Jun Jin
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2026
Jun Jin se penche sur la manière dont les machines intelligentes peuvent apprendre et s’adapter en permanence grâce à leurs interactions avec le monde réel. À l’intersection de l’apprentissage par renforcement et de l’intelligence artificielle incarnée, ses travaux examinent comment les robots acquièrent, perfectionnent et réutilisent leurs capacités motrices grâce à leurs contacts avec l’environnement physique.
À mesure que les systèmes d’IA évoluent dans des contextes réels et ouverts, le grand défi n’est plus d’accroître la puissance de calcul ou le volume de données, mais de faire en sorte qu’ils apprennent véritablement de leur expérience. Jun Jin s’intéresse à l’élaboration de modèles computationnels permettant aux robots de générer des représentations internes prédictives de leurs propres actions et résultats, au lieu de se cantonner à de simples prévisions statiques. Il aspire ainsi à créer des agents capables d’apprendre tout au long de leur vie et de fonctionner efficacement face à des tâches, à des environnements et à des besoins humains en constante évolution. Cette orientation favorise le développement de robots conçus comme des outils à usage général; aptes à apprendre, à collaborer avec les humains et à évoluer dans des environnements complexes, ces systèmes concrétisent un idéal d’« autonomie centrée sur l’humain », au cœur de sa vision de la recherche en IA et en robotique.
Prix
- Finaliste du prix du meilleur article étudiant de l’ICRA 2022 (parmi les trois meilleurs), IEEE Robotics and Automation Society (2022).
- Bourse d’excellence de l’Alberta pour les cycles supérieurs, gouvernement de l’Alberta (2020)
- Finaliste du prix KUKA Innovation Award (parmi les cinq finalistes mondiaux), KUKA Robotics (2018)
Publications Pertinentes
- Jin, J., Graves, D., Haigh, C., Luo, J et Jagersand, M. (mai 2022), « Offline learning of counterfactual predictions for real-world robotic reinforcement learning », 2022 International Conference on Robotics and Automation (ICRA), p. 3616-3623, IEEE.
- Jin, J., Nguyen, N. M., Sakib, N., Graves, D., Yao, H. et Jagersand, M. (mai 2020), « Mapless navigation among dynamics with social-safety-awareness: a reinforcement learning approach from 2d laser scans », 2020 IEEE international conference on robotics and automation (ICRA), p. 6979-6985, IEEE.
- Jin, J., Zhang, H. et Luo, J. (2022), « Build generally reusable agent-environment interaction models », NeurIPS 2022 Foundation Models for Decision Making Workshop.