Au cœur de l'IA : paroles de quatre AI Fellows

Aina Garí Soler, Lamsade, Dauphine - PSL

Soyez curieux, ouvert d'esprit et flexible. Le TALN est un domaine interdisciplinaire qui s'appuie sur les connaissances issues de l'informatique, de la linguistique, de la psychologie et de nombreux autres domaines, aujourd'hui plus que jamais.

• Sujet de recherche : Traitement du langage naturel et linguistique informatique
• Lieu de thèse : Doctorat à l'université Paris-Saclay en 2021.
• Dernier emploi : Chercheur postdoctoral à Télécom Paris (2021-2024) et au sein de l'équipe

Quels sont les principaux défis auxquels l'IA est confrontée aujourd'hui dans votre domaine de recherche ?

Il est difficile d'en choisir seulement quelques-uns. Alors que le domaine se concentre de plus en plus sur la génération de langage, la conception de méthodes d'évaluation fiables et pertinentes est devenue à la fois cruciale et très difficile. Nous sommes également confrontés à des questions urgentes liées aux préjugés, à l'équité et à l'éthique : la démocratisation des outils d'IA les rend largement accessibles, mais ouvre également la porte à des utilisations que nous n'avons peut-être pas anticipées ou auxquelles nous ne sommes pas préparés. Un autre défi de longue date consiste à garantir que les technologies linguistiques atteignent les langues et les communautés sous-représentées, afin que leurs avantages soient partagés de manière plus équitable.

Dans le cadre de votre travail, vous enseignez également. Pouvez-vous nous en dire plus sur vos cours ?

J'ai principalement enseigné des cours généraux sur le traitement du langage naturel, en mettant toujours l'accent sur notre objet de travail et d'étude principal : le langage lui-même. Cette année, je vais également donner un cours sur l'IA appliquée à la santé mentale.

Avez-vous des conseils à donner aux étudiants qui souhaitent se lancer dans votre domaine de recherche ?

Soyez curieux, ouvert d'esprit et flexible. Le TALN est un domaine interdisciplinaire qui s'appuie sur les connaissances issues de l'informatique, de la linguistique, de la psychologie et de nombreux autres domaines, aujourd'hui plus que jamais. Restez motivé pour suivre les dernières avancées dans ce domaine en constante évolution, tout en acceptant le fait que la recherche est souvent un processus lent.

 

Mélodie Monod, Cérémade, Dauphine - PSL

La recherche dans ce domaine évolue rapidement, que le succès vient souvent de la combinaison d'idées classiques et d'outils informatiques modernes, il est important d'être ouvert aux perspectives interdisciplinaires.

• Sujet de recherche :  Modélisation probabiliste bayésienne, axée sur l'intersection entre l'apprentissage profond et l'inférence bayésienne.
• Lieu de thèse :  Doctorat à l'Imperial College London en 2023.
• Dernier emploi : Chercheur postdoctoral senior à l'université d'Oxford.

 
Quels sont les principaux défis auxquels est confrontée l'IA dans votre domaine de recherche aujourd'hui ?

L'un des principaux défis dans mon domaine consiste à combiner les atouts de l'apprentissage profond et de l'inférence bayésienne de manière cohérente, évolutive et interprétable. Les modèles d'apprentissage profond ont atteint des performances remarquables, mais manquent souvent d'une quantification fiable de l'incertitude, tandis que les modèles bayésiens offrent des estimations d'incertitude fondées sur des principes, mais ont tendance à être coûteux en termes de calcul et difficiles à adapter à des données de haute dimension. Pour concilier ces deux paradigmes, il faut développer des algorithmes d'inférence efficaces et des modèles probabilistes expressifs capables de saisir les structures complexes des données tout en restant gérables sur le plan informatique. Un autre défi majeur consiste à interpréter et à calibrer l'incertitude dans les réseaux neuronaux profonds modernes, une étape essentielle vers des systèmes d'IA fiables et robustes, en particulier dans les applications critiques pour la sécurité telles que les soins de santé ou la modélisation climatique.

 
Dans le cadre de votre travail, vous enseignez également. Pouvez-vous nous en dire plus sur vos cours ?

J'enseigne les statistiques aux étudiants de première année de licence internationale en IA à PSL. Dans ce cours, les étudiants apprennent les bases des statistiques, notamment les populations, les échantillons, les variables aléatoires et les distributions de probabilité. Nous nous concentrons sur les méthodes systématiques de synthèse et de visualisation des données et abordons les concepts fondamentaux de l'inférence statistique tels que l'estimation, les intervalles de confiance et les tests d'hypothèse.

Avez-vous des conseils à donner aux étudiants qui souhaitent se lancer dans votre domaine de recherche ?

Mon principal conseil serait de se forger de solides bases en probabilité, en statistiques et en algèbre linéaire, car ce sont les langages de l'IA moderne et des méthodes bayésiennes. Au-delà des compétences techniques, il est essentiel de développer une intuition pour l'incertitude et l'inférence, en comprenant non seulement comment les modèles font des prédictions, mais aussi dans quelle mesure nous pouvons avoir confiance en ces prédictions. J'encourage également les étudiants à rester curieux tant sur le plan théorique que pratique. Les méthodes bayésiennes sont profondément mathématiques, mais leur puissance réside dans leur application à des problèmes concrets. Il peut être très enrichissant de s'intéresser aux outils open source, de reproduire des articles récents et de collaborer avec d'autres disciplines. Enfin, n'oubliez pas que la recherche dans ce domaine évolue rapidement, que le succès vient souvent de la combinaison d'idées classiques et d'outils informatiques modernes, et qu'il est important d'être ouvert aux perspectives interdisciplinaires.

Shuyu Dong, Lamsade, Dauphine - PSL

L'un des grands défis auxquels nous sommes confrontés est la grande complexité des problèmes d'apprentissage des structures causales sur des données à haute dimension

• Sujet de recherche : Apprentissage causal, décomposition matricielle et tensorielle et thèmes connexes en optimisation.
• Lieu de thèse : Université catholique de Louvain de Belgium en 2021.
• Dernier emploi : Chercheur postdoctoral au Laboratoire des Signaux et Systèmes (L2S), CentraleSupélec, CNRS, Université Paris-Saclay de 2024 à septembre 2025, et de 2021 à 2024, chercheur postdoctoral au sein de l'équipe TAU à l'INRIA, LISN, Université Paris-Saclay.

Quels sont les principaux défis auxquels l'IA est confrontée aujourd'hui dans votre domaine de recherche ?

Mes recherches portent sur l'apprentissage des structures causales, un sujet à la frontière entre l'inférence causale, l'apprentissage automatique et l'IA. L'un des grands défis auxquels nous sommes confrontés est la grande complexité des problèmes d'apprentissage des structures causales sur des données à haute dimension (telles que les données issues de la génomique et de la recherche biomédicale ou les grands modèles linguistiques). Parmi les autres défis majeurs figurent les questions relatives à la manière dont l'apprentissage causal pourrait être intégré à des systèmes d'IA tels que les modèles d'apprentissage profond et les grands modèles linguistiques afin d'améliorer leurs capacités de raisonnement.

Dans le cadre de votre travail, vous enseignez également. Pouvez-vous nous en dire plus sur vos cours ?

J'ai enseigné des cours sur l'analyse numérique, les algorithmes et la complexité, les statistiques et l'apprentissage automatique, ainsi que l'optimisation, et j'enseignerai des sujets liés à l'apprentissage profond et aux modèles linguistiques.

Avez-vous des conseils à donner aux étudiants qui souhaitent se lancer dans votre domaine de recherche ?

D'après mon expérience, je conseillerais aux étudiants qui souhaitent travailler dans ce domaine de commencer par trouver les sujets de recherche les plus proches de leurs propres études ou de leurs centres d'intérêt, puis d'étudier non seulement les cours fondamentaux de leur discipline, mais aussi de s'intéresser à d'autres disciplines connexes, de lire davantage, de discuter avec d'autres personnes et d'écrire des codes.

 

Vito Dichio, laboratoire de Physique de l'ENS - PSL

Nous avons besoin d'un apprentissage économe en énergie et d'une inférence légère et efficace sur le plan matériel afin que l'IA pour les neurosciences et l'IA inspirée des neurosciences puissent évoluer de manière éthique et écologique.

• Sujet de recherche : Neurosciences computationnelles
• Lieu de thèse : Paris Brain Institute (Université de la Sorbonne), Paris, France (2020–23)
• Dernier emploi Laboratoire de physique de l'École normale supérieure (LPENS), Paris, France (2024-2025)

Quels sont les principaux défis auxquels l'IA est confrontée aujourd'hui dans votre domaine de recherche ?

L'IA et les neurosciences sont dans une boucle vertueuse. D'une part, même les systèmes nerveux « simples » apprennent rapidement, s'adaptent en ligne et généralisent à partir d'une expérience limitée, des capacités que l'IA actuelle a encore du mal à égaler. Le défi consiste à construire des modèles qui apprennent et généralisent à travers différentes tâches avec l'efficacité et la robustesse dont fait preuve la biologie par défaut. D'autre part, les neurosciences sont désormais un moteur de données. Les enregistrements à grande échelle, les vidéos comportementales et la connectomique produisent des torrents de signaux qu'aucun être humain ne peut analyser seul. L'IA peut faire apparaître des structures latentes (variétés de faible dimension, motifs de circuits, états cachés) qui sont autrement difficiles à détecter. La difficulté consiste à créer des méthodes interprétables et fiables afin que les modèles deviennent des mécanismes et des hypothèses vérifiables, et non de simples ajustements esthétiques. Enfin, il est essentiel de mentionner la durabilité. Nous avons besoin d'un apprentissage économe en énergie et d'une inférence légère et efficace sur le plan matériel afin que l'IA pour les neurosciences et l'IA inspirée des neurosciences puissent évoluer de manière éthique et écologique.

Dans le cadre de votre travail, vous enseignez également. Pouvez-vous nous en dire plus sur vos cours ?

J'enseigne actuellement les principes fondamentaux de l'apprentissage automatique pour les neurosciences, avec une approche pratique fondée sur des données expérimentales et un pipeline de bout en bout, de l'analyse des données à la formation et à la critique des modèles. À l'avenir, mes cours couvriront les fondements de l'IA (probabilités, statistiques, programmation scientifique) et des modules appliqués et interdisciplinaires. Je mets l'accent sur la clarté, l'intuition et les modes de pensée plutôt que sur un formalisme strict, afin que les étudiants (je l'espère !) apprennent à raisonner, et pas seulement à calculer. 
 

Avez-vous des conseils à donner aux étudiants qui souhaitent se lancer dans votre domaine de recherche ?

Avant tout, soyez bilingue : acquérez des bases solides en mathématiques/informatique tout en maîtrisant les neurosciences. Cultivez également une curiosité active : assistez à des séminaires en dehors de votre domaine de prédilection, lisez des articles dans des domaines connexes et suivez le cycle de vie complet des données, de l'acquisition à l'analyse. Plus généralement, posez des questions naïves, continuez à demander « pourquoi » et résistez à la tentation de passer sous silence l'incertitude lorsque vous ne pouvez pas expliquer quelque chose sur-le-champ : réfléchissez-y, testez-le et laissez-le façonner votre prochaine hypothèse.