Suis nous sur
CIFAR header logo
en
menu_mobile_logo_alt
  • Nouvelles
  • Activités
    • Événements publics
    • Réunions sur invitation seulement
  • Programmes
    • Programmes de recherche
    • Stratégie pancanadienne en matière d’IA
    • Initiatives à l’intention de la prochaine génération
    • Appel à idées mondial
  • Communauté
    • Membres et spécialiste-conseils
    • Chercheurs mondiaux CIFAR-Azrieli
    • Chaires en IA Canada-CIFAR
    • Direction – Stratégie en matière d’IA
    • Membres du réseau de solutions
    • Direction – CIFAR
  • Soutenez-nous
  • À propos
    • Notre histoire
    • CIFAR 40
    • Prix
    • Partenariats
    • Publications et rapports
    • Carrières
    • Répertoire du personnel
    • Équité, diversité et inclusion
  • en
Nouvelles

Irina Rish veut résoudre l’une des plus grandes difficultés de l’IA

Par: Krista Davidson
21 Juil, 2021
21 juillet 2021
Irina rish

Au cours des dernières décennies, des avancées extraordinaires ont été réalisées en ce qui a trait au mode d’apprentissage des systèmes d’intelligence artificielle (IA). L’une de leurs limites est toutefois leur capacité à acquérir de nouvelles connaissances tout en préservant les informations pertinentes existantes, comme le font les humains qui apprennent tout au long de leur vie. Irina Rish, titulaire d’une chaire en IA Canada-CIFAR, est une pionnière dans ce domaine émergent connu sous le nom d’apprentissage continu.

Les systèmes d’IA sont toujours plus performants et plus rapides que les humains lorsqu’ils effectuent des tâches comme l’identification de modèles et la prédiction de résultats. Cependant, ces systèmes manquent souvent de polyvalence et ne réussissent pas à appliquer les compétences acquises à de nouvelles situations. Irina Rish se spécialise dans l’utilisation des propriétés les plus robustes et invariantes de différentes répartitions de données pour permettre aux systèmes d’apprendre continuellement au fil du temps, sans entraînement supplémentaire. 

« Les systèmes peuvent s’adapter à de nouvelles données, mais lorsqu’ils sont confrontés à de nouveaux ensembles de données et à de nouvelles tâches, ils expérimentent souvent un oubli catastrophique, un phénomène où les nouvelles informations effacent les anciennes, explique Irina Rish. À l’inverse, l’oubli chez les humains et les animaux semble se produire de façon plus graduelle et moins catastrophique. »

Irina Rish est membre du corps professoral de Mila, l’Institut québécois d’intelligence artificielle, et professeure agrégée au département d’informatique et de recherche opérationnelle de l’Université de Montréal. En septembre 2020, elle a décroché une Chaire d’excellence en recherche du Canada en IA autonome dotée d’un budget de 34 millions de dollars. Auparavant, elle était chercheuse chez IBM à Yorktown Heights, dans l’État de New York.

Selon elle, l’entraînement des systèmes d’IA basés sur les réseaux neuronaux implique un compromis entre « stabilité et plasticité », par exemple entre l’adaptation et la mémorisation. Parfois, un système retient des informations, mais n’est pas capable de s’adapter rapidement (trop de stabilité et pas assez de plasticité) tandis qu’une bonne adaptation peut être malheureusement associée à un oubli rapide. L’objectif ultime de l’apprentissage continu est de parvenir à une adaptation rapide tout en évitant le problème de l’oubli catastrophique.

Les systèmes d’apprentissage continu sont prometteurs pour un large éventail d’applications, notamment en matière d’IA au service la santé, un domaine d’intérêt pour Irina Rish. Elle conçoit des modèles qui utilisent des données d’imagerie cérébrale pour identifier différents problèmes de santé mentale, dont des troubles tels que la dépendance et la schizophrénie. L’apprentissage continu permettrait d’éviter d’avoir à apprendre à partir de zéro avec de nouvelles données en transférant les connaissances acquises auprès de différents patients et hôpitaux, et d’en extraire des schémas d’activité cérébrale robustes associés à des problèmes de santé mentale qui sont invariants dans différents ensembles de données. 

L’apprentissage continu peut également être utile pour les véhicules autonomes, qui fonctionnent généralement très bien dans un environnement contrôlé, mais qui ont du mal à s’adapter à des environnements et à des scénarios qu’ils ne connaissent pas.

« Nous visons à développer des algorithmes robustes capables d’apprendre par eux-mêmes en réutilisant les connaissances passées tout en s’adaptant à de nouvelles tâches. En même temps, l’algorithme doit être suffisamment intelligent pour détecter des situations où il n’y a rien de similaire ou d’invariant entre les anciennes et les nouvelles données et pour développer le modèle au besoin, explique Irina Rish. Nos recherches permettront de combler le fossé entre les capacités de généralisation des humains et des systèmes d’IA. »

Irina Rish est chargée de cours à l’École d’été sur l’apprentissage profond et l’apprentissage par renforcement du CIFAR.

  • FOLLOW US

Articles liés

  • Le CIFAR, Amii et l’Institut Vecteur nomment huit nouveaux titulaires de chaire en IA Canada-CIFAR
    27 octobre 2022
  • Le CIFAR annonce les plans de la deuxième phase de la Stratégie pancanadienne en matière d’intelligence artificielle
    22 juin 2022
  • Le AI4Good Lab s’étend à trois villes canadiennes
    21 juin 2022
  • Des subventions Catalyseur octroyées à quatre projets collaboratifs utilisant des données synthétiques pour une recherche en santé plus efficace
    30 mai 2022

Soutenez-nous

Le CIFAR est un organisme de bienfaisance enregistré qui reçoit le soutien des gouvernements du Canada, de l’Alberta et du Québec, ainsi que de fondations, de donateurs individuels, d’entreprises et de partenaires canadiens et internationaux.

Dons
CIFAR header logo

Centre MaRS, tour Ouest
661, avenue University, bureau 505
Toronto (Ontario) M5G 1M1 Canada

Contactez-nous
Médias
Carrières
Politiques sur l’accessibilité
Bienfaiteurs
Rapports financiers
Abonnez-vous

  • © Copyright 2023 CIFAR. Tous les droits sont réservés.
  • Numéro d’enregistrement d’organisme de bienfaisance : 11921 9251 RR0001
  • Conditions d'utilisation
  • Politique de confidentialité
  • Plan du Site

Souscrire

Rejoignez notre communauté! Restez à jour avec nos nouvelles, événements, conférences et ateliers et dernières découvertes à travers le monde.

Ce site Web enregistre des témoins sur votre ordinateur. Ces témoins sont utilisés pour recueillir des renseignements sur votre interaction avec notre site Web et nous permettre de vous reconnaître. Nous utilisons ces renseignements afin d'améliorer et de personnaliser votre expérience de navigation et à des fins d'analyse et de mesures concernant nos visiteurs, tant sur ce site Web que sur d'autres médias. Pour en savoir plus sur les témoins que nous utilisons, consultez notre politique deconfidentialité.
Accepter En savoir plus