Au début de l'année, j'ai défini des objectifs et des résultats clés (OKR) pour stimuler ma croissance personnelle et professionnelle. J'ai travaillé pour atteindre mes OKR en contribuant à un projet de recherche, en encadrant et en formant un stagiaire en science des données, en élargissant mes connaissances en lisant 28 livres et en améliorant mon score à l'examen EFSET de 15 points pour qualifier ma maîtrise de l'anglais. De plus, j'ai approfondi mon expertise en Machine Learning for Production (MLOps) en complétant une spécialisation avec les meilleurs scores dans plusieurs cours.
En reconnaissance de ces réalisations, Galaksiya m'a fait l'honneur de me donner l'opportunité d'assister à la conférence ECAI, un événement prestigieux qui a fourni des informations précieuses sur les dernières avancées en matière d'intelligence artificielle. La conférence s'est tenue dans la magnifique ville de Saint-Jacques-de-Compostelle, un endroit qui m'a donné l'impression de remonter dans le temps. En me promenant dans ses rues pavées et son architecture médiévale, j'ai eu l'impression de m'être soudainement téléportée au 14e siècle, en parcourant les pages d'un livre d'histoire. La beauté de la ville et son riche patrimoine ont rendu cette expérience encore plus inoubliable. Dans ce blog, je partagerai mon parcours et les principaux points à retenir de la conférence.
27e Conférence européenne sur l'intelligence artificielle (ECAI)
L'ECAI s'est tenu du 19 au 24 octobre 2024 et a réuni plus de 1,600 XNUMX délégués de la communauté mondiale de recherche en IA.
La conférence proposait un programme complet, comprenant des présentations d'articles techniques, des ateliers, des tutoriels, des conférences invitées et des sessions spéciales. Dans ce blog, je fournirai un résumé des présentations et des tutoriels auxquels j'ai assisté pendant l'événement. Tous les articles sont publiés dans [1].
Thèmes clés
A. Éthique et équité
Responsabilité dans les systèmes d’IA : Aborder les risques associés à l’IA à usage général et créer des mécanismes pour garantir un déploiement sûr et éthique.
Utilisation abusive de l'IA : S’attaquer aux dilemmes éthiques tels que les utilisations malveillantes de l’IA, en particulier dans des domaines sensibles comme les médias sociaux.
Équité et inclusivité : Plaidoyer pour une représentation équitable et proportionnelle dans les systèmes de prise de décision basés sur l’IA.
Explicabilité en IA : Garantir que les systèmes d’IA sont transparents et interprétables pour favoriser la confiance et la compréhension, permettant aux parties prenantes de comprendre comment les décisions sont prises.
B. Durabilité
Impact environnemental de l’IA : Reconnaître l’empreinte carbone croissante des processus d’apprentissage automatique et promouvoir des pratiques durables.
Utilisation efficace des ressources : Axé sur la minimisation du gaspillage des ressources et l’amélioration de l’efficacité des systèmes d’IA pour réduire les dommages environnementaux.
C. Améliorer l’apprentissage actif et l’optimisation
Apprentissage actif: Développer des algorithmes plus intelligents capables de s’affiner à l’aide de requêtes ciblées et de contre-exemples, conduisant à une meilleure efficacité du modèle.
Optimisation: Mener des études pour améliorer les performances des systèmes de planification d’IA classiques, les rendant plus efficaces et fiables.
D. Applications de l’IA dans les processus et les systèmes
Processus déclaratifs : Utiliser l'IA pour optimiser l'exploration, la représentation et la synthèse des processus pour une meilleure automatisation des flux de travail.
Collaboration multi-agents : Explorer les défis et les opportunités des systèmes multi-agents, notamment pour répondre à des scénarios complexes et multi-objectifs.
Détection d'une anomalie: Exploiter l'IA pour identifier des modèles ou des écarts inhabituels dans les données qui peuvent indiquer des erreurs, des fraudes ou des défaillances du système. Cela comprend une surveillance en temps réel et des analyses prédictives pour améliorer la prise de décision et maintenir l'intégrité du système.
E. IA à usage général
Définition, évaluation et amélioration de l'AGI : Une attention croissante est portée à l’identification des limites et à la proposition de solutions standardisées pour l’IA qui peuvent fonctionner sur diverses tâches.
Méthodes clés
A. Grands modèles de langage
B. Apprentissage par renforcement
C. Systèmes multi-agents
D. Vision par ordinateur
Faits marquants de la conférence
1. Éthique et équité
Le Mettre en œuvre l’éthique de l’IA à travers une approche comportementale[2] L'atelier a exploré comment aligner les systèmes d'IA sur les valeurs humaines, en mettant l'accent sur l'équité, la réduction des biais et la transparence. Il a souligné la nécessité d'aller au-delà des mesures de précision traditionnelles et d'adopter des méthodes d'évaluation qui reflètent les défis du monde réel, tels que les mesures centrées sur le patient dans les soins de santé. L'atelier a également abordé l'importance de prévenir les fuites de données et de mettre en œuvre des processus d'évaluation multicentriques robustes pour garantir la fiabilité.
Une autre contribution notable a été Gouvernance éthique de l'IA : méthodes d'évaluation d'une IA digne de confiance[3] , qui a classé les méthodes d’évaluation de l’IA en approches conceptuelles, manuelles, semi-automatisées et automatisées. L’article soutient que si les outils automatisés peuvent détecter efficacement les problèmes de biais et d’explicabilité, la surveillance humaine reste essentielle pour une prise de décision éthique nuancée. Des défis tels que le manque de normalisation et les incohérences dans les évaluations de fiabilité ont également été abordés, soulignant la nécessité de cadres d’évaluation unifiés.
En outre, le PEACE (Fournir des explications et des analyses pour lutter contre les expressions de haine)[1] L'article présente un outil Web conçu pour détecter les discours de haine subtils et cachés que les modèles traditionnels négligent souvent. En intégrant des outils de visualisation et des techniques d'IA explicables, PEACE aide les modérateurs de contenu à mieux comprendre et à traiter les discours de haine explicites et implicites sur les plateformes en ligne.
2. Durabilité
Plus (assez) c'est mieux : vers une segmentation réduite des déchets mis en décharge illégale[1] a relevé le défi de détecter les sites de déchets illégaux dans des images aériennes avec un minimum de données étiquetées. L'approche proposée s'appuie sur des techniques d'apprentissage à quelques prises de vue et sur la génération de données synthétiques pour améliorer la précision de la détection tout en minimisant le besoin d'annotations manuelles approfondies. Cette recherche a souligné comment l'IA peut être utilisée pour s'attaquer efficacement aux problèmes environnementaux du monde réel.
Un autre article important, Machine learning zéro déchet[1] , a introduit une approche axée sur la durabilité pour l'optimisation des modèles d'IA. Les auteurs ont proposé un cadre inspiré des principes de l'économie circulaire, axé sur la réutilisation des calculs et des connaissances pour améliorer l'efficacité du modèle. Les techniques clés comprenaient le calcul conditionnel, l'apprentissage continu et le recyclage des ressources, garantissant que les systèmes d'IA restent économes en ressources sans sacrifier les performances.
Le défi plus large de la gestion de la prise de décision multi-agents et multi-objectifs dans les contextes de durabilité a été exploré dans Le monde est un système multi-objectifs et multi-agents : et maintenant ?[1] . Cette étude a examiné comment l’IA peut répondre à des priorités conflictuelles, comme l’équilibre entre la durabilité environnementale et les objectifs économiques. En intégrant l’explicabilité et la transparence dans les systèmes d’IA, la recherche visait à améliorer la confiance et l’adoption dans les applications de prise de décision à grande échelle.
3. Améliorer l'apprentissage actif et l'optimisation
Le tutoriel Au-delà des essais et erreurs : Un tutoriel sur l'apprentissage par renforcement automatisé[4] a fourni des informations sur l'automatisation des processus d'apprentissage par renforcement (RL). Les méthodes AutoRL visent à rationaliser les tâches traditionnellement manuelles, telles que le réglage des hyperparamètres et la sélection des algorithmes, rendant ainsi le RL plus accessible et adaptable aux applications du monde réel. Le tutoriel a également abordé l'impact des hyperparamètres sur la sensibilité et les performances du modèle, renforçant ainsi l'importance des techniques d'optimisation automatisées.
Une étude connexe, Analyse de l'importance des hyperparamètres pour l'AutoML multi-objectifs[1], ont exploré le rôle du réglage des hyperparamètres dans l'équilibre entre des objectifs concurrents, tels que la précision du modèle par rapport au coût de calcul. Les auteurs ont introduit de nouvelles techniques d'analyse pour identifier les hyperparamètres ayant l'impact le plus significatif, fournissant des informations précieuses pour l'optimisation des modèles d'IA multi-objectifs.
Par ailleurs, La survie du plus apte : adaptation évolutive des politiques aux changements environnementaux[1] L'étude a présenté une approche de l'apprentissage par renforcement basée sur l'évolution. L'étude a proposé l'optimisation évolutive des politiques robustes (ERPO), une technique qui permet aux modèles d'IA de s'adapter à des environnements changeants sans nécessiter de recyclage approfondi. Cette recherche a des implications pour les applications où les systèmes d'IA doivent fonctionner dans des environnements dynamiques et imprévisibles, tels que la robotique et la modélisation financière.
4. Applications de l'IA dans les processus et les systèmes
Le papier Ensembles de modèles adaptatifs à la mémoire et spatialement spécialisés pour la détection d'anomalies industrielles[1] a introduit un cadre qui intègre de manière dynamique plusieurs modèles spécialisés pour détecter les anomalies dans les systèmes industriels. En combinant l'adaptation de la mémoire avec la spécialisation spatiale, le cadre améliore la capacité de l'IA à gérer des distributions de données diverses et évolutives. Cette approche s'est avérée très efficace dans les applications industrielles où les modèles statiques traditionnels sont confrontés à la dérive des concepts et aux conditions opérationnelles changeantes.
Une autre étude pertinente, Mémoire en cascade pour la détection d'anomalies non supervisées[1], a relevé le défi de la sur-généralisation dans les modèles non supervisés. De nombreuses méthodes de détection d'anomalies existantes ont du mal à faire la distinction entre les données normales et anormales, ce qui entraîne des taux élevés de faux positifs. L'architecture de mémoire en cascade proposée affine la concentration sur les modèles normaux tout en permettant au système d'isoler les anomalies plus efficacement. La méthode a démontré des performances de pointe sur divers ensembles de données de référence, en particulier dans des scénarios complexes du monde réel.
La validation des modèles de détection d'anomalies sans données étiquetées a été abordée dans Vers une validation de modèle non supervisée[1] . Cette étude a proposé l'utilisation d'un ensemble de modèles « précisément diversifiés » pour évaluer les systèmes de détection d'anomalies, en s'appuyant sur des techniques de classement basées sur la corrélation pour évaluer la fiabilité du modèle. En fournissant une approche structurée de la validation non supervisée, la recherche a contribué à rendre la détection d'anomalies pilotée par l'IA plus robuste et plus évolutive.
5. IA à usage général
L'atelier La compréhension du langage à l'ère de la relation homme-machine[5] L'atelier a exploré le rôle évolutif des grands modèles linguistiques (LLM) dans des applications telles que l'IA conversationnelle et la traduction automatique. Bien que les LLM aient démontré des capacités impressionnantes, l'atelier a souligné leurs limites pour comprendre véritablement le langage humain, en particulier dans des contextes qui nécessitent un raisonnement approfondi et une connaissance du contexte.
Enfin, le papier Mises en garde et solutions pour caractériser l'IA à usage général[1] Les auteurs ont abordé le défi plus vaste de mesurer la généralité et la capacité de l'IAP. Ils ont proposé de nouvelles stratégies d'analyse comparative, notamment des tests d'adaptabilité qui évaluent les performances de l'IA dans des tâches diverses et changeantes. Ils ont également plaidé en faveur d'une approche interdisciplinaire issue de la philosophie et des sciences cognitives pour affiner la conceptualisation de l'IAP, renforçant ainsi l'importance de la transparence et de l'explicabilité dans l'évaluation de l'IA.
Résumé
L’ECAI a exploré les thèmes clés qui façonnent l’avenir de l’IA, notamment l’éthique, la durabilité, l’optimisation et les applications concrètes. Les discussions sur l’éthique et l’équité ont souligné l’importance de systèmes d’IA transparents et impartiaux qui s’alignent sur les valeurs humaines.
Les efforts en matière de développement durable ont porté sur la réduction de l’impact environnemental de l’IA grâce à des méthodes économes en énergie et à une utilisation responsable des ressources. Les progrès en matière d’apprentissage actif et d’optimisation ont mis en lumière les techniques d’automatisation et d’adaptation des systèmes d’IA aux environnements dynamiques. En matière d’IA appliquée, les innovations en matière d’optimisation des processus et de prise de décision ont présenté des solutions pratiques aux défis industriels et sociétaux. La conférence a également examiné les complexités de l’IA à usage général, soulignant la nécessité d’adaptabilité, de transparence et de collaboration interdisciplinaire. Dans l’ensemble, l’ECAI a souligné le développement de systèmes d’IA éthiques, efficaces et adaptables pour relever les défis mondiaux urgents.
Références
[1] Actes de l'ECAI 2024 - 27e Conférence européenne sur l'intelligence artificielle (ECAI), du 19 au 24 octobre 2024, Saint-Jacques-de-Compostelle, Espagne. IOS Press. Disponible à l'adresse : https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
[2] Atelier AIEB-ECAI 2024 - Mise en œuvre de l'éthique de l'IA à travers une approche comportementale. ECAI 2024. Disponible à l'adresse suivante : https://aieb-ecai2024.framer.ai/
[3] McCormack, L., et Bendechache, M. (2024). Gouvernance éthique de l'IA : méthodes d'évaluation d'une IA digne de confiance. arXiv. Disponible à l'adresse : https://arxiv.org/abs/2409.07473
[4] Tutoriel AutoRL ECAI 2024 - Au-delà des essais et erreurs : un tutoriel sur l'apprentissage par renforcement automatisé. Disponible à l'adresse suivante : Lien
[5] Atelier LUHME, ECAI 2024 - La compréhension du langage à l'ère de la relation homme-machine. Disponible à l'adresse : https://luhme.web.uah.es/
