Joelle Pineau
La nomination
Spécialiste-conseil
Titulaire de chaire en IA Canada-CIFAR
Apprentissage automatique, apprentissage biologique
Stratégie pancanadienne en matière d’IA
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2018
Titulaire de chaire en IA Canada-CIFAR – Mandat renouvelé – 2023
Joëlle Pineau est professeure et boursière William Dawson à l’École d’informatique de l’Université McGill, où elle codirige le laboratoire de raisonnement et d’apprentissage. Elle est membre principale du corps professoral de Mila et titulaire de chaire en IA Canada-CIFAR. Elle est également vice-présidente, Recherche en IA chez Meta (anciennement Facebook), où elle dirige l’équipe de recherche fondamentale en IA FAIR.
Les recherches de Joëlle Pineau sont axées sur le développement de nouveaux modèles et algorithmes pour la planification, ainsi que sur l’apprentissage dans des domaines complexes partiellement observables. Elle travaille également sur l’application de ces algorithmes à des problèmes complexes dans les domaines de la robotique, des soins de santé, des jeux et des agents conversationnels. Elle est membre du comité de rédaction du Journal of Machine Learning Research et présidente sortante de l’International Machine Learning Society.
Prix
- Nommée sur la liste AI 2000 des universitaires ayant le plus d’influence en intelligence artificielle, AAAI/IJCAI, 2023
- Membre, Société royale du Canada, 2023
- Tartans on the Rise, Université Carnegie Mellon, 2023
- Prix du Gouverneur général pour l’innovation, 2019
- Bourse commémorative E.W.R. Steacie, CRSNG, 2018
- Facebook Research Award, 2017
- Membre du Collège de nouveaux chercheurs et créateurs en art et en science, Société royale du Canada, 2016
- Boursière William Dawson, Université McGill, 2015
Publications Pertinentes
- Srikumar, M. et coll. (2023). « Advancing ethics review practices in AI research ». Publié dans Nature Machine Intelligence (vol. 4, no12).
- Sachan, D.S., Lewis, M., Yogatama, D., Zettlemoyer, L., Pineau, J. et Zaheer, M. (2023). « Questions are all you need to train a dense passage retriever ». Publié dans Transactions of the Association for Computational Linguistics (vol. 11).
- Sachan, D.S. et coll. (2022). « Improving passage retrieval with zero-shot question generation ».
- Yarats, D. Zhang, A., Kostrikov, I., Amos, B., Pineau, J. et Fergus R. (2021). « Improving sample efficiency in model-free reinforcement learning from images ». Publié dans Actes de la Conférence internationale de l’AAAI sur l’intelligence artificielle (vol. 35, no 12).
- Henderson, P., Islam, R., Bachman, P., Pineau, J., Precup, D., Meger, D. (2018). « Deep reinforcement learning that matters », Proceedings of the AAAI Conference on Artificial Intelligence, 32(1).