Chaires de recherche du Canada
L’apprentissage profond est un sous-domaine de l’apprentissage machine qui s’intéresse aux algorithmes inspirés de la structure et du fonctionnement du cerveau. De nombreux praticiens du traitement du langage, de la visionique, de la robotique et des modèles prédictifs sont impatients d’appliquer des solutions d’apprentissage profond à des problèmes du monde réel. Mais ceux qui travaillent dans les domaines de la médecine, des affaires et des sciences physiques ont encore du mal à adapter les grands modèles prédictifs à des secteurs tels que les antécédents médicaux, les traces d’interaction des utilisateurs et les ensembles de données climatologiques.
En tant que titulaire de la Chaire de recherche du Canada sur les modèles génératifs, David Duvenaud tente de résoudre ce problème. M. Duvenaud et son équipe de recherche élaborent de nouvelles classes de modèles et des procédures d’ajustement qui sont suffisamment souples et évolutives pour « rencontrer les données là où elles se trouvent », pour ainsi dire, avec peu ou pas de prétraitement, afin qu’elles puissent être utilisées dans un plus grand nombre de domaines et d’applications. Ultimement, leurs travaux permettront d’améliorer la précision des jugements et des prédictions faits tant par des humains que par des machines.