Recherche sur l'IA

Alors que l'apprentissage supervisé requiert de grands jeux de données annotés pour l'entraînement des modèles, le Machine Learning avec un minimum de supervision utilise des données sans étiquette et requiert une intervention humaine minimale. Les approches de supervision minimale, telles que l'apprentissage semi-supervisé, auto-supervisé, l'apprentissage actif et la modélisation de l'incertitude, utilisent d'autres cadres d'apprentissage pour améliorer la précision. Ces méthodes sont pertinentes lorsque l'étiquetage manuel est chronophage ou coûteux.

Nous développons des approches de few-shot learning qui fonctionnent lorsque des données limitées sont disponibles pour l'entraînement des modèles. Nos approches comprennent l'utilisation de données multimodales qui exploitent à la fois des images et du texte, ainsi que des méthodes d'hallucination et de méta-apprentissage intermodales. Peu d'approches d'apprentissage sont pertinentes dans tous les scénarios métier avec des données de formation limitées, telles que la classification de nouveaux produits dans les catalogues de produits en ligne.

Nos modèles de réponse visuelle aux questions intégratives (VQA) améliorent la détection d'informations à granularité fine et les métriques d'évaluation VQA, permettant aux ordinateurs de répondre à des questions sur une image en utilisant le langage naturel. L'application des modèles VQA couvre divers secteurs et va de l'intégration dans les chatbots intelligents aux systèmes de traitement des tickets et des factures, ainsi que la récupération intelligente d'informations pour les diagnostics de maladies.

Les modèles de Deep Learning de pointe impliquent des coûts IT importants et un matériel coûteux. Nous développons de nouvelles approches de Deep Learning efficace dans l’utilisation des ressources, y compris l’évaluation de la complexité des modèles, les réseaux économes en ressources, la quantification, l’élagage et la distillation des connaissances. Des approches de Deep Learning efficaces dans les applications industrielles permettent de minimiser les coûts monétaires, la consommation d'énergie, le temps d'inférence et l'impact environnemental.

Nous développons des approches de Machine Learning qui imposent des contraintes de confidentialité et d'équité, telles que la confidentialité différentielle et l'apprentissage fédéré, ainsi que l'apprentissage multitâche. Cela permet aux institutions d’utiliser des modèles de diagnostic ou de prédiction généralisés sans risquer la vie privée des individus. Le développement d'algorithmes avec des contraintes d'équité aide également à atténuer les préjugés inconscients dans les applications telles que la notation de crédit, les prêts bancaires ou la correspondance de CV.

Nous étudions les approches d'apprentissage tout au long de la vie qui permettent aux modèles de Machine Learning d'apprendre la façon dont les humains font, progressivement et en utilisant les connaissances antérieures pour apprendre de nouvelles tâches. Nos méthodes comprennent les approches de classe incrémentale, l'adaptation continue du domaine, la neuroplasticité et l'expansion de la capacité adaptative. Les modèles de Machine Learning qui apprennent en continu sont pertinents dans toutes les situations où il n'est pas possible de conserver les données d'entraînement historiques.

Comprendre le sentiment et les opinions exprimées en langage naturel est un défi clé dans le traitement du langage naturel. Nous travaillons sur de nouvelles approches pour l'analyse des sentiments qui se concentrent sur l'intégration de mots neuronaux et les méthodes basées sur l'attention. L'analyse des sentiments est pertinente pour les secteurs d'activité, tels que les télécommunications, les banques, les assurances et le e-commerce, où les opinions sur les produits et les services doivent être analysées et suivies d'effets.

Les modèles et algorithmes de Machine Learning ont atteint un niveau de sophistication exceptionnel, ce qui rend difficile l'explication des prévisions. Les approches interprétables du Machine Learning, telles que l'apprentissage auto-supervisé et méta-supervisé et les modèles axés sur la curiosité, permettent la découverte de modèles dans les données. Cela est essentiel dans les applications métier, car il apporte de la transparence et aide à expliquer les raisons sous-jacentes des résultats proposés.

L'extraction d'informations à partir de documents structurés et non structurés est difficile pour le traitement du langage naturel (NLP) et la recherche de données étiquetées pour entraîner des modèles de Machine Learning est difficile. Nos recherches portent sur les approches séquentielles et bidimensionnelles pour les documents structurés, combinent des éléments de la NLP avec la vision par ordinateur, et intègrent des modèles non supervisés et faiblement supervisés utilisant l'apprentissage du transfert dans des pipelines d'extraction d'informations.