ChairesIA_2019_1 - Chaires de recherche et d'enseignement en Intelligence Artificielle - vague 1 de l'édition 2019

Approches statistiquement et computationnellement efficicaces pour l'intelligence artificielle – BISCOTTE

Résumé de soumission

Avec l'énorme quantité de données impliquées dans l'entraînement d'un système d'apprentissage machine, ainsi que la tendance à pousser l'intelligence artificielle vers les appareils mobiles et les systèmes embarqués, la prise en compte des contraintes de calcul et de mémoire est d'un intérêt primordial dès le départ dans la conception de méthodes d'apprentissage machine. L'une des caractéristiques des approches modernes de l'intelligence artificielle est que les différents types de contraintes découlant de l'efficacité statistique (c'est-à-dire en fonction de la quantité de données d'entraînement) et de l'efficacité computationnelle (c'est à dire en fonction de la taille mémoire et du temps de calcul) doivent être considérés simultanément, et non séparément. Bien que la réflexion sur les algorithmes efficaces dans les deux sens ci-dessus ait été présente depuis les origines du domaine de l'apprentissage machine, la prise en compte commune de ces questions s'est considérablement accélérée au cours de la dernière décennie. L'objectif principal de cette chaire sera de combiner l'expertise et les outils de l'optimisation, de la statistique et de l'informatique théorique pour prendre en compte les structures cachées dans les données et concevoir des algorithmes fiables, statistiquement efficaces, et computationellement efficaces exploitant une telle structure. Un aspect clé qui sera considéré est celui de l'adaptabilité, c'est-à-dire l'ajustement automatique des modèles statistiques ou des hyperparamètres impliqués, ainsi que du type et de la quantité d'accélération computationnelle (comme la parallélisation, ou la représentation en petite dimension), piloté par les données elles-mêmes.
Pour les objectifs d'enseignement, un principe central est d'exposer les étudiants à des parties pertinentes des domaines mentionnés ci-dessus (optimisation, statistiques, informatique théorique) et de les mettre en mesure de comprendre, contrôler et finalement façonner (et non seulement d'utiliser) les derniers développements en matière d'intelligence artificielle. L'accent sera mis sur l'interaction entre les différents domaines, de sorte que la pensée et les compétences de l'étudiant soient forgées par un principe de croisements mutuels, autant que par des cours spécialisés sur des sujets techniques et actuels.

Coordinateur du projet

Monsieur Gilles Blanchard (Laboratoire de mathématiques d'Orsay)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

LMO Laboratoire de mathématiques d'Orsay

Aide de l'ANR 600 000 euros
Début et durée du projet scientifique : août 2020 - 48 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter