Intelligence artificielle. Rendez-vous IA Québec
Conférencier

Christian Gagné

Professeur
Université Laval

Christian Gagné est professeur au département de génie électrique et de génie informatique de l’Université Laval depuis 2008. Il est le directeur de l’Institut intelligence et données (IID) de l’Université Laval. Il détient une Chaire en intelligence artificielle Canada-CIFAR et est membre associé à Mila. Il est également membre du Laboratoire de vision et systèmes numériques (LVSN), une composante du Centre de recherche en robotique, vision et intelligence machine (CeRVIM) ainsi que du Centre de recherche en données massives (CRDM) de l’Université Laval. Il fait parti des regroupements stratégiques REPARTI et UNIQUE du FRQNT, du centre VITAM du FRQS et de l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA).

Il a complété un doctorat en génie électrique (Université Laval) en 2005 pour ensuite effectuer un stage postdoctoral conjointement à l’INRIA Saclay (France) et l’Université de Lausanne (Suisse) en 2005-2006. Il a œuvré comme associé de recherche en milieu industriel entre 2006 et 2008. Il est membre du comité exécutif de l’ACM Special Interest Group on Evolutionary Computation (SIGEVO) depuis 2017.

Ses intérêts de recherche portent sur l’élaboration de méthodes pour l’apprentissage machine et l’optimisation stochastique. En particulier, il s’intéresse aux réseaux de neurones profonds, à l’apprentissage et au transfert de représentations, au méta-apprentissage ainsi qu’à l’apprentissage multitâche. Il s’intéresse également aux approches d’optimisation basées sur des modèles probabilistes ainsi qu’aux algorithmes évolutionnaires, entre autres pour l’optimisation boîte noire et la programmation automatique. Une part importante de ses travaux porte également sur la mise en pratique de ces techniques dans des domaines comme la vision numérique, la microscopie, la santé, l’énergie et les transports.

 

Apprentissage avec peu de données pour les interactions humain-machine

L'apprentissage profond est une des disciplines qui a propulsé l'intelligence artificielle à l'avant-scène des avancées technologiques dans les dernières années, avec sa capacité à produire des modèles traitant des données peu structurées pour l'automatisation de tâches cognitives. Cependant, ces approches d'apprentissage profond requièrent de très grands jeux de données étiquetées, typiquement obtenus par une intervention manuelle, pour permettre l'entraînement de modèles de très grande taille, souvent de plusieurs millions de paramètres. Si de tels jeux de données sont disponibles pour certaines tâches bien étudiées, comme par exemple la reconnaissance d'objets dans des images, plusieurs domaines et tâches ne peuvent pas bénéficier de tels jeux de données massives, de par la nature de l'application et/ou les ressources que peuvent requérir la collecte et production de tels jeux de données.