Ingrédients computationnels du raisonnement

Dhanya Sridhar est professeure adjointe au Département d’informatique et de recherche opérationnelle (DIRO) de l’Université de Montréal et membre académique principal du Mila – Institut d’intelligence artificielle du Québec. Elle bénéficie du soutien de la chaire Canada CIFAR AI et codirige le groupe de travail IVADO R3AI sur l’IA sûre et alignée.

Ses recherches portent sur la combinaison de la causalité et de l’apprentissage automatique au service de systèmes d’IA robustes face aux changements de distribution, capables de s’adapter efficacement à de nouvelles tâches et de découvrir de nouvelles connaissances à nos côtés.  Cette vision globale comprend l’apprentissage de représentations causales pour interpréter des données complexes et non structurées avec une supervision humaine limitée, des prédicteurs qui apprennent les mécanismes causaux pour rester robustes, l’interprétation de grands systèmes d’IA avec abstraction causale, la compréhension et l’amélioration de nouveaux paradigmes d’apprentissage comme l’apprentissage en contexte, et les aspects de l’IA responsable.

Taylor Webb s’intéresse de manière générale à la question de savoir comment le cerveau extrait des représentations structurées et abstraites à partir d’entrées perceptives bruitées et de haute dimension, et utilise ces représentations pour obtenir un comportement intelligent. Afin de mieux comprendre ces processus, ses travaux exploitent une interaction bidirectionnelle entre les sciences cognitives et l’intelligence artificielle, en mettant l’accent sur le domaine visuel. Cela implique deux composantes majeures. Tout d’abord, il utilise des techniques de modélisation de réseaux neuronaux récemment développées pour construire des modèles de processus cognitifs d’ordre supérieur (par exemple, la métacognition, le raisonnement analogique) qui s’appuient sur des entrées perceptives réalistes (images). Ensuite, il s’inspire des sciences cognitives pour concevoir de nouveaux biais inductifs visant à doter les algorithmes d’apprentissage profond d’une capacité de raisonnement et d’abstraction plus proche de celle des humains.

Winnie Street est chercheuse senior au sein de l’équipe Google Paradigms of Intelligence et membre de l’Institut de philosophie de l’Université de Londres. Ses recherches combinent des approches philosophiques et empiriques sur les questions de cognition, de conscience et de statut moral de l’IA, ainsi que leurs implications pour l’éthique et la sécurité de l’IA. Elle a précédemment travaillé comme développeur de logiciels et mené des recherches sur les problèmes d’interaction homme-machine à l’intersection de la vie privée, de la confiance et de l’informatique ambiante. Elle s’intéresse aux relations entre l’intelligence, la socialité et la conscience, et à la manière dont elles peuvent être comprises à travers des études comparatives des systèmes artificiels et naturels.

Les recherches de James Evans portent sur le système collectif de pensée et de connaissance, allant de la répartition de l’attention et de l’intuition, à l’origine des idées et aux habitudes de raisonnement partagées, en passant par les processus d’accord (et de désaccord), l’accumulation de certitudes (et de doutes) et la texture (nouveauté, ambiguïté, topologie) de la compréhension. Il s’intéresse particulièrement à l’innovation – comment émergent les nouvelles idées et pratiques – et au rôle que jouent les institutions sociales et techniques (par exemple, Internet, les marchés, les collaborations) dans la cognition et la découverte collectives. Une grande partie de ses travaux se concentre sur les domaines de la science et de la technologie modernes, mais il s’intéresse également à d’autres domaines de connaissance : l’actualité, le droit, la religion, les ragots, les intuitions, les modes de pensée et de connaissance historiques et mécaniques. Il soutient la création de nouveaux observatoires de la compréhension et de l’action humaines grâce au crowdsourcing, à l’extraction d’informations à partir de textes et d’images, et à l’utilisation de capteurs distribués (par exemple, les étiquettes RFID, les téléphones portables). Il utilise l’apprentissage automatique, la modélisation générative, les représentations des réseaux sociaux et sémantiques pour explorer les processus de connaissance, améliorer les méthodes d’interprétation et de terrain, et créer des alternatives aux régimes de découverte actuels. Ses recherches ont été soutenues par la National Science Foundation, les National Institutes of Health, le bureau de recherche scientifique de l’armée de l’air américaine et de nombreuses sources philanthropiques. Elles ont été publiées dans Nature, Science, Proceedings of the National Academy of Science, American Journal of Sociology, American Sociological Review, Social Studies of Science, Research Policy, Critical Theory, Administrative Science Quarterly et d’autres publications. Ses travaux ont été présentés dans The Economist, Atlantic Monthly, Wired, NPR, BBC, El País, CNN, Le Monde et de nombreux autres médias.

À Chicago, il est directeur du Knowledge Lab, qui propose des opportunités de collaboration, de subventions et d’emploi, ainsi que des séminaires réguliers. Il a également fondé et dirige aujourd’hui le programme de sciences sociales computationnelles à Chicago, et parraine un atelier associé sur les sciences sociales computationnelles. Il enseigne des cours sur l’intelligence augmentée, l’histoire de la science moderne, les études scientifiques, l’analyse computationnelle de contenu, ainsi que l’Internet et la société. Avant Chicago, il a obtenu son doctorat en sociologie à l’université de Stanford, a été chercheur associé au sein du groupe Negotiation, Organizations, and Markets de la Harvard Business School, a créé un lycée privé axé sur l’enseignement artistique par projet et a obtenu une licence en anthropologie à l’université Brigham Young.

Andrew Lampinen est chercheur scientifique chez DeepMind. Il a obtenu son doctorat en psychologie cognitive à l’université de Stanford. Auparavant, il a suivi une formation en mathématiques, physique et apprentissage automatique.

Ses recherches portent à la fois sur les sciences cognitives et l’intelligence artificielle, et s’intéressent souvent à la manière dont les comportements et les représentations complexes des modèles, des agents ou des humains émergent de leurs expériences d’apprentissage ou des données. Il s’intéresse particulièrement au langage (en particulier aux explications) en tant que signal d’apprentissage, à la structure des représentations internes et à la manière dont elles peuvent être utilisées pour étudier ou améliorer un système, ainsi qu’aux effets de la complexité de l’environnement sur l’apprentissage.