Dans un monde de plus en plus tributaire de données de haute qualité, comment trouver automatiquement les anomalies, surtout lorsque nous ne disposons souvent que d'exemples de ce qui est "normal" ?

Dans cette session Upper Bound 2025, Xingyu Li, boursier de l'Amii et titulaire de la chaire d'IA du CIFAR Canada, aborde l'évolution de la détection visuelle des anomalies, une technologie essentielle pour le contrôle de la qualité dans l'industrie et le diagnostic médical.

Mme Li explique comment elle est passée des modèles traditionnels "à classe unique", qui nécessitaient une formation distincte pour chaque catégorie d'objets, à sa technique innovante de "distillation inverse", qui améliore la détection en obligeant une IA "étudiante" à déduire la logique plutôt que de se contenter d'imiter un "enseignant". Elle détaille ensuite leur objectif ultime : un système évolutif, à zéro coup, "un pour tous". En adaptant intelligemment les grands modèles vision-langage pour qu'ils se concentrent sur des détails fins plutôt que sur des concepts généraux, leurs derniers travaux peuvent identifier des défauts dans n'importe quelle nouvelle catégorie inédite sans aucun réentraînement, ce qui ouvre la voie à une curation de données véritablement automatisée.

Upper Bound 2025 est la conférence annuelle de l'Amii sur l'intelligence artificielle, qui se tient à Edmonton, en Alberta, au Canada, et qui réunit des chercheurs, des industriels et des décideurs politiques. La conférence se concentre sur l'accélération de l'excellence et de l'innovation en matière d'IA pour le bien, en mettant l'accent sur l'IA pour les infrastructures critiques, la santé, les opérations industrielles, l'IA responsable et l'alphabétisation en matière d'IA.