté de recherche 15 nouvelles chaires d'IA du CIFAR.

Dans une annonce faite aujourd'hui par l'honorable François-Philippe Champagne, ministre fédéral de l'Innovation, des Sciences et de l'Industrie, l'ICRA a nommé 29 chaires d'IA supplémentaires à Amii, Mila et l'Institut Vector, les trois instituts d'IA du Canada. Cela porte le nombre total de chaires à plus de 100 chercheurs -- 26 résidant à Amii. L'annonce est faite dans le cadre d'AICan, la réunion annuelle de la stratégie pancanadienne en matière d'IA, qui confirme la place du Canada comme destination de premier plan dans le monde pour les entreprises qui cherchent à investir dans leurs capacités en IA.

Les nouvelles chaires sont basées à l'Université de l'Alberta (Alberta), l'Université Simon Fraser (Colombie-Britannique), l'Université de Regina (Saskatchewan) et l'Université Carleton (Ontario).

"Amii est heureux de nommer ces dernières chaires d'IA du Canada CIFAR en reconnaissance du fort talent de recherche des universités canadiennes. Depuis près de 20 ans, Amii et l'Université de l'Alberta, ainsi que d'autres partenaires, ont fait progresser certaines des technologies les plus innovantes au monde, résolu bon nombre des problèmes les plus difficiles de l'IA et développé un centre mondial pour les talents en IA. Aujourd'hui, nous sommes ravis de continuer à développer nos liens pancanadiens en nommant des chercheurs de l'Université Simon Fraser, de l'Université Carleton et de l'Université de Regina, en plus de renforcer nos liens avec l'Université de l'Alberta. Cette nouvelle liste de chaires d'IA est la prochaine étape pour accroître l'avantage du Canada en matière d'IA et pour inspirer une intelligence artificielle qui changera le monde pour le bien et pour tous." Cam Linke, PDG d'Amii.

"Au nom de l'ICAR, je suis ravi d'accueillir et de féliciter la nouvelle cohorte de chaires d'IA de l'ICAR. Ils se joindront à un réseau dynamique de chercheurs talentueux à travers le Canada qui répondent à certains des défis les plus pressants du monde. Leurs contributions transformeront l'avenir et favoriseront un monde de l'IA qui profite à tous." Elissa Strome, directrice générale de la Stratégie pancanadienne en matière d'IA de l'ICRA.

Depuis 2017, 57 chercheurs ont accédé à leur premier poste de professeur au Canada en tant que chaires d'IA de l'ICRA. Ce programme prestigieux, pierre angulaire de la Stratégie pancanadienne en matière d'IA de 125 millions de dollars, offre aux chercheurs un financement dédié à long terme pour soutenir leurs programmes de recherche et les aider à former la prochaine génération de leaders et de praticiens de l'IA.

Félicitations aux nouvelles chaires d'IA du CIFAR à Amii, qui rejoignent une communauté de chercheurs de premier plan en pleine expansion. Apprenez-en davantage sur leur travail ci-dessous :

Richard S. Sutton

Université de l'Alberta

Tirer les leçons de l'expérience

En plus de sa nomination à la chaire d'IA du CIFAR, Richard S. Sutton est conseiller scientifique en chef d'Amii, professeur d'informatique à l'Université de l'Alberta et chercheur émérite chez DeepMind. Il a été nommé membre de la Société royale du Canada, de l'Association for the Advancement of AI, de l'Association canadienne d'IA et du CIFAR. Rich est surtout connu comme l'un des pionniers et des chefs de file mondiaux de l'apprentissage par renforcement, une approche de l'intelligence artificielle et naturelle qui met l'accent sur l'apprentissage et la planification à partir d'un échantillon d'expérience.

Richard s'intéresse particulièrement à la compréhension de ce que signifie être intelligent, prédire et influencer le monde, apprendre, percevoir, agir et penser. Il cherche à identifier les principes informatiques généraux qui sous-tendent ce que nous entendons par intelligence et comportement orienté vers un but. Au cours de sa carrière, il a apporté un certain nombre de contributions importantes à ce domaine, notamment la théorie de l'apprentissage par différence temporelle, la classe d'algorithmes actor-critic (gradient de politique), l'architecture Dyna (intégrant l'apprentissage, la planification et la réaction), l'architecture Horde et les algorithmes de gradient et de différence temporelle emphatique, entre autres avancées. Richard cherche actuellement à étendre les idées d'apprentissage par renforcement à une approche empiriquement fondée de la représentation des connaissances basée sur la prédiction.

En savoir plus sur Richard

Michael Bowling

Université de l'Alberta

Les jeux sont une affaire sérieuse

Michael Bowling est fasciné par la question de savoir comment les ordinateurs peuvent apprendre à jouer à des jeux par l'expérience. Les avancées majeures de ses équipes dans le domaine du poker - Cepheus, qui a "essentiellement" résolu le jeu de Texas hold'em limite heads-up, et DeepStack, la première IA à battre des professionnels humains au Texas hold'em no-limit heads-up - représentent des avancées théoriques dans le monde des jeux à information imparfaite (ou cachée). Il a également dirigé le développement de l'environnement d'apprentissage Arcade, qui a contribué à l'établissement du sous-domaine de l'apprentissage par renforcement profond.

En savoir plus sur Michael

Mo Chen

Université Simon Fraser

Trouver la bonne voie dans les interactions homme-machine

Les recherches de Mo Chen sont axées sur le développement d'algorithmes permettant aux robots d'interagir étroitement avec les humains de manière sûre et naturelle. En combinant des approches purement axées sur les données et des approches analytiques classiques aux problèmes de robotique et d'interactions homme-robot, il vise à trouver des moyens de rendre l'apprentissage plus efficace. Actuellement, Mo travaille sur un certain nombre de projets, dont le projet follow-ahead, qui s'appuie sur l'apprentissage par renforcement pour développer un robot qui vise à rester de manière autonome devant une personne, et la prédiction de l'intention de navigation chez les humains afin de mieux informer les robots d'orientation.

En savoir plus sur Mo

Russ Greiner

Université de l'Alberta

Personnalisation des soins de santé

Russ Greiner se concentre sur le développement et l'amélioration des applications de l'apprentissage automatique en médecine, en apportant des solutions à des problèmes spécifiques du monde réel dans un éventail de considérations cliniques. Il travaille en étroite collaboration avec des cliniciens et des chercheurs en médecine (en psychiatrie, en oncologie, en cardiologie, en diabétologie et dans d'autres domaines), en métabolomique et dans d'autres disciplines pour mettre au point des outils axés sur les données qui aident les praticiens dans le dépistage, le diagnostic, le pronostic et la planification des traitements en matière de santé physique et mentale. Russ s'intéresse également à la construction de meilleurs algorithmes qui apprennent de l'expérience, en travaillant à la production de systèmes d'apprentissage automatique plus robustes et efficaces.

En savoir plus sur Russ

Yuhong Guo

Université de Carleton

Améliorer l'autonomie d'apprentissage

Travaillant dans le domaine de l'apprentissage automatique, Yuhong Guo se concentre sur l'apprentissage de représentations de données utiles et de modèles de classification précis dans diverses circonstances. Son objectif de recherche ultime est d'automatiser le processus d'apprentissage et de réduire la dépendance des systèmes d'apprentissage à l'égard des conseils humains. Son programme de recherche s'articule autour de trois axes principaux : l'apprentissage par transfert généralisé, l'apprentissage à partir de données incomplètes et l'apprentissage à partir de données faiblement supervisées.

En savoir plus sur Yuhong

Matthew Guzdial

Université de l'Alberta

Apprendre la créativité

Matthew Guzdial travaille sur l'IA et la ML créatives, un domaine de recherche qui peut permettre à l'apprentissage automatique de passer de la prédiction de ce qui est déjà arrivé à l'anticipation et à la création de nouvelles possibilités. Ses recherches appliquent l'IA et le ML à des domaines que l'on considère généralement comme nécessitant la créativité humaine, comme la génération de contenu pour les jeux vidéo, l'art visuel et les commentaires créatifs. Il a appliqué la créativité computationnelle à la classification et à la génération d'images dans un cadre d'apprentissage par transfert (en battant les bases de l'état de l'art), et a construit une référence pour le développement de nouveaux agents ML créatifs.

En savoir plus sur Matthew

Nidhi Hegde

Université de l'Alberta

Lutter contre les préjugés et préserver la vie privée

Les recherches actuelles de Nidhi Hedge portent sur une approche fondamentale de la vie privée et de l'éthique dans l'IA. Son objectif est d'étudier comment les résultats des méthodes d'IA et de ML violent la vie privée et ont un impact sur l'équité et les préjugés. Elle cherche à créer des algorithmes qui sont privés et équitables par conception, ce qui implique de nouveaux modèles mathématiques et algorithmes qui fournissent les résultats souhaités tout en préservant la vie privée et l'équité. Elle aime travailler sur des problèmes réels et pratiques, qui conduisent souvent à des questions fondamentales auxquelles il faut répondre avant de pouvoir concevoir une solution.

En savoir plus sur Nidhi

Levi Lelis

Université de l'Alberta

Systèmes intelligents, stratégies augmentées

L'objectif de recherche de Levi Lelis est de développer des systèmes intelligents capables d'aider les gens par l'enseignement et la collaboration. Actuellement, son groupe travaille sur des algorithmes permettant de générer des connaissances, telles que des stratégies de jeu, que les gens peuvent facilement interpréter et comprendre. Il cherche à utiliser les connaissances générées par la machine pour apprendre aux humains à résoudre des problèmes. Par exemple, ces stratégies interprétables créées par la machine peuvent être utilisées pour compiler des manuels lisibles par l'homme pour enseigner aux gens des stratégies de jeu.

En savoir plus sur Levi

Lei Ma

Université de l'Alberta

Conception de meilleurs systèmes d'apprentissage

Les recherches de Lei Ma visent à fournir à la fois des méthodologies fondamentales d'assurance qualité et un soutien technique systématique pour la construction de systèmes d'intelligence artificielle complexes afin de les rendre plus fiables, plus sûrs et plus sécurisés. Il s'efforce de combler le fossé entre l'IA et ses applications dans le monde réel. Ses recherches portent principalement sur le génie logiciel, l'apprentissage automatique et leurs domaines interdisciplinaires, notamment la conception de meilleures techniques d'apprentissage automatique à l'aide des principes et des méthodologies du génie logiciel (également appelé ingénierie des systèmes d'apprentissage automatique).

En savoir plus sur Lei

Martin Müller

Université de l'Alberta

Cherchez, planifiez, partez !

Martin Müller s'intéresse au développement de méthodes de recherche efficaces pour les problèmes difficiles. Avec son équipe de recherche, il travaille sur la compréhension et l'amélioration de la recherche arborescente Monte Carlo, l'exploration et l'échantillonnage dans l'apprentissage par renforcement, l'exploration dans SAT, la recherche et l'apprentissage profond pour Hex, et la théorie des jeux combinatoires - en particulier le développement d'algorithmes efficaces qui combinent la recherche et la décomposition en sous-jeux. Il travaille également sur la planification indépendante du domaine, la planification de la marche aléatoire, la planification du mouvement et l'échantillonnage aléatoire à partir de distributions discrètes changeant dans le temps. Martin et son équipe ont produit des programmes et des algorithmes pour les jeux de Go, Amazones, Clobber et Hex.

En savoir plus sur Martin

Patrick Pilarski

Université de l'Alberta

Membres d'apprentissage

Patrick dirige le programme de prothèses adaptatives Amii - une initiative interdisciplinaire axée sur la création de membres artificiels intelligents permettant de restaurer et d'étendre les capacités des personnes amputées. Dans le cadre de cette recherche, Patrick explore de nouvelles techniques d'apprentissage automatique pour le contrôle et la prédiction sensorimoteurs, y compris des méthodes pour l'interaction et la communication entre l'homme et l'appareil, l'adaptation du contrôle à long terme et l'optimisation de l'appareil spécifique au patient. Lui et ses équipes de recherche ont développé des technologies telles que le bras Bento - un bras robotique imprimé en 3D pour la formation et la recherche myoélectrique - la main HANDi (humanoid anthropometric naturally dextrous intelligent), et un logiciel de cartographie du bras robotique appelé BrachI/Oplexus.

En savoir plus sur Patrick

Dale Schuurmans

Université de l'Alberta

Modélisation de la complexité

L'objectif de recherche à long terme de Dale Schuurmans est de développer des systèmes qui apprennent des modèles prédictifs à partir de sources de données massives lorsque les modèles requis sont complexes, par exemple dans les domaines de la perception, de l'interprétation du langage, de l'extraction d'informations, de la bioinformatique ou de l'apprentissage des robots. Certains des principaux défis auxquels il s'attaque sont la représentation des connaissances pour l'apprentissage - comment exprimer utilement et déboguer les hypothèses préalables du domaine - et la navigation dans des espaces de modèles complexes - comment trouver de bons modèles tout en évitant le sur- et le sous-ajustement.

En savoir plus sur Dale

Matthew E. Taylor

Université de l'Alberta

Garder les humains dans la boucle

Matthew (Matt) E. Taylor concentre ses recherches sur le développement d'agents intelligents, des entités physiques ou virtuelles qui interagissent avec leur environnement. Ses principaux objectifs sont de permettre à des agents individuels et à des équipes d'agents d'apprendre des tâches dans des environnements du monde réel qui ne sont pas entièrement connus au moment de la conception des agents, d'exécuter des tâches multiples plutôt qu'une seule tâche, de se coordonner de manière robuste avec d'autres agents et de raisonner à leur sujet. En outre, il s'intéresse à la façon dont les agents peuvent apprendre des humains, que l'humain enseigne explicitement à l'agent, que l'agent observe passivement l'humain ou que l'agent coopère activement avec l'humain sur une tâche.

En savoir plus sur Matthew

Osmar Zaïane

Université de l'Alberta

Prise de décision augmentée

Osmar Zaïane se concentre sur la découverte de modèles et l'extraction d'informations à partir de grandes bases de données, également connue sous le nom d'exploration de données. Ses travaux portent sur l'exploration de données à partir de sources de données hétérogènes disparates, comme sur Internet, ainsi que sur l'analyse de réseaux d'information complexes, également appelée analyse de réseaux sociaux. Les projets de recherche spécifiques comprennent le développement d'outils d'analyse de données tels que Meerkat, un outil permettant d'analyser les changements au fil du temps dans un réseau d'entités. D'autres projets de recherche d'Osmar concernent l'exploration de données dans l'informatique de santé et le développement d'outils pour la catégorisation de documents et les systèmes d'aide à la décision.

En savoir plus sur Osmar

Sandra Zilles

Université de Regina

Apprentissage efficace des données

Sandra Zilles et son équipe se concentrent sur les aspects théoriques de l'apprentissage automatique. Elle s'intéresse particulièrement aux méthodes de modélisation et d'exploitation de types particuliers d'interaction avec les machines pour leur permettre d'apprendre en utilisant moins de données qu'avec les approches conventionnelles. Intuitivement, la recherche permettra aux machines intelligentes d'exploiter la qualité de données bien choisies plutôt que de nécessiter une grande quantité de données potentiellement coûteuses. Les modèles et les techniques algorithmiques qui résulteront de cette recherche pourraient fournir des solutions efficaces à des problèmes complexes d'intelligence artificielle, à moindre coût et avec moins de données que ce qui est actuellement possible.

En savoir plus sur Sandra

L'un des trois centres d'excellence en IA du Canada dans le cadre de la stratégie pancanadienne en matière d'IA, l'Amii (Alberta Machine Intelligence Institute) est un institut à but non lucratif basé en Alberta qui soutient la recherche de pointe dans le domaine de l'intelligence artificielle et de l'apprentissage automatique et qui traduit les progrès scientifiques en adoption par l'industrie. Amii développe les capacités d'IA en faisant progresser la recherche de pointe, en proposant des offres éducatives exceptionnelles et en fournissant des conseils aux entreprises - tout cela dans le but de développer les capacités d'IA en interne.