Conférence > Conférenciers invités

Jean-Louis Dessalles

Desalles

Position actuelle : Telecom Paris

Page web :  https://perso.telecom-paristech.fr/jld/ 

Titre de la présentation :  Que veut dire "comprendre" pour une machine ?

Résumé:

Un humain dont on dit « qu’il ne comprend rien » n’est pas considéré comme intelligent. L’intelligence artificielle s’expose à ce type de jugement. Les techniques numériques comme les réseaux de neurones ou l’apprentissage par renforcement prennent des décisions réflexes sur la base d’une expertise statistique. Elles n’ont pas besoin de comprendre la situation, ni de comprendre la solution qu’elles proposent. Les techniques à base de connaissances explicites, quant à elles, ont un horizon de compréhension particulièrement restreint : les prédicats qui apparaissent dans leurs règles ont un sens pour l’être humain, mais restent inconnaissables pour la machine. Je montrerai comment on peut augmenter le degré de compréhension d’une machine en la dotant de quelques mécanismes inspirés de notre fonctionnement cognitif, notamment les mécanismes de contraste, d’abduction et de compression.

_________________________________________________________________

Pierre-Yves Oudeyer

Oudeyer

 Position actuelle : INRIA et ENSTA ParisTech

Page web : http://www.pyoudeyer.com 

Titre de la présentation : Developmental machine learning

Résumé:

Current approaches to AI and machine learning are still fundamentally limited in comparison with autonomous learning capabilities of children. What is remarkable is not that some children become world champions in certains games or specialties: it is rather their autonomy, flexibility and efficiency at learning many everyday skills under strongly limited resources of time, computation and energy. And they do not need the intervention of an engineer for each new task (e.g. they do not need someone to provide a new task specific reward function).

I will present a research program that has focused on computational modeling of child development and learning mechanisms in the last decade. I will discuss several developmental forces that guide exploration in large real world spaces, starting from the perspective of how algorithmic models can help us understand better how they work in humans, and in return how this opens new approaches to autonomous machine learning.
In particular, I will discuss models of curiosity-driven autonomous learning, enabling machines to sample and explore their own goals and their own learning strategies, self-organizing a learning curriculum without any external reward or supervision.
I will show how this has helped scientists understand better aspects of human development such as the emergence of developmental transitions between object manipulation, tool use and speech. I will also show how the use of real robotic platforms for evaluating these models has led to highly efficient unsupervised learning methods, enabling robots to discover and learn multiple skills in high-dimensions in a handful of hours. I will discuss how these techniques are now being integrated with modern deep learning methods.
Finally, I will show how these models and techniques can be successfully applied in the domain of educational technologies, enabling to personalize sequences of exercises for human learners, while maximizing both learning efficiency and intrinsic motivation. I will illustrate this with a large-scale experiment recently performed in primary schools, enabling children of all levels to improve their skills and motivation in learning aspects of mathematics.

 

__________________________________________________________________

Leon Bottou

 Bottou

Position actuelle : Facebook AI Research

Page web :  http://leon.bottou.org 

Titre de la présentation : Learning Representations Using Causal Invariance

Résumé:

Learning algorithms often capture spurious correlations present in the training data distribution instead of addressing the task of interest. Such spurious correlations occur because the data collection process is subject to uncontrolled confounding biases. Suppose however that we have access to multiple datasets exemplifying the same concept but whose distributions exhibit different biases. Can we learn something that is common across all these distributions, while ignoring the spurious ways in which they differ? This can be achieved by projecting the data into a representation space that satisfy a causal invariance criterion. This idea differs in important ways from previous work on statistical robustness or adversarial objectives. Similar to recent work on invariant feature selection, this is about discovering the actual mechanism underlying the data instead of modeling its superficial statistics.

__________________________________________________________________

Jean-Gabriel Ganascia

Ganascia

Position actuelle : Lip6 et Sorbonne Université

Page web : https://www.lip6.fr/actualite/personnes-fiche.php?ident=P34

Titre de la présentation : De l’apprentissage machine et des masses de données à l’éthique du numérique

Résumé:

Qu’il s’agisse de protéger l’intimité la vie privée, l’anonymat ou la propriété, d’encourager le partage, voire de garantir l’absence de biais, les questions éthiques suscitées par la captation et l’exploitation des données sont à la fois nombreuses et anciennes. À cela s’ajoutent les effets délétères de certaines applications hâtives des systèmes prédictifs fondés sur l’utilisation de techniques d’apprentissage machine, comme la justice prédictive, l’établissement dynamique des prix ou la répartition des forces de polices. Or, l’approche de ces questions varie dans le temps et selon les cultures. De plus, certaines prescriptions morales, comme l’impartialité dans la collecte ou les principes de finalité et de proportionnalité de la CNIL, vont à l’encontre des postulats épistémologiques posés par les zélateurs les plus enflammés des masses de données. Il s’agira là de présenter ces problématiques éthiques et de les mettre en regard des questions épistémologiques fondamentales suscitées par la science des données.

  __________________________________________________________________

Intervenant : Laurence Devillers

Devillers 

Position actuelle : LIMSI-CNRS et Sorbonne Université

Page web : http://laurence-devillers.com/ 

Titre de la présentation : Chatbots et robots affectifs : questions éthiques.

Résumé:

Les nouveaux usages des robots sociaux affectifs et des agents conversationnels dans des domaines aussi divers que la santé, l'éducation ou les transports reflètent une phase de changement significatif dans les relations homme-machine qui devrait faire l'objet d'une grande attention. Comment l'Homme co-apprendra, co-créera et co-s'adaptera avec les machines ? Notamment, comment les personnes vulnérables seront-elles protégées contre les menaces potentielles (ou les coups de pouce ou suggestions) de la machine ?

_________________________________________________________________

 Intervenant : Luc de Brabandere

de_Brabandere

Page webwww.lucdebrabandere.com

Position actuelle : Philosophe d'entreprise

Titre de la présentationThinking in a Digital World.

Résumé :  The more we talk about robots or artificial intelligence, the more we need to rediscover the power of human thinking. With this claim as a premise, three imperatives can be deduced:

  • Be logical! We need to think better, go beyond mathematics and embrace the science of valid reasoning which underlies the computer industry.
  • Be critical! We need to think more and learn how to deal with the flow of arguments on Internet designed to influence or persuade us.
  • Be creative! We need to think differently, since a digital transformation cannot be successful without new mental models.

 

Personnes connectées : 4