Comment les humains et les machines créent-ils des modèles pour faciliter la résolution de problèmes et l'innovation ? C'est la question qui a façonné le parcours professionnel de Kelsey Allen . Elle l'a menée de la physique des hautes énergies à l'apprentissage machine, et maintenant au Vector Institute, où, en tant que nouvelle membre du corps professoral, elle étudiera les mécanismes qui sous-tendent l'apprentissage adaptatif, notamment en matière de raisonnement et de résolution de problèmes.
Mais pour Allen, le parcours dans le domaine de l'apprentissage automatique cognitif était tout sauf linéaire.
Lorsqu'elle a commencé ses études de premier cycle en physique à l'Université de la Colombie-Britannique en 2008, elle envisageait un avenir dans le domaine de la physique des particules à haute énergie. Pourtant, à mesure qu'elle approchait de la fin de son cours, elle s'est sentie de plus en plus attirée par l'intersection entre la physique et l'apprentissage automatique.
« Je voulais appliquer des techniques d'apprentissage machine pour essayer de découvrir de nouvelles interactions entre particules », se rappelle Allen. « Et c'était vraiment théorique à l'époque. Personne ne pensait que c'était une bonne idée. »
En 2014, lors d'un stage à l'Université de Californie à Davis portant sur la modélisation du comportement de recherche de nourriture des fourmis sous forme de circuits neuronaux, elle a commencé à entrevoir comment les systèmes biologiques pouvaient être analysés grâce à l'apprentissage automatique. À peu près au même moment, un autre stage de premier cycle l'a initiée à l'utilisation d'images satellites pour détecter la formation de glace et les changements agricoles. Mais l'apprentissage machine n'avait pas encore l'influence qu'il a aujourd'hui, et Kelsey se rappelle avoir été sceptique.
Cependant, alors qu'elle travaillait sur son mémoire de fin d'études en physique des particules, elle s'est sentie frustrée par les contraintes du domaine. À l'époque, la plupart des recherches visaient à confirmer des théories déjà formulées et acceptées par les chercheurs. « Je voulais utiliser l'apprentissage machine pour faire l'inverse : analyser les données et les laisser nous guider vers de nouvelles découvertes, sans cadre théorique prédéfini. »
C'est alors qu'elle a sérieusement commencé à envisager un doctorat en apprentissage machine, en raison de ses connaissances limitées en IA et en ses applications.
Le MIT et l'exploration du renseignement
La décision de Kelsey de poursuivre un doctorat au Massachusetts Institute of Technology (MIT) a été motivée par la flexibilité du programme ; celui-ci lui a permis d'explorer différents domaines avant de s'engager sur une voie précise. En première année de doctorat, elle a suivi un cours de sciences cognitives computationnelles au Centre pour le cerveau, l’esprit et les machines . « C’était un environnement incroyable », raconte-t-elle. Des chercheurs en apprentissage machine travaillaient aux côtés de neuroscientifiques étudiant la cognition des singes et de psychologues étudiant le développement de l’enfant. Ça m'a permis d'envisager l'intelligence d'une manière beaucoup plus globale. »
Expérience sectorielle et perspective mondiale sur l'IA
Pendant son doctorat, Kelsey a effectué un stage chez Google DeepMind, ce qui lui a permis d'obtenir un poste à temps plein après l'obtention de son diplôme en 2020. Travailler là-bas pendant quatre ans à San Francisco et à Londres a été une révélation : « J'ai été beaucoup plus exposée aux technologies de pointe en matière d'apprentissage automatique que pendant mon doctorat. C'était une autre façon d'envisager l'IA. »
La carrière de chercheuse d'Allen l'a amenée à travailler dans trois grands pôles d'IA — le Canada, les États-Unis et le Royaume-Uni — ce qui lui confère une perspective unique sur la manière dont chaque région aborde l'IA.
« Aux États-Unis, les gens étaient beaucoup plus optimistes quant au potentiel positif de la technologie », explique-t-elle. « On avait l'impression que les gens voulaient simplement repousser les limites de ses capacités. »
À l'inverse, au Canada et au Royaume-Uni, les chercheurs se sont montrés plus critiques, prenant en compte non seulement les avantages potentiels de l'IA, mais aussi ses risques. Dans les deux pays, Allen a constaté une plus grande importance accordée aux applications socialement responsables de l'IA, comme l'utilisation de modèles de grande taille pour faciliter la prise de décision démocratique.
Faire le lien entre les sciences cognitives et l'IA
Une grande partie de la recherche actuelle d'Allen porte sur la compréhension de l'intelligence par l'établissement de parallèles entre la cognition humaine et l'apprentissage automatique. L'un de ses principaux centres d'intérêt est la création d'outils, un objectif de longue date en sciences cognitives qui permet de mieux comprendre l'intelligence chez différentes espèces.
« Si l’on s’intéresse au langage, c’est notamment parce qu’on le considère comme une propriété propre à l’humain et extrêmement puissante. Or, le langage est difficilement comparable à ce qu’on peut tester chez différentes espèces. Il n’existe pas d’échelle continue pour comparer les capacités linguistiques d’un dauphin à celles d’une araignée. »
Allen s'est alors passionné pour l'utilisation d'outils, une capacité autrefois considérée comme exclusivement humaine, mais maintenant reconnue chez d'autres espèces. « C'était un domaine de recherche passionnant, à la croisée des sciences cognitives et de cette fascination pour ces comportements très complexes qui peuvent nous éclairer sur l'intelligence comme un continuum, et non pas simplement comme la présence ou l'absence du langage. »
« Il est également très difficile d'amener un robot à utiliser les outils de manière créative, c'est pourquoi la création d'outils est un problème si intéressant en IA », ajoute-t-elle.
Elle a approfondi l'utilisation des outils dans ses recherches, notamment dans une publication sur la physique différentiable et la planification de l'utilisation des outils qui a reçu le prix du meilleur article à la conférence « Robotics: Science and Systems » en 2018.
En fait, son intérêt pour ce domaine s'étend même à ses loisirs. Originaire de la Colombie-Britannique, elle apprécie particulièrement le Musée d'anthropologie de l'Université de la Colombie-Britannique, « un musée exceptionnel qui met en valeur les artefacts des Premières Nations et des peuples autochtones de la région de Vancouver ». Elle est également fascinée par la complexité des outils et des artefacts exposés, qui témoignent de l'ingéniosité des communautés autochtones face aux problèmes.
Ludification de la recherche en IA
Allen a aussi exploré l'utilisation des jeux comme outils de recherche. Alors que les expériences de psychologie traditionnelles ont souvent du mal à saisir la complexité des processus décisionnels dans la vie réelle, les jeux, selon elle, permettent de combler le fossé entre les environnements de recherche contrôlés et les interactions humaines complexes, tout en incitant les participants à donner le meilleur d'eux-mêmes.
« Ce que j'aimais dans les jeux, c'est qu'ils permettaient de passer d'un cadre expérimental extrêmement simple et contrôlé à la complexité de l'étude du comportement humain dans le monde réel, tout en incitant les gens à s'investir réellement dans l'expérience, grâce à cette motivation intrinsèque qui consiste simplement à apprécier l'expérience », explique-t-elle.
Naturellement, Allen a aussi des opinions bien arrêtées sur certains de ses jeux de société préférés, remarquant avec humour qu'elle préfère ceux « qui sont coopératifs parce qu'ils permettent de nouer des amitiés plus détendues à long terme ». D'un point de vue de recherche, cependant, elle est attirée par les jeux en monde ouvert comme Minecraft, qui permettent aux joueurs de créer de nouveaux mondes et de résoudre des problèmes librement.
Quel est l'avenir de Kelsey ?
Allen est ravie d'apporter son expertise unique en sciences cognitives, physique et apprentissage automatique à la communauté de recherche en pleine expansion de Vector. Elle s'attachera notamment à développer des « modèles du monde » plus réalistes, en entraînant l'IA sur des ensembles de données à grande échelle afin de favoriser une prise de décision plus robuste et l'innovation. Forte du soutien de l'écosystème performant de Vector, elle espère perfectionner les techniques permettant à l'IA de mieux saisir les situations dynamiques du monde réel, aux côtés des humains.
En tant que professeure adjointe à l'Université de la Colombie-Britannique (UBC), Allen enseignera également un cours de deuxième cycle offert conjointement par la psychologie et l'informatique, une formation interdisciplinaire rare. Ce cours, explique-t-elle, permettra aux étudiants d'appréhender l'intelligence sous différents angles et d'explorer comment les modèles d'apprentissage machine construisent leurs propres représentations du monde.
À l'avenir, Allen espère donner des cours sur la conception d'expériences visant à tester différentes capacités, comme la mémoire, la prise de décision et la perception, chez l'humain et chez des modèles de base.
« Il est absolument essentiel de réfléchir très soigneusement à la conception des expériences, afin de pouvoir déterminer ce que [ces systèmes] comprennent et ce qu'ils ne comprennent pas, puis de faire réaliser aux étudiants des projets où ils comparent [les modèles] à l'intelligence humaine, ce qui leur permet de comprendre la conception expérimentale. »
