Vision par ordinateur, apprentissage profond, traitement du langage naturel, vision et langage, questions-réponses visuelles.

Ma recherche se situe autour de trois axes. En sécurité de l'information, je travaille sur la protection de la vie privée. Plus précisément, je m'intéresse à la préservation des renseignements personnels que l'on disperse sur Internet et ses services comme les moteurs de recherche, les réseaux sociaux, les sites de géolocalisation, d'apprentissage en ligne et de commerce électronique. Je fais appel à des protocoles cryptographiques, et à différentes techniques de protection de la vie privée : k-anonymité, randomisation, calcul multiparti sécuritaire, et ""privacy by design"". J'œuvre aussi à l'amélioration des politiques de vie privée concernant la catégorisation et la confidentialité des données sensibles.

En commerce électronique, je m'intéresse à la personnalisation (acquisition du profil du client) et à la recommandation de produits et de services en utilisant des algorithmes de filtrage démographique, par contenu, collaboratif, et hybride.

Dans le cadre des systèmes tutoriels intelligents, je m'intéresse aux stratégies d'apprentissage, à l'interaction humain-machine, aux méthodes d’évaluation et à la modélisation de l'apprenant. Pour ce faire, j'utilise des techniques d'intelligence artificielle dont l'apprentissage machine et la fouille de données.

Intérêts de recherche

• Réseaux de neurones récurrents
• Apprentissage continu
• Apprentissage par renforcement
• Apprentissage profond
• Traitement du langage naturel
• Apprentissage machine
• Intelligence artificielle

Ian Arawjo est professeur adjoint à l’Université de Montréal au Département d’informatique et de recherche opérationnelle (DIRO) (dès janvier 2024). M. Arawjo détient un doctorat de l’Université Cornell en sciences de l’information, où il a été conseillé par le professeur Tapan Parikh. Son travail de thèse a porté sur l’intersection de la programmation informatique et de la culture, explorant la programmation en tant que pratique sociale et culturelle. Il a de l’expérience dans l’application d’une gamme de méthodes d’IHM, allant du travail de terrain ethnographique à la recherche archivistique, en passant par le développement de systèmes novateurs (utilisés par des milliers de personnes) et la réalisation d’études de convivialité. Actuellement, il travaille sur des projets à l’intersection de la programmation, de l’IA et de l’IHM, notamment sur la manière dont les nouvelles capacités de l’IA peuvent nous aider à réimaginer la pratique de la programmation. Il travaille également sur l’évaluation de LLM, à travers des projets open source à forte visibilité tels que ChainForge. Ses articles comme premier auteur ont remporté des prix lors de grandes conférences en IHM, notamment à CHI, CSCW et UIST.

Mon but à long terme est de comprendre l'intelligence; comprendre ses principes sous-jacents nous donnerait accès à l'intelligence artificielle (IA), et je crois que les algorithmes d'apprentissage sont essentiels dans cette quête. Les algorithmes d'apprentissage pourraient donner aux ordinateurs la capacité de capter des connaissances opérationnelles (pas nécessairement sous forme symbolique/verbale) à partir d'exemples. Une machine ayant appris de telles connaissances pourrait ainsi faire des prédictions ou des classifications correctes sur de nouveaux cas, généraliser à de nouvelles situations. La recherche dans ce domaine a été couronnée de nombreux succès au cours des trois dernières décades, et elle est maintenant appliquée dans de nombreux domaines de la science et de la technologie.

Parmi les applications les plus connues on inclut les engins de recherche, le traitement du langage naturel, la traduction automatique, la reconnaissance de la parole, la vision par ordinateur, et la fouille de données. Mes recherches à long terme portent sur l'apprentissage de représentations, afin de dépasser des limites théoriques et pratiques des algorithmes (linéaires ou à noyau) qui ont dominé l'apprentissage machine jusqu'à récemment. Pour contourner ces limitations, une nouvelle approche appelée apprentissage profond a été développée ici et dans quelques laboratoires depuis 2006 et a connu des succès fracassants au cours des dernières années.

Ses intérêts de recherche sont axés sur le développement de modèles et d’algorithmes pour les architectures profondes d’apprentissage, plus particulièrement le développement de modèles probabilistes et des méthodes d’inférence, avec des applications incluant la vision par ordinateur et le traitement du langage.

Douglas Eck, chercheur et responsable du projet Magenta de Google Brain, enseigne aux ordinateurs comment générer leurs propres musiques, vidéos, images et textes à l'aide de réseaux de neurones et d'autres types d'apprentissage automatique.

Ses intérêts de recherche se concentrent sur les biais et la discrimination en IA, mais incluent également les modèles graphiques probabilistes, la prise de décision en situation d’incertitude et les sciences sociales informatiques.

Intelligence émotionnelle. Apprentissage à distance. Intelligence artificielle. Systèmes tutoriels. Stratégies pédagogiques. Nouvelles technologies de l’information, de la communication et de la formation. Processus d’apprentissage. Agents intelligents sur internet.

Ses recherches portent sur la conception de modèles génératifs et d’interfaces pour soutenir la création musicale et plus généralement le processus de création. Son travail se situe à l’intersection de l’apprentissage automatique, de l’interaction personne-machine et de la musique. Elle est la créatrice du « Music Transformer »  et du modèle « ML Coconet » qui a alimenté le premier « AI Doodle » de Google, le « Bach Doodle » , qui a harmonisé en deux jours 55 millions de mélodies d’utilisateurs du monde entier.

Son objectif de recherche principal est de mettre au point et d’analyser des techniques d’apprentissage automatique qui peuvent exploiter, à large échelle, la riche structure de données dans des applications interdisciplinaires, comme le traitement du langage naturel, l’extraction d’information, la vision artificielle et la biologie computationnelle. À cette fin, il associe des outils d’optimisation, de statistiques et d’informatique, et il aime particulièrement travailler à l’interface entre les domaines. Lacoste-Julien est reconnu pour ses contributions dans trois domaines : prédiction structurée (problèmes de classification où les extrants sont des objets structurés, comme des séquences ou des graphiques); optimisation à large échelle (méthode des gradients incrémentaux et optimisation de Frank-Wolfe); et association de méthodes génératives et discriminatoires.

Pour tenter de comprendre pourquoi certains modèles d’apprentissage profond fonctionnent étonnamment bien avec des données qui leur sont inconnues, Ioannis Mitliagkas s’intéresse en particulier à l’apport des statistiques et de la théorie de l’information.

Mes recherches concernent les problèmes de recherche d’information, ou de moteur de recherche sur le Web. L’objectif est d’améliorer l’état de l’art et la pratique actuelle dans ce domaine en développant de nouveaux modèles de recherche d’information, en exploitant de nouvelles sources d’informations pour l’expansion, la réécriture et la réorganisation de requêtes comme les logs d’utilisateurs, Wikipédia, les thésaurus, etc., et en tenant compte des intentions diverses des utilisateurs dans différents contextes d’application. Pour cela, nous développons des méthodes statistiques spécifiques pour les besoins de la recherche d’information. Mes recherches touchent aussi les problèmes du multilinguisme, à savoir retrouver les documents pertinents dans d’autres langues. Les méthodes développées peuvent être appliquées dans divers domaines : la recherche d’informations médicales, le commerce électronique, l’analyse des opinions sur le Web, etc.

Intelligence artificielle, la vision par ordinateur, la reconnaissance de formes et l’apprentissage automatique avec des applications à l’infographie, l’analyse du langage naturel et l’exploration des données.

Mes intérêts de recherche portent sur le développement de méta-heuristiques, tels la recherche tabou et les algorithmes génétiques, afin de résoudre des problèmes d'optimisation dans le domaine des transports. Je m'intéresse tout particulièrement aux problèmes de tournées de véhicules sujets à divers types de contraintes, comme des fenêtres de temps pour le service aux clients. De tels problèmes se retrouvent dans de nombreuses applications réelles: services de cueillettes et livraisons, courrier rapide, transport adapté, etc. J'étudie également des versions dynamiques de ces problèmes qui surviennent lorsque les requêtes des clients sont reçues de façon continue tout au cours de la journée. Ces requêtes doivent alors être intégrées en temps réel dans les routes courantes des véhicules.

Dhanya Sridhar poursuivra ses travaux dans les domaines de l’apprentissage automatique, de la causalité et des sciences sociales informatiques. Parmi ses travaux récents, elle a étudié les effets des textos entre amis sur la participation électorale aux États-Unis.

Bien que j’ai une longue expérience de la recherche fondamentale en physique, informatique et mathématiques, je suis un acteur relativement nouveau dans le domaine de l’intelligence artificielle. Mon intérêt principal est la compréhension de la langue, la réponse aux questions et l’apprentissage automatique des principes fondamentaux.

Algorithmes parallèles et distribués, optimisation combinatoire, algorithmes de recherche, intelligence artificielle, optimisation du réseau et sécurité.

Mes recherches portent sur les principes computationnels fondamentaux qui sous-tendent l'extraordinaire capacité à apprendre, comprendre et s'adapter à l'environnement qui caractérise l'intelligence. Le développement de nouveaux algorithmes d'apprentissage basés sur de tels principes, et entraînés avec de vastes quantités de données, est à l'origine des plus récentes percées technologiques en intelligence artificielle.

Je m'intéresse plus particulièrement à la manière dont, partant de flux de données sensorielles brutes (telles les images et les sons), peuvent se construire de façon autonome des représentations de haut niveau, porteuses de sens. Un peu comme ce que savent faire les réseaux de neurones du cerveau, cela revient à modéliser intelligemment la structure de la réalité observée, en y découvrant et exploitant des régularités statistiques complexes.