Apprentissage par transfert, agents au service de la science et de la médecine de précision

Martin Ester a obtenu un doctorat en informatique à l'ETH Zurich, en Suisse, en 1989, avec une thèse consacrée aux systèmes basés sur la connaissance et à la programmation logique.

À l'issue de ses études doctorales, il a acquis quatre ans d'expérience dans le secteur privé en tant qu'ingénieur système senior chez Swissair, à Zurich, où il a développé des systèmes experts. En 1993, il est revenu dans le milieu universitaire et a rejoint l'université de Munich en tant que maître de conférences (sans titularisation). Depuis novembre 2001, il est maître de conférences, puis professeur titulaire à la faculté d'informatique de l'université Simon Fraser. De mai 2010 à avril 2015, il a occupé le poste de directeur de la faculté. Le Dr Ester a publié de nombreux articles dans les conférences et revues les plus prestigieuses de son domaine, telles que ACM SIGKDD, WWW, AAAI et ICLR.

Selon Google Scholar, ses publications ont été citées plus de 80 000 fois, avec un indice h de 76. Il a reçu le prix « Test of Time » de la conférence KDD 2014 pour son article sur DBSCAN. Il est membre de la RSC depuis 2019 et professeur émérite à l’Université Simon Fraser (SFU) depuis 2021. Les intérêts de recherche de Martin Ester portent globalement sur l’exploration de données et l’apprentissage automatique, avec un accent particulier actuellement sur l’apprentissage par transfert, l’apprentissage continu, les modèles de langage de grande envergure (LLM) fiables, les agents au service de la science et les modèles moléculaires génératifs. Le Dr Ester s’engage à transposer les résultats de ses recherches en applications pratiques, en particulier dans le domaine biomédical.

Il occupe un poste honorifique de chercheur scientifique senior au Vancouver Prostate Center et a collaboré avec des chercheurs en sciences de la vie, notamment les Drs Collins, Cherkasov et Carleton, sur des méthodes d’apprentissage automatique au service de l’oncologie de précision, notamment la prédiction de la réponse aux médicaments, la découverte et l’annotation des types cellulaires, la découverte des causes génétiques des effets indésirables des médicaments, le criblage virtuel et les modèles moléculaires génératifs.