Apprentissage automatique, apprentissage biologique

Comment approfondir notre compréhension de l’intelligence et construire des machines intelligentes?
Les systèmes d’IA actuels ont une capacité limitée à comprendre le monde. Le programme Apprentissage automatique, apprentissage biologique du CIFAR met à profit la neuroscience et l’informatique pour étudier comment le cerveau et les systèmes artificiels acquièrent leur intelligence par l’apprentissage. La méthode fondamentale du programme — qui revisite des questions de fond plutôt que de se concentrer sur des avancées technologiques à court terme — offre le double avantage d’améliorer la conception technique des machines intelligentes et d’approfondir notre compréhension de l’intelligence humaine.
POINTS FORTS DE LA RECHERCHE ET DE L’IMPACT SOCIÉTAL
Oeuvrer en partenariat pour l'avancement de la recherche en intelligence artificielle
Le programme Apprentissage automatique, apprentissage biologique du CIFAR entretient un partenariat avec Inria, l’Institut national de recherche en sciences et technologies du numérique de la France. Tout comme le CIFAR, Inria encourage la prise de risque scientifique et l’interdisciplinarité, et les deux organisations sont des leaders en matière de développement de nouvelles méthodes en apprentissage automatique et en IA.

Faire progresser des recherches essentielles sur l’apprentissage automatique
Les membres du programme ont publié d’importants résultats cette année. Le membre Bernhard Schölkopf (ETH Zurich, Institut Max-Planck sur les systèmes intelligents) a publié un article qui explore les possibilités de partage entre les domaines de l’apprentissage automatique et de la causalité graphique, discutant des répercussions et des croisements pour les deux communautés. Le coresponsable du programme Konrad Kording (Université de la Pennsylvanie) et ses collègues ont présenté un article à la première Conférence sur l’apprentissage et le raisonnement causal, partiellement financée par la Fondation Sloan, sur une étude qui a utilisé des variables instrumentales pour l’inférence causale. L’étude présente l’exclusion comme un problème d’estimation basé sur des données et applique des méthodes flexibles d’apprentissage automatique pour estimer la probabilité qu’une unité se conforme à l’instrument. Chelsea Finn (Université de Stanford), membre du CIFAR, a publié un article sur la façon dont les progrès de l’apprentissage automatique découlent de l’association de la disponibilité des données, des ressources informatiques et d’un encodage adéquat des biais inductifs.
Développer un modèle de collecte de données neuroscientifiques
Les membres Blake Richards (Mila, Université McGill) et Joel Zylberberg (Université York) ont rencontré un certain nombre de leaders de l’industrie neurotechnique et de la communauté neuroscientifique canadienne pour explorer les possibilités de collecte de données neuroscientifiques à grande échelle qui aideront à construire des modèles fondamentaux pour le calcul neuronal.
Explorer l’éthique de l’intelligence artificielle
Dans la foulée de deux tables rondes sur l’IA éthique, des membres du programme et des titulaires de chaire en IA Canada-CIFAR ont participé à une réunion virtuelle en février 2022, organisée par le CIFAR en collaboration avec l’Institut Ada Lovelace (Royaume-Uni) et le Partnership on AI. Cette réunion a rassemblé des scientifiques du milieu universitaire et de l’industrie pour formuler des recommandations sur les pratiques exemplaires en matière d’examen éthique dans le cadre de conférences sur l’IA et l’apprentissage automatique.

ARTICLES NOTABLES
Hinton, G. E., S. Osindero et Y. Teh. « A fast learning algorithm for deep belief nets », Neural Computation, 18, (2006) : 1527-1554.
Bengio, Y., P. Lamblin, D. Popovici et H. Larochelle, « Greedy Layer-Wise Training of Deep Networks », Neural Information Processing Systems Proceedings (2006).
Salakhutdinov, R. et G. Hinton. « Learning a Nonlinear Embedding by Preserving Class Neighbourhood Structure », Proceedings of the Eleventh International Conference on Artificial Intelligence and Statistics (2007) : 412-419.
Graves, A., A. Mohamed et G.E. Hinton. « Speech Recognition with Deep Recurrent Neural Networks », 39th International Conference on Acoustics, Speech and Signal Processing, Vancouver (2013).
LeCun, Y., Y. Bengio et G. Hinton. « Deep Learning », Nature, 521 (2015) : 436–444. RÉSUMÉ
Contactez la directrice principale du programme, Kate Geddie
Voie menant à l’impact sociétal
Nous invitons les experts au sein de l’industrie, de la société civile, des soins de santé et du gouvernement à se joindre aux boursiers de notre programme Apprentissage automatique, apprentissage biologique pour participer à de profondes discussions intersectorielles qui favorisent le changement et l’innovation.
Des spécialistes des sciences sociales, des experts de l’industrie, des décideurs et les boursiers du CIFAR au sein du programme Apprentissage automatique, apprentissage biologique se penchent sur des enjeux éthiques complexes relatifs aux environnements de recherche et de formation en IA, ainsi qu’à la mise en œuvre de l’IA.
Axes prioritaires :
- Explorer les répercussions sociétales actuelles et futures de la recherche en IA
- Examiner divers enjeux relatifs à la recherche en IA et à sa mise en œuvre, y compris la protection des renseignements personnels, la reddition de compte et la transparence
Fondation
2004
Dates de renouvellement
2008, 2014, 2019
Partenaires de recherche
Fondation Brain Canada par l’entremise du Fonds canadien de recherche sur le cerveau, Inria
Bienfaiteurs
Alfred P. Sloan Foundation, Meta Platforms, Inc., RBC Fondation
Collaborations interdisciplinaires
Informatique, y compris intelligence artificielle, apprentissage profond, apprentissage par renforcement
Neuroscience
Bioinformatique
Biologie computationnelle
Statistiques
Science des données
Psychologie
Personne-ressource
Membres et spécialistes-conseils
Coresponsables de programme
Membres
Spécialistes-conseils
Membres du programme de chercheurs mondiaux CIFAR-Azrieli
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.