25 avril 2025
Comment les humains et les machines construisent-ils des modèles permettant de résoudre des problèmes et d'innover ? C'est la question qui a façonné la carrière de Kelsey Allen. Elle l'a guidée de la physique des hautes énergies à l'apprentissage machine, et maintenant à l'Institut Vecteur, où, en tant que nouveau membre de la faculté Vecteur, elle étudiera les mécanismes qui alimentent l'apprentissage adaptatif, en particulier les compétences en matière de raisonnement et de résolution de problèmes.
Mais pour M. Allen, le parcours vers l'apprentissage cognitif des machines a été tout sauf linéaire.
Lorsqu'elle a commencé ses études de premier cycle en physique à l'UBC 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 ses études, 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 essayer de découvrir de nouvelles interactions entre les particules", se souvient M. Allen. "À l'époque, c'était vraiment théorique. Personne ne pensait que c'était une bonne chose à faire.
En 2014, alors qu'elle travaillait sur un projet de stage à l'université de Californie à Davis 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 de l'imagerie satellitaire pour détecter les changements glaciaires et agricoles. Mais l'apprentissage automatique n'était pas encore la force dominante qu'il est aujourd'hui, et Kelsey se souvient d'avoir été sceptique.
Cependant, alors qu'elle travaillait sur sa thèse de doctorat en physique des particules, elle s'est sentie frustrée par les contraintes du domaine. À l'époque, une grande partie de la recherche était axée sur la recherche de preuves pour les théories que les chercheurs avaient déjà formulées et auxquelles ils croyaient. "Je voulais utiliser l'apprentissage automatique pour faire le contraire, c'est-à-dire examiner les données et les laisser nous guider vers de nouvelles découvertes, sans cadre théorique prédéfini".
C'est à ce moment-là qu'elle a commencé à envisager sérieusement un doctorat en apprentissage automatique, en raison des connaissances limitées de l'IA et de 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, qui lui a permis d'explorer différents domaines avant de s'engager dans une voie spécifique. En tant qu'étudiante en première année de doctorat, elle a suivi un cours sur les sciences cognitives computationnelles au sein du Center for Brains, Minds, and Machines. "C'était un environnement incroyable", dit-elle. "Des chercheurs en apprentissage automatique travaillaient aux côtés de neuroscientifiques étudiant la cognition des singes et de psychologues étudiant le développement de l'enfant. Cela m'a permis de réfléchir à l'intelligence d'une manière beaucoup plus large".
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 pendant quatre ans à San Francisco et à Londres, au Royaume-Uni, lui a ouvert les yeux : "J'ai été beaucoup plus exposée à l'apprentissage automatique de haute technologie que je n'ai pu le faire pendant mon doctorat. C'était une façon différente d'envisager l'IA".
La carrière de chercheuse de Mme Allen l'a menée dans trois grands centres d'IA - le Canada, les États-Unis et le Royaume-Uni - ce qui lui donne une perspective unique sur la façon dont chaque région aborde l'IA.
"Aux États-Unis, les gens étaient beaucoup plus optimistes et pensaient que la technologie n'était qu'une force au service du bien. "On avait l'impression que les gens voulaient simplement pousser les capacités aussi loin qu'ils le pouvaient.
En revanche, au Canada et au Royaume-Uni, les chercheurs se sont montrés plus critiques, considérant non seulement les avantages potentiels de l'IA, mais aussi ses risques. Dans ces deux pays, M. Allen a constaté que l'accent était davantage mis sur les applications socialement responsables de l'IA, telles que l'utilisation de grands modèles pour faciliter la prise de décision démocratique.
Une grande partie des recherches actuelles de Mme Allen porte sur la compréhension de l'intelligence en établissant des parallèles entre la cognition humaine et l'apprentissage automatique. Elle s'intéresse notamment à la création d'outils, un objectif de longue date des sciences cognitives qui permet de mieux comprendre l'intelligence chez les différentes espèces.
"L'une des raisons pour lesquelles les gens s'intéressent au langage est qu'ils pensent qu'il est propre à l'homme et qu'il est très puissant. Mais le langage n'est pas quelque chose que l'on peut très bien tester d'une espèce à l'autre. Il n'existe pas d'échelle continue permettant de déterminer le niveau de langage d'un dauphin par rapport à celui d'une araignée.
Au lieu de cela, M. Allen s'est passionné pour l'utilisation d'outils, une capacité que l'on croyait autrefois propre à l'homme, mais qui est désormais reconnue chez d'autres espèces également. C'était un domaine de travail très intéressant qui mêlait les sciences cognitives et cette fascination pour ces comportements très complexes qui peuvent nous renseigner sur l'intelligence en tant que spectre continu, au lieu de se contenter de dire "avez-vous le langage ou ne l'avez-vous pas ?
"Il est également très difficile de faire en sorte qu'un robot utilise des outils de manière créative, ce qui explique pourquoi la création d'outils est un problème si intéressant dans le domaine de l'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 lors de la conférence "Robotics : Science and Systems" en 2018.
En fait, son intérêt pour ce domaine s'est même étendu à son temps libre. Originaire de Colombie-Britannique, elle apprécie beaucoup le musée d'anthropologie de l'UBC, "un musée exceptionnellement cool qui présente les artefacts des Premières nations et des peuples indigènes de la région de Vancouver". Elle est également fascinée par les outils et les objets complexes exposés, qui donnent un aperçu de l'ingéniosité des communautés indigènes en matière de résolution de problèmes.
Un autre domaine exploré par Mme Allen est l'utilisation des jeux comme outils de recherche. Alors que les expériences psychologiques traditionnelles ne rendent souvent pas compte de la complexité de la prise de décision dans le monde réel, les jeux, selon elle, comblent le fossé entre les environnements de recherche contrôlés et les interactions humaines complexes, tout en incitant les participants à être performants.
"Ce qui m'a plu dans les jeux, c'est qu'ils permettent de passer d'un cadre expérimental extrêmement simple et contrôlé au désordre de l'étude du comportement des gens dans le monde réel, tout en incitant les gens à s'intéresser réellement à l'expérience du point de vue de la motivation intrinsèque, c'est-à-dire en profitant de l'expérience", explique-t-elle.
Naturellement, Mme Allen a également des opinions bien arrêtées sur certains de ses jeux de société préférés, notant avec amusement qu'elle préfère ceux "qui sont coopératifs parce qu'ils conduisent à des amitiés moins tendues à long terme". Du point de vue de la recherche, cependant, elle préfère les jeux ouverts comme Minecraft, qui permettent aux joueurs de créer de nouveaux mondes et de résoudre des problèmes en toute liberté.
Mme Allen est ravie d'apporter sa combinaison unique d'expertise en sciences cognitives, en physique et en apprentissage automatique à la communauté de recherche grandissante de Vector. Elle s'attachera notamment à développer des "modèles mondiaux" plus réalistes, c'est-à-dire à entraîner l'IA sur des ensembles de données à grande échelle afin de favoriser la prise de décision et l'innovation. Avec le soutien du solide écosystème de Vector, elle espère affiner les techniques qui améliorent la capacité de l'IA à prendre des décisions dans des environnements dynamiques et réels, aux côtés des humains.
En tant que professeur adjoint à l'Université de la Colombie-Britannique, Mme Allen enseignera également un cours de troisième cycle qui sera proposé conjointement par la psychologie et l'informatique, ce qui constitue une offre interdisciplinaire rare. Selon elle, ce cours permettra aux étudiants de voir l'intelligence sous plusieurs angles et d'explorer la manière dont les modèles d'apprentissage automatique construisent leurs propres représentations du monde.
À l'avenir, M. Allen espère donner des cours sur la conception d'expériences visant à tester différentes capacités, telles que la mémoire, la prise de décision et la perception, à la fois chez les humains et les modèles de fondation.
"Il est essentiel que nous réfléchissions à la manière de concevoir les expériences avec le plus grand soin, afin de pouvoir déterminer ce que [ces systèmes] comprennent et ce qu'ils ne comprennent pas, puis de faire réaliser aux étudiants des projets dans lesquels ils comparent [les modèles] à l'intelligence humaine et de les amener à comprendre la conception expérimentale de cette manière".
