Le lien pour la rencontre webinaire.

Les données sont devenues le carburant principal des algorithmes d’apprentissage automatique, notamment les réseaux de neurones artificiels profonds, dont les prouesses font les manchettes depuis plusieurs années. Cependant, plusieurs domaines d’études, dont ceux liés aux langues et autres enjeux et réalités, ont souvent peu ou pas de données ou d’exemples probants pour un entraînement efficace. Cette situation se retrouve dans plusieurs autres domaines, autant industriels qu’académiques, montrant les limites actuelles des réseaux de neurones artificiels profonds dans des applications critiques comme le pilotage de véhicules autonomes, l’analyse financière, les études environnementales, la recherche de nouveaux médicaments ou le diagnostic médical, en plus des problèmes importants liés à l’éthique et à l’explicabilité des algorithmes.

Cette présentation fera un survol du problème des domaines et langues pauvres en données d’apprentissage et présentera des modèles et méthodes en apprentissage machine qui serviront à la résolution de ce problème.

Bio courte : Fatiha Sadat est actuellement professeure agrégée au département d'informatique à l'université du Québec à Montréal (UQAM), Montréal, QC, Canada. Elle était chercheure au Conseil National de Recherche du Canada (NRC) de 2004 à 2006. Elle a reçu son doctorat et sa maîtrise à Nara Institute of Science and Technology (NAIST), Nara, Japon. Elle a aussi fait un stage post-doctoral au National Institute of Informatics, Tokyo, Japon. Ses recherches sont soutenues par plusieurs subventions dont celles du CRSNG, FRQNT, MITACS et QNRF. Ses intérêts en recherche sont le traitement automatique du langage naturel, l’apprentissage machine, les sciences cognitives et les humanités numériques. Présentement, elle s’intéresse particulièrement aux domaines et langues pauvres en données et à l’inclusion des communautés et autres domaines d’études dans le développement de solutions en intelligence numérique.