Yann LeCun
La nomination
Spécialiste-conseil
Apprentissage automatique, apprentissage biologique
Connect
À Propos
Parmi les intérêts de recherche de Yann LeCun, informaticien, notons les modèles computationnels et biologiques de l’apprentissage et de la perception.
Il vise notamment à comprendre les principes de l’apprentissage cérébral et à créer des modèles computationnels dotés de capacités d’apprentissage similaires. Ses recherches s’appliquent avant tout à la vision artificielle pour permettre aux ordinateurs de reconnaître des objets dans des images et aux robots mobiles de naviguer à l’aide de la vision. Il applique aussi ses algorithmes d’apprentissage à grande échelle à d’autres domaines, comme la prédiction de crises épileptiques à partir du signal de l’EEC et de données avec dépendances spatio-temporelles, comme les cours immobiliers, et l’identification de structures sous-cellulaires dans des images biologiques.
Dans les dernières décennies, LeCun a travaillé à la compréhension des documents et à la reconnaissance optique de caractères, ainsi qu’à la compression de données et aux bibliothèques numériques. Sa technologie de compression d’images, appelée DjVu, est utilisée par de nombreux éditeurs et bibliothèques numériques, y compris Internet Archive et The New Yorker pour la distribution de documents numérisés en ligne ou sur DVD. Depuis le milieu des années 1990, sa technologie de reconnaissance de l’écriture manuscrite, qui fait appel à un système d’apprentissage d’inspiration biologique, est une des composantes des lecteurs de chèques bancaires. Cette technologie fait le traitement automatique d’un grand pourcentage des chèques bancaires aux États-Unis. De nombreuses applications industrielles intègrent ses techniques de compréhension d’images fondées sur l’apprentissage, notamment : surveillance vidéo, compréhension de documents et interaction humain-ordinateur.
Prix
- Prix A.M. Turing, 2018
- Prix de l’innovation dans les réseaux neuronaux de l’IEEE, 2014
- Directeur de la recherche en intelligence artificielle, Facebook, 2013
Publications Pertinentes
- Vapnil, V. et coll. « Measuring the VC-dimension of a learning machine. » Neural Comput. 6, no 5 (1994): 851–76.