Isaac Tamblyn (Ph. D.)

TamblynIsaac Tamblyn (Ph. D.)

Chercheur, Conseil national de recherches du Canada

Isaac Tamblyn est chercheur au Conseil national de recherches du Canada. Détenteur d’un doctorat en physique de l’Université Dalhousie (2009), obtenu grâce à une bourse Killam, il a poursuivi des études postdoctorales au Lawrence Berkeley Laboratory et au Lawrence Livermore National Laboratory. À présent, il dirige une équipe qui recourt à l’intelligence artificielle et à l’apprentissage profond pour comprendre et maîtriser les propriétés des matériaux à l’échelle du nanomètre.


Débrouiller les réseaux – comprendre l’apprentissage profond et l’IA moderne | mardi 2 octobre à 11h15

Par « apprentissage profond », on entend une approche de l’apprentissage machine reposant sur la modélisation mathématique d’immenses réseaux de neurones reliés entre eux et agissant les uns sur les autres. Selon la manière dont ces réseaux sont connectés et la méthode employée pour les former lors de leur construction, il est possible de résoudre des problèmes de toute sorte. Des tâches apparemment sans liens entre elles, comme le traitement des langages naturels et la traduction, la visionique, la reconnaissance des images, le passage du texte à la parole (ou vice-versa), la genèse et l’augmentation de données synthétiques, la réduction du nombre de dimensions et le regroupement en sont des exemples. Dans le monde des algorithmes, il est rare que de nouveaux paradigmes trouvent des applications aussi efficaces et aussi vastes.

L’apprentissage profond s’avère extrêmement puissant quand on le combine à des techniques complémentaires comme l’apprentissage par renforcement. Des logiciels nourris par des réseaux neuronaux profonds ont réussi à maîtriser des jeux aussi complexes que ceux d’Atari, les échecs, DOTA 2 et, surtout, le jeu de go. Formés au moyen d’accélérateurs modernes, ces logiciels atteignent vite un degré d’aptitude surhumain.

La définition de « difficile » est en train de changer.

Nous entrons à présent dans une ère où les chercheurs de maintes disciplines scientifiques ont aisément accès aux algorithmes d’apprentissage autonome. Face au succès de l’apprentissage profond, ils sont de plus en plus nombreux à recourir à ces techniques pour surmonter des obstacles qui empêchent depuis longtemps les sciences physiques d’avancer. Je présenterai quelques architectures de réseau existantes et montrerai ce qu’en font présentement les scientifiques.