Blessing Ogbuokiri
La nomination
Coresponsable, Réseau de solutions
Programme de recherche de l’Institut canadien de la sécurité de l’IA (ICSIA)
Réduire les biais dialectaux
À Propos
Blessing Ogbuokiri est professeur adjoint au Département d’informatique de l’Université Brock, au Canada, et directeur du Responsible and Applied Machine Learning Laboratory (RAML Lab). Il se consacre au développement de systèmes d’IA responsables, transparents et équitables, où chaque décision peut être expliquée et justifiée.
M. Ogbuokiri conçoit des modèles d’apprentissage automatique capables de détecter et de réduire les biais afin de rendre les outils d’IA plus équitables et plus fiables, en particulier lorsqu’ils s’appliquent à la santé et au bien collectif. Ses travaux s’intéressent également aux fondements théoriques de l’informatique afin de rendre les systèmes d’IA plus interprétables et évolutifs. Au-delà de l’aspect technique, il applique le traitement automatique du langage naturel à l’analyse de données réelles, comme les publications sur les médias sociaux, afin d’en extraire des informations pertinentes qui reflètent la diversité des points de vue et des contextes culturels. Ses travaux accordent une place particulière aux cas d’utilisation africains, où l’IA peut contribuer à améliorer l’accès à l’information en santé, l’inclusion sociale et l’élaboration des politiques publiques. Son ambition consiste somme toute à créer une technologie d’IA qui soit profitable à la société tout en étant responsable et inclusive.
Prix
- Prix de la meilleure affiche scientifique, Google DeepMind (2019)
- Prix d’excellence en enseignement, Pearson Institute of Higher Education (2019)
- Prix PSYBERGATE des anciens du Département d’informatique, université du Witwatersrand (2019)
Publications Pertinentes
- Ogbuokiri, B., Obaido, G., Kamalu, C., Aruleba, K., Achilonu, O., Mienye, I. D. et SeyyedKalantari, L. (2025). « Cross-domain fairness audit of sentiment label bias in foundation models: Comparing human and machine annotations on tweets and reviews », Machine Learning with Applications, vol. 21, 100717.
- Ogbuokiri, B., Rahman, H., Martin, D., Sproxton, K., Belcastro, A., Huang, R. et Panchal, V. (2025). « The geometry of bias in contrastive embeddings: A spectral analysis », Proceedings of the 27th International Conference on Artificial Intelligence (ICAI’25), p. 1-15. Springer Nature. Las Vegas, États-Unis (sous presse).
- Ogbuokiri, B., Ahmadi, A., Tripathi, N., Seyyed-Kalantari, L., Woldegerima, W. A., Mellado, B. et Kong, J. D. (2025). « Emotional reactions towards vaccination during the emergence of the Omicron variant: Insights from twitter analysis in South Africa », Machine Learning with Applications, vol. 20, 100644.
- Ogbuokiri, B. (2025). « Trustworthy and Responsible LLM », Handbook of Human-Centered Artificial Intelligence, p. 1-31. Singapour, Springer Nature Singapore.
- Ogbuokiri, B. (août 2025). « Transformers as CFG Learners: A Formal Framework for Structured Data », 2025 International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA), p. 1-7. IEEE.