Cette année, la 32ème conférence annuelle NeurIPS (anciennement appelée NIPS), qui accueille plus de 8500 participants à travers le monde, a eu lieu au Palais des congrès de Montréal du 2 au 8 décembre 2018.

NeurIPS est la plus grande conférence en Intelligence Artificielle au monde qui se concentre sur les dernières avancées en machine learning et deep learning. Ce congrès annuel de chercheurs, étudiants et professionnels du monde entier lance les tendances en recherche et développement dans les domaines du machine learning, des statistiques et de l’intelligence artificielle.

C’est dans ce contexte que j’ai eu l’occasion d’assister à une journée de conférences et d’ateliers organisée par WiML en parallèle des journées NeurIPS, en tant que Conseillère Data Science chez agileDSS.


WiML est une association qui promeut l’inclusion et la représentation des femmes dans le domaine de l’IA en faisant intervenir des orateurs féminins face à une audience mixte. La semaine des NeurIPS est donc un événement incontournable pour mettre en lumière ce mouvement vers la diversité et l'inclusion, essentiel à un monde de plus en plus révolutionné par l'IA.

WiML_blue_on_transparent_bg

Au programme de cette journée de conférence organisée par WiML :

  • Des conférences techniques en machine learning données par des chercheurs de l’industrie et de l’académie.
  • Des sessions de tables rondes de mentorat sur des sujets liés à l’inclusion des femmes dans ce domaine, les carrières académiques et professionnelles possibles, le tout comprenant des sessions de discussion avec des chercheurs et professionnels renommés.
  • Une salle regroupant les partenaires de l’événement dont plusieurs compagnies leaders dans le domaine de l’IA.
  • Une salle d'exposition des travaux de présentation dans le cadre des NeurIPS (pour la majorité: des posters de présentation sélectionnés sur les travaux de recherche des candidats).

Les conférences les plus inspirantes

1- People, Data and Algorithms: Facebook's Approach to Developing Fair AI


l’IA est en train de révolutionner l’industrie à travers le monde. Comme le dit Andrew Ng, “l’intelligence artificielle est la nouvelle électricité” et elle transforme chaque domaine dans lequel elle est appliquée, du transport à l’éducation en passant par la santé et l’agriculture.

Non seulement l’IA est partout, mais cela impacte également personnellement notre vie de tous les jours : l’obtention d’un prêt, la condamnation ou non en justice, la recherche d’emploi, etc.

Des questions éthiques se posent, notamment sur ce qui a trait à la construction d’algorithmes sans biais discriminatoires.

photo1

C’est sur ce point que s’ouvre la première présentation par Isabelle Kloumann, Data Scientist chez Facebook Research, qui parle de l’approche de Facebook afin de développer une IA plus juste et sans préjugés. C’est une démarche de fond qui nécessite par exemple, de faire travailler des personnes qui représentent une certaine diversité dans l’élaboration même des algorithmes, d’identifier les données utilisées pour faire apprendre l’IA, mais également les algorithmes qui représentent ce que l’IA apprend concrètement.


Ce sont tous ces gens qui conçoivent, développent et génèrent des données pour ces algorithmes et qui doivent contribuer ensemble à vérifier et corriger les biais induits dans ces algorithmes pour veiller à ne pas les transmettre.

Selon l’approche de Facebook, il faut toujours se poser la question « Est-ce la bonne issue pour avoir un impact positif sur les gens? ».

Pour ce faire, l’équipe de Facebook Research utilise un outil développé en interne qui leur permet de tester leurs produits afin de détecter si celui-ci propage des biais (vérification de métriques à travers les différents groupes d'âge et de sexe; dans le cadre de proposition d’emploi visant des personnes par exemple).

2- Cascaded Dataset QA (Quality Assurance)

Megan Maher, chercheuse chez Apple, nous parle d’une méthode que son équipe déploie afin de détecter automatiquement les labellisations les plus incertaines pour une vérification humaine dans les jeux de données par la suite. La méthode exploite les répétitions des annotations d’image par les personnes qui labellisent les contenus (ce qui est en général fait dans les bonnes pratiques des annotations des jeux de données) afin de ne sélectionner que les points les plus incertains pour une inspection humaine par la suite.

photo 2
Manuellement, cela prend du temps donc on essaie d’utiliser des composantes de machine learning afin d’automatiser le processus, mais cela est souvent coûteux (recherche de données pour l’apprentissage pour chaque image dans notre exemple).
L’approche de l’équipe de Megan est d’utiliser une cascade de filtres (classifieurs) et leur but est de réduire le temps et le coût de la manœuvre et de globalement minimiser l’effort déployé en QA tout en assurant un degré de confiance raisonnable quant à la qualité d’assurance des données.

photo 3

3- A future with Affordable self-driving cars

Raquel, scientiste en chef chez Uber ATG, nous plonge dans un futur où les routes seront plus vertes. En effet, Uber ATG se donne les moyens d’investir dans la recherche autour des véhicules autonomes (sachant qu’il y a eu des accidents fatals avec leurs véhicules autonomes et que le besoin en recherche dans ce domaine est grandissant) en ouvrant un nouveau laboratoire – le premier au Canada – à Toronto.

Imaginez des routes moins bouchonnées et plus sécuritaires ainsi que des espaces de parkings reconvertis en parcs. Raquel nous présente ses travaux de recherche avec un terrain grandeur nature permettant aux équipes de recherche d’Uber ATG d'expérimenter et simuler des algorithmes de vision par ordinateur pour leurs voitures autonomes.
Beaucoup de challenges à venir dans ce domaine et le potentiel de redéfinir le transport comme on le conçoit aujourd’hui.

Bilan

WiML est un évènement qui fait écho aux enjeux d’aujourd’hui dans le domaine de la tech et de l’IA. 2019 sera tournée vers toujours plus de transparence ( l'interprétabilité des modèles de machine learning, sujet qui a été très en vogue en 2018) et d’éthique en IA. Il s’agit d’être proactif et d’anticiper les problèmes afin de les résoudre tout en maintenant un effort commun avec le monde de la recherche qui est en ébullition avec une publication de papiers en prolifération chaque année.

Cela implique plus de diversité dans les équipes de recherche et développement ainsi qu’une prise de responsabilité des acteurs dans cet écosystème.
L'avènement de la déclaration de Montréal pour une IA responsable qui a été présentée aux NeurIPS - un rassemblement de chercheurs du monde entier- est un signe fort de la communauté et un pas en avant positif pour l’avenir de l’IA dans notre société.

Partager cet article
  


À propos de l'auteur

Yasmine Maricar

Diplômée en informatique, Yasmine est conseillère Big Data chez agileDSS. Très tôt, elle décide d’orienter sa carrière vers la Data science avec une maîtrise en Innovation, Marchés et Data Science. Elle se distingue par ses connaissances pointues sur l’intelligence artificielle et son application au sein des organisations. Elle travaille notamment sur le développement d’un laboratoire de données interne afin d’explorer des cas d'utilisation de Data Science et Machine Learning.

CONTACT

agileDSS Inc.
407, rue McGill, bureau 500.
Montréal (QC) H2Y 2G3.

info@agiledss.com
(514) 788-1337