25 avril 2025
Comment les humains et les machines construisent-ils des modèles pour permettre la résolution de problèmes et l’innovation? C’est la question qui a façonné la carrière de Kelsey Allen. Il l’a guidée de la physique des hautes énergies à l’apprentissage automatique, et maintenant à l’Institut Vector, où, en tant que nouvelle membre du corps professoral de Vector, elle étudiera les mécanismes qui alimentent l’apprentissage adaptatif, notamment en raisonnement et en résolution de problèmes.
Mais pour Allen, le parcours vers l’apprentissage automatique cognitif était tout sauf linéaire.
Lorsqu’elle a commencé ses études de premier cycle en physique à l’UBC en 2008, elle envisageait un avenir en physique des particules à haute énergie. Pourtant, à l’approche de la fin de son diplôme, elle s’est sentie de plus en plus attirée par l’intersection de la physique et de l’apprentissage automatique.
« Je voulais appliquer des techniques d’apprentissage automatique pour réellement essayer de découvrir de nouvelles interactions particulaires », se souvient Allen. « Et c’était vraiment théorique à l’époque. Personne ne pensait que c’était acceptable à faire. »
En 2014, alors qu’elle travaillait sur un projet de 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 voir comment les systèmes biologiques pouvaient être analysés à l’aide de l’apprentissage automatique. À peu près à la même époque, un autre stage de premier cycle l’a initiée à l’utilisation d’images satellites pour détecter la glace et les changements agricoles. Mais l’apprentissage automatique n’était pas encore la force dominante qu’il est aujourd’hui, et Kelsey se souvient avoir été sceptique.
Cependant, alors qu’elle travaillait sur sa thèse d’honneur en physique des particules, elle s’est sentie frustrée par les contraintes du domaine. Une grande partie de la recherche à l’époque visait à trouver des preuves pour des théories déjà formulées et auxquelles les chercheurs croyaient. « Je voulais utiliser l’apprentissage automatique pour faire le contraire — regarder les données et les laisser nous guider vers de nouvelles découvertes, sans cadre théorique prédéfini. »
C’est à ce moment-là qu’elle a sérieusement commencé à envisager un doctorat en apprentissage automatique — en raison de ses connaissances limitées en IA et dans ses applications.
La décision de Kelsey de poursuivre un doctorat au Massachusetts Institute of Technology (MIT) a été motivée par la flexibilité offerte par le programme; Cela lui permettait d’explorer différents domaines avant de s’engager dans un chemin précis. En première année de doctorat, elle a suivi un cours en sciences cognitives computationnelles qui faisait partie du Center for Brains, Minds, and Machines. « C’était un environnement incroyable », dit-elle. « Nous avions des chercheurs en apprentissage automatique travaillant aux côtés de neuroscientifiques étudiant la cognition des singes et de psychologues étudiant le développement de l’enfant. Cela m’a fait penser à l’intelligence de façon beaucoup plus large. »
Pendant son doctorat, Kelsey a fait un stage chez Google DeepMind, ce qui l’a mené à un poste à temps plein après l’obtention de son diplôme en 2020. Travailler là-bas pendant quatre ans à San Francisco et Londres, au Royaume-Uni, a été révélateur : « J’ai eu beaucoup plus d’exposition à l’apprentissage automatique de haute technologie que pendant mon doctorat. C’était une façon différente de penser l’IA. »
La carrière de recherche d’Allen l’a menée à travers trois grands pôles d’IA — le Canada, les États-Unis et le Royaume-Uni — lui offrant une perspective unique sur la façon dont chaque région aborde l’IA.
« Aux États-Unis, les gens étaient beaucoup plus optimistes quant au fait que la technologie n’était qu’une force pour le bien », dit-elle. « On aurait dit que les gens voulaient juste pousser leurs capacités aussi loin qu’ils le pouvaient. »
En revanche, au Canada et au Royaume-Uni, les chercheurs ont été plus critiques — considérant non seulement les bénéfices potentiels de l’IA, mais aussi ses risques. Dans les deux pays, Allen a observé un accent plus marqué sur les applications d’IA socialement responsables, comme l’utilisation de grands modèles pour faciliter la prise de décision démocratique.
Une grande partie des recherches actuelles d’Allen porte sur la compréhension de l’intelligence en établissant des parallèles entre la cognition humaine et l’apprentissage automatique. L’un de ses principaux intérêts est la création d’outils — un objectif de longue date en sciences cognitives qui offre des éclairages sur l’intelligence entre espèces.
« Une des raisons pour lesquelles les gens s’intéressent au langage, c’est qu’ils pensent qu’il est unique aux humains et très puissant. Mais la langue n’est pas quelque chose qu’on peut tester très bien entre les espèces. Il n’y a pas d’échelle continue de « combien de langage un dauphin a-t-il par rapport à une araignée? »
Au lieu de cela, Allen est devenu fasciné par l’utilisation des outils, une capacité autrefois considérée comme unique à l’humain, mais maintenant reconnue aussi chez d’autres espèces. « C’était un domaine très intéressant dans lequel travailler, ce mélange de sciences cognitives et cette fascination pour ces comportements très complexes qui peuvent nous apprendre quelque chose sur l’intelligence en tant que spectre continu, plutôt que simplement 'avez-vous le langage ou pas?'
« Il est aussi très difficile de faire en sorte qu’un robot utilise des outils de façon créative, ce qui explique 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’est même infiltré dans son temps libre. Originaire de la Colombie-Britannique, elle a une profonde appréciation pour le Musée d’anthropologie de l’UBC, « un musée exceptionnellement cool qui présente les artefacts des Premières Nations et des Autochtones de la région de Vancouver. » Elle est aussi fascinée par les outils et artefacts complexes exposés, qui offrent un aperçu de l’ingéniosité de résolution de problèmes des communautés autochtones.
Un autre domaine qu’Allen a exploré est l’utilisation des jeux comme outils de recherche. Bien que les expériences de psychologie traditionnelles ne capturent souvent pas la complexité de la prise de décision réelle, les jeux, selon elle, font le lien entre les environnements de recherche contrôlés et les interactions humaines complexes, tout en incitant les participants à bien performer.
« Ce que j’ai aimé dans les jeux, c’est qu’ils permettent d’alterner entre ces environnements expérimentaux extrêmement simples et contrôlés, et la complexité d’étudier le comportement des gens dans le monde réel, tout en incitant les gens à vraiment se soucier de faire l’expérience selon cette perspective de motivation intrinsèque de simplement profiter de l’expérience », dit-elle.
Naturellement, Allen a aussi des opinions tranchées sur certains de ses jeux de société préférés, notant avec ironie qu’elle préfère ceux « qui sont coopératifs parce qu’ils mènent à des amitiés moins tendues à long terme. » D’un point de vue de recherche, cependant, elle se tourne vers les jeux en monde ouvert comme Minecraft, qui permettent aux joueurs de créer de nouveaux mondes et de résoudre des problèmes librement.
Allen est ravie d’apporter son mélange unique d’expertise en sciences cognitives, physique et apprentissage automatique à la communauté de recherche grandissante de Vector. L’un de ses axes portera sur le développement de « modèles du monde » plus réalistes — entraîner l’IA sur des ensembles de données à grande échelle pour permettre une prise de décision plus robuste et une innovation. Avec le soutien de l’écosystème solide de Vector, elle espère perfectionner les techniques qui améliorent la capacité de l’IA à prendre des décisions dans des contextes dynamiques et réels aux côtés des humains.
En tant que professeur adjoint à l’UBC, Allen enseignera également un cours de cycles supérieurs qui alterne entre la psychologie et l’informatique, une offre interdisciplinaire rare. Ce cours, dit-elle, permettra aux étudiants de voir l’intelligence sous plusieurs angles et d’explorer comment les modèles d’apprentissage automatique construisent leurs propres représentations du monde.
En regardant vers l’avenir, Allen espère enseigner des cours sur la conception d’expériences pour tester différentes capacités, comme la mémoire, la prise de décision et la perception, tant chez l’humain que chez les modèles fondamentaux.
« Il est vraiment crucial que nous réfléchissions à la façon de concevoir les expériences avec beaucoup de soin, pour pouvoir vraiment extraire ce que [ces systèmes] comprennent et ce qu’ils ne comprennent pas, puis que les étudiants fassent des projets où ils comparent [les modèles] à l’intelligence humaine et amènent les étudiants à comprendre la conception expérimentale de cette façon. »
