Grâce à la subvention du Fonds d’excellence en recherche Apogée Canada pour développer une intelligence artificielle (IA) robuste, raisonnante, et responsable (IAR³), IVADO offre plusieurs programmes à sa communauté. Le programme des Regroupements de recherche stratégique constitue le programme-phare de IAR³ : dix Regroupements, ayant pour fonction de déployer et mettre en œuvre une programmation scientifique intersectorielle pour atteindre la vision IAR³.

Qu’est-ce qu’un Regroupement?

Un Regroupement de recherche stratégique a pour fonction de déployer et mettre en œuvre la programmation scientifique intersectorielle pour atteindre la vision IAR³. Chaque Regroupement se compose d’un groupe de plusieurs chercheuses et chercheurs issus de membres académiques d’IVADO ainsi que des experts, expertes et partenaires pertinents à son développement. Chaque Regroupement est responsable d’une thématique et reçoit le soutien financier, stratégique et opérationnel des directions d’IVADO.

Pourquoi mettre en place des Regroupements?

Selon nous, le modèle des Regroupements est le meilleur moyen d’atteindre nos objectifs, soit développer et déployer IAR³, nécessitant de mettre en œuvre une programmation scientifique audacieuse et intersectorielle, avec une portée transformatrice. Sous le leadership d’IVADO, il s’agit de créer des alliances de recherche originales et interdisciplinaires qui seront à même de répondre aux enjeux complexes de la programmation.

Objectifs des Regroupements

Chaque regroupement obéit aux objectifs suivants :

  • Développer une programmation scientifique ambitieuse et intersectorielle, soit:
    • une stratégie de recherche collaborative;
    • un plan de mobilisation des connaissances adapté au secteur;
    • des indicateurs et des mesures d’impact;
    • des collaborations nationales, notamment avec d’autres Apogée, et internationales.
  • Favoriser la réalisation des projets multi-centres;
  • Former la prochaine génération de chercheuses et chercheurs;
  • Proposer et organiser des activités scientifiques pour faire avancer la thématique de recherche en collaboration avec d’autres Regroupements de recherche stratégique IVADO;
  • Intégrer les bonnes pratiques en termes d’Équité, diversité et inclusion (EDI) dans la composition et toutes les activités du Regroupement;

Il est attendu que les Regroupements fassent progresser la science de IAR³ et contribuent collectivement aux objectifs de création d’une IA robuste, raisonnante, et responsable, ainsi qu’à son adoption.

R1 - IA et neurosciences

Les objectifs de ce Regroupement sont de formaliser les fonctions du traitement conscient (généralisation à de nouveaux contextes – robustesse, représentation des connaissances et raisonnement causal, métacognition ou réflexion sur les pensées) afin de pouvoir faire progresser l’IA et stimuler le développement de nouvelles théories explicatives pour les neurosciences cognitives.

Coresponsables

Sylvana Côté
Université de Montréal
CHU Sainte-Justine
Karim Jerbi
Université de Montréal
Flavie Lavoie-Cardinal
Université Laval
Blake Richards
Université McGill

Chercheuses et chercheurs

Shahab Bakhtiari
Université de Montréal
Pierre Lune Bellec
Université de Montréal
Yoshua Bengio
Université de Montréal
Danilo Bzdok
Université McGill
Paul Cisek
Université de Montréal
Patrick Desrosiers
Université Laval
Catherine Duclos
Université de Montréal
Hôpital du Sacré-Cœur de Montréal
Guillaume Dumas
Université de Montréal
Guillaume Lajoie
Université de Montréal
Jason E. Lewis
Université Concordia
Sarah Lippé
Université de Montréal
CHU Sainte-Justine
Ruxandra Monica Luca
HEC Montréal
Caroline Ménard
Université Laval
Eilif Muller
Université de Montréal
CHU Sainte-Justine
Matthew Perich
Université de Montréal
Adrien Peyrache
Université McGill
Doina Precup
Université McGill
Irina Rish
Université de Montréal

R2 - Apprentissage automatique

Les objectifs de ce Regroupement sont de développer de façon assez libre la recherche de pointe sur des algorithmes d’apprentissage automatique, apprentissage profond et prise de décision sous incertitude. Ce Regroupement sera également invité à répondre aux problèmes des autres Regroupements et à collaborer étroitement avec eux dans le but d’accélérer le développement d’algorithmes plus robustes, raisonnant mieux et plus transparents.

Coresponsables

Aaron Courville
Université de Montréal
Gauthier Gidel
Université de Montréal
Doina Precup
Université McGill

Chercheuses et chercheurs

Tal Arbel
Université McGill
Pierre-Luc Bacon
Université de Montréal
Yoshua Bengio
Université de Montréal
Glen Berseth
Université de Montréal
Audrey Durand
Université Laval
Christian Gagné
Université Laval
Foutse Khomh
Polytechnique Montréal
Simon Lacoste-Julien
Université de Montréal
Guillaume Lajoie
Université de Montréal
Chris Pal
Polytechnique Montréal
Courtney Paquette
Université McGill
Oiwi Parker Jones
Jesus College Oxford
Siva Reddy
Université McGill
Dhanya Sridhar
Université de Montréal
David A. Stephens
Université McGill

R3 - Traitement automatique du langage naturel (TALN)

Les objectifs de ce Regroupement sont de concevoir une nouvelle génération d’algorithmes d’apprentissage automatique pour le TALN dont l’architecture est plus structurée en termes d’éléments de connaissance pouvant être recombinés. Ces recherches doivent être réalisées dans le but d’appliquer ces nouveaux systèmes et travailler en collaboration avec les minorités pour atténuer les préjugés et la discrimination associés au TALN moderne, et se diriger vers des systèmes qui peuvent être guidés par les humains pour comprendre les histoires, avec un accent particulier sur les histoires et les apprentissages des cultures autochtones.

Coresponsables

Siva Reddy
Université McGill
Amal Zouaq
Polytechnique Montréal

Chercheuses et chercheurs

David Adelani
Université McGill
Aishwarya Agrawal
Université de Montréal
Alan Bale
Université Concordia
Sarath Chandar
Polytechnique Montréal
Laurent Charlin
HEC Montréal
Jackie Cheung
Université McGill
Jessica Coon
Université McGill
Aaron Courville
Université de Montréal
James Crippen
Université McGill
Joel Dunham
CircleCI
Richard Khoury
Université Laval
Leila Kosseim
Université Concordia
Philippe Langlais
Université de Montréal
Bang Liu
Université de Montréal
Jian-Yun Nie
Université de Montréal
Timothy O’Donnell
Université McGill
Chris Pal
Polytechnique Montréal
Michael Running Wolf
Université McGill
Fatiha Sadat
Université du Québec à Montréal
Jenneke van der Wal
Leiden University

R4 - Mise en œuvre et gouvernance responsable de l’IA

Les objectifs de ce Regroupement sont de (1) informer un processus responsable tout en assurant une plus grande représentation des groupes marginalisés et en conduisant à une conception, une mise en œuvre et des résultats plus équitables et sécuritaires de l’IA, (2) comprendre les nouveaux modèles d’affaires que IAR³ pourrait aider à soutenir, identifier les facteurs humains contribuant à l’utilisation de l’IA, définir des modèles de gouvernance transparents et fiables évitant la concentration du pouvoir, pour l’utilisation responsable et éco-durable de l’IA et des données nécessaires pour calibrer les modèles d’IA, et déterminer comment l’IA peut créer un meilleur travail et significatif, (3) étudier les moteurs de l’adoption de l’IA, découvrir les réponses humaines implicites aux systèmes d’IA et corréler ces réponses avec les décisions de conception prises par les équipes de développement, (4) définir clairement l’IA digne de confiance et sécuritaire, et produire des méthodes, des outils et des technologies permettant le développement d’applications intelligentes dignes de confiance, (5) proposer des normes de gouvernance et des modèles de sociétés démocratiques résilientes aux effets, aux dommages et aux risques d’IA de plus en plus puissantes. Ces objectifs devront être travaillés en collaboration avec des groupes minoritaires ou marginalisés.

Coresponsables

Foutse Khomh
Polytechnique Montréal
Lyse Langlois
Université Laval
Pierre-Majorique Léger
HEC Montréal

Chercheuses et chercheurs

Ulrich Aïvodji
ÉTS Montréal
Catherine Beaudry
Polytechnique Montréal
Colette Brin
Université Laval
Jean-Louis Denis
Université de Toronto
Vincent Gautrais
Université de Montréal
Dalia Gesualdi-Fecteau
Université de Montréal
Jean-François Godbout
Université de Montréal
Véronique Guèvremont
Université Laval
Anne-Sophie Hulin
Université de Sherbrooke
Pierre Larouche
Université de Montréal
Pamela Lirio
Université de Montréal
Jocelyn Maclure
Université McGill
AJung Moon
Université McGill
Aude Motulsky
Université de Montréal
CRCHUM

R5 - Éthique, EDI et engagement autochtone

Les objectifs de ce Regroupement sont de développer la recherche de pointe dans cette thématique tout en s’assurant de pouvoir intégrer leurs découvertes dans les recherches des autres Regroupements. Ce Regroupement travaillera entre autres sur les différents paramètres qui impactent la robustesse des algorithmes et induisent des biais (ex: les données collectées) ainsi que sur l’explicabilité. Les méthodes de travail basées sur la coconstruction et incluant les groupes minoritaires et les communautés autochtones seront également examinées. Enfin, les intérêts de recherche devront également refléter les priorités des communautés autochtones.

Coresponsables

Joé T. Martineau
HEC Montréal
Annie Pullen Sansfaçon
Université de Montréal
Daniel Weinstock
Université McGill

Chercheuses et chercheurs

Ulrich Aïvodji
ÉTS Montréal
Isabelle Archambault
Université de Montréal
Denise Celentano
Université de Montréal
Jacqueline Corbett
Université Laval
Aaron Courville
Université de Montréal
Marc-Antoine Dilhac
Université de Montréal
Golnoosh Farnadi
Université McGill
Karine Gentelet
Université du Québec en Outaouais
Martin Gibert
Université de Montréal
Lyse Langlois
Université Laval
Jason E. Lewis
Université Concordia
Allison Marchildon
Université de Sherbrooke
Dominic Martin
Université du Québec à Montréal
Fenwick McKelvey
Université Concordia
Karine Millaire
Université de Montréal
Reihaneh Rabbany
Université McGill
Tania Saba
Université de Montréal
Zoreh Sharafi
Polytechnique Montréal

R6 - Molécules et matériaux

Les objectifs de ce Regroupement sont de transformer la découverte de molécules et de matériaux en remplaçant les criblages de type « force brute » par des méthodes de modélisation et de conception expérimentale basées sur l’IA, permettant une recherche plus ciblée mais diversifiée à la fois dans l’espace des modèles et dans l’espace des expériences possibles.

Coresponsables

Yves Brun
Université de Montréal
Audrey Durand
Université Laval
Audrey Laventure
Université de Montréal
Carlos Silva
Université de Montréal
Michel Côté
Université de Montréal

Chercheuses et chercheurs

Dominique Beaini
Valence Discovery
Yoshua Bengio
Université de Montréal
Glen Berseth
Université de Montréal
Andrea Bianchi
Université de Montréal
Mathieu Blanchette
Université McGill
Sarath Chandar
Polytechnique Montréal
Jacques Corbeil
Université Laval
Mickaël Dollé
Université de Montréal
Benjamin Haley
Université de Montréal
Alex Hernàndez-García
Université de Montréal
Sébastien Lemieux
Université de Montréal
Anne Marinier
Université de Montréal
Liam Paull
Université de Montréal
Doina Precup
Université McGill
Siamak Ravanbakhsh
Université McGill
Lena Simine
Université McGill
Jian Tang
HEC Montréal
Teodor Veres
Conseil national de recherche Canada

R7 - Environnement

Les objectifs de ce Regroupement sont de (1) développer des algorithmes capables d’apprendre à partir de dépôts de données en constante augmentation (drones, sociétés de transport, etc.) et de fournir des analyses pour développer des politiques efficaces concernant les changements climatiques et la biodiversité, (2) comprendre la perte de biodiversité dans le contexte du changement climatique, (3) concevoir les pipelines d’apprentissage actif nécessaires pour guider la collecte ciblée de drones sur des zones sujettes à des changements de végétation afin de minimiser l’incertitude épistémique sur, par exemple, le sort futur des stocks et des flux de carbone et d’azote au Canada et au-delà.

Coresponsables

Julie Carreau
Polytechnique Montréal
Étienne Laliberté
Université de Montréal
Laura Pollock
Université McGill
David Rolnick
Université McGill

Chercheuses et chercheurs

Marcel Babin
Université Laval
Olivier Bahn
HEC Montréal
Soumaya Cherkaoui
Polytechnique Montréal
Sylvie Daniel
Université Laval
Youssef Diouane
Polytechnique Montréal
Andrew Gonzalez
Université McGill
Samira Keivanpour
Polytechnique Montréal
Hugo Larochelle
Université de Montréal
Tegan Maharaj
HEC Montréal
Chris Pal
Polytechnique Montréal
Sébastien Sauvé
Université de Montréal
Oliver Sonnentag
Université de Montréal

R8 - Systèmes de santé

Les objectifs de ce Regroupement sont de (1) développer et valider un cadre intégratif basé sur la valeur pour guider le développement et le déploiement de IAR³ dans les soins de santé et élaborer des orientations pour les décideurs politiques et les équipes de développement d’IA afin de soutenir IAR³ dans les systèmes de santé et (2) étudier des cas de développements et de déploiements d’IA dans une variété de contextes pour sonder empiriquement  a) la perspective et les hypothèses qui guident le travail des équipes de développement, b) les attentes et les droits des personnes potentiellement utilisatrices, y compris les groupes minoritaires, ont à l’égard de l’IA pour des innovations spécifiques, et c) les attentes et les stratégies mobilisées par les personnes utilisatrices dans un contexte réel pour adopter, mettre en œuvre et évaluer la valeur d’une innovation.

Coresponsables

Michaël Chassé
Université de Montréal
CRCHUM
Christian Gagné
Université Laval
Nadia Lahrichi
Polytechnique Montréal
Aude Motulsky
Université de Montréal
CRCHUM
An Tang
Université de Montréal
CRCHUM

Chercheuses et chercheurs

Carl-Éric Aubin
Polytechnique Montréal
CHU Sainte-Justine
Robert Avram
Université de Montréal
Institut de Cardiologie de Montréal
Danilo Bzdok
Université McGill
Julien Cohen-Adad
Polytechnique Montréal
CHU Sainte-Justine
Jean-Louis Denis
Université de Toronto
Philippe Després
Université Laval
Guillaume Dumas
Université de Montréal
Julie Hussin
Université de Montréal
Institut de cardiologie de Montréal
Venkata Manem
Université Laval
CHU de Québec
Erica Moodie
Université McGill
Bouchra Nasri
Université de Montréal
Jean Noel Nikiema
Université de Montréal
Esli Osmanlliu
Université McGill
Centre universitaire de santé McGill
Samira Rahimi
Université McGill
Catherine Régis
Université de Montréal
Louis-Martin Rousseau
Polytechnique Montréal
Angel Ruiz
Université Laval
Mireille Schnitzer
Université de Montréal
Pablo Valdes Donoso
Université de Montréal

R9 - Chaînes d’approvisionnement et systèmes de mobilité

Ce Regroupement intégrera des méthodes modernes d’optimisation et d’apprentissage automatique pour améliorer l’efficacité et la résilience des chaînes d’approvisionnement et des systèmes de mobilité, tout en réduisant leur empreinte environnementale. L’objectif sera d’exploiter l’apprentissage automatique : 1) dans la conception de modèles d’optimisation qui rendront ces systèmes plus réactifs aux conditions changeantes; 2) pour accélérer l’optimisation de systèmes de très grande taille tenant compte du contexte économique, sociétal, environnemental et/ou humain; 3) pour modéliser l’incertitude et rendre les chaînes d’approvisionnement plus résistantes aux perturbations causées par les catastrophes naturelles, les pandémies, les guerres et autres événements mondiaux.

Coresponsables

Yossiri Adulyasak
HEC Montréal
Jean-François Cordeau
HEC Montréal
Erick Delage
HEC Montréal
Emma Frejinger
Université de Montréal

Chercheuses et chercheurs

Okan Arslan
HEC Montréal
Pierre-Luc Bacon
Université de Montréal
Valérie Bélanger
HEC Montréal
Glen Berseth
Université de Montréal
Margarida Carvalho
Université de Montréal
Laurent Charlin
HEC Montréal
Leandro Coelho
Université Laval
Maxime Cohen
Université McGill
Maryam Darvish
Université Laval
Guy Desaulniers
Polytechnique Montréal
Roussos Dimitrakopoulos
Université McGill
Michel Gendreau
Polytechnique Montréal
Raf Jans
HEC Montréal
Luc LeBel
Université Laval
Antoine Legrain
Polytechnique Montréal
Nadia Lehoux
Université Laval
Aditya Mahajan
Université McGill
Jorge Mendoza
HEC Montréal
Carolina Osorio
HEC Montréal
Marie-Ève Rancourt
HEC Montréal
Jacques Renaud
Université Laval
Mikael Rönnkvist
Université Laval
Louis-Martin Rousseau
Polytechnique Montréal
Utsav Sadana
Université de Montréal
Dhanya Sridhar
Université de Montréal
Lijun Sun
Université McGill
Kimberly Yu
Université de Montréal
Thibaut Vidal
Polytechnique Montréal

R10 - Sûreté et alignement de l'IA

Les objectifs de ce Regroupement sont de faire avancer les algorithmes d’apprentissage automatique et l’élaboration de protocoles de sécurité robustes, permettant la mise au point de systèmes d’IA sécuritaires, contrôlables et alignés avec les intentions et instructions de leurs concepteurs et conceptrices.

Coresponsables

Yoshua Bengio
Université de Montréal
Chris Pal
Polytechnique Montréal
Dhanya Sridhar
Université de Montréal

Chercheuses et chercheurs

Nora Boulahia-Cuppens
Polytechnique Montréal
Sarath Chandar
Polytechnique Montréal
Aaron Courville
Université de Montréal
Audrey Durand
Université Laval
Christian Gagné
Université Laval
Pascal Germain
Université Laval
Gauthier Gidel
Université de Montréal
Foutse Khomh
Polytechnique Montréal
Tegan Maharaj
HEC Montréal
Reihaneh Rabbany
Université McGill
Siamak Ravanbakhsh
Université McGill
Siva Reddy
Université McGill

Pour toutes questions, contactez l’équipe à : programmes-excellence@ivado.ca.