Les apports hautement disruptifs de l’IA des dernières années tendent à faire croire que seuls comptent les bonds de géants, ou que seules les plus grandes entreprises (Google, OpenAI, Microsoft, etc.) ou universités (Stanford, MIT, etc.) peuvent réellement innover, contribuer à l’avancement de l’IA et en tirer partie. Dans cette présentation, nous réfuterons ces mythes en discutant plutôt du parcours de Bentley Systems dans l’adoption de l’IA et des bénéfices d’une approche de fond et de longue haleine incluant des partenaires académiques comme l’IID. Nous verrons comment projets de stage et partenariats de recherche se transforment en produits ou en innovations parfois inattendues et les raisons qui ont poussé Bentley Systems à faire de Québec un pôle de R&D mondial pour le développement de l’IA au sein de ses logiciels. Nous explorerons comment l’entreprise tire son épingle du jeu malgré ses moyens relativement limités en comparaison aux géants de l’IA, en se concentrant sur des applications dans son domaine d’expertise (le génie civil) et en développant des outils spécifiquement adaptés à ses utilisateurs. Finalement, nous discuterons des étapes à venir et des bénéfices d’une collaboration soutenue avec le milieu académique.

Despite massive progress on LLM-driven code synthesis, identifying algorithms that achieve excellent empirical performance requires extensive, extremely expensive empirical testing. Algorithm configuration methods are automated ways of performing such testing: optimizing the performance of parameterized heuristic algorithms on given distributions of problem instances. Such methods can be seen as efficient procedures for extending classical machine learning to hypothesis spaces consisting of algorithm designs.

 This talk will begin by defining the problem and illustrating its promise through recent practical success stories. However, all widely used algorithm configuration methods both achieve poor asymptotic runtime performance in the worst case and optimize what I will argue is the wrong objective function. I will begin by explaining why we should leverage decision theory to maximize expected utility instead of minimizing average runtime. I will then present a new algorithm configuration approach called Continuous, Online Utilitarian Procrastination (COUP), which optimizes this objective while offering strong theoretical guarantees. I will conclude by showing that these guarantees come effectively for free, as COUP achieves state-of-the-art empirical performance.

Bio:

Kevin Leyton-Brown is a Professor of Computer Science and a Distinguished University Scholar at the University of British Columbia. He holds a Canada CIFAR AI Chair at the Alberta Machine Intelligence Institute and is an Associate Member of the Vancouver School of Economics. He received his PhD and MSc from Stanford University (2003, 2001) and his BSc from McMaster University (1998).

His research focuses on artificial intelligence, primarily at the intersection of machine learning with either the design and operation of electronic markets or the design of heuristic algorithms.

He is increasingly interested in large language models, particularly as components of agent architectures. He believes that we have both an unprecedented opportunity and a moral obligation to leverage AI to benefit underserved communities, particularly in the developing world.

Major scientific discoveries increasingly rely on machine learning to extract knowledge from large datasets collected from multiple sources. This is particularly true in healthcare, where ambitious studies often require access to multicentric patient cohorts. Yet bringing these sensitive data together faces major privacy, legal, and organizational barriers. Federated learning (FL) offers a compelling alternative: learning a global model collectively while keeping data where they are. However, keeping data local is not enough to make collaboration trustworthy. Faulty or malicious participants may send arbitrarily corrupted updates and compromise the learning process. Designing learning algorithms that remain reliable in the presence of such participants is therefore particularly important in critical domains such as healthcare. In this talk, I will introduce the field of Byzantine-robust federated learning and the main challenges it seeks to address. I will present the fundamental ideas behind robust distributed optimization, discuss recent advances in the field, and highlight some of the key open problems that remain.

Rafael Pinot is a Junior Professor in the Department of Mathematics at Sorbonne University. He holds a chair in the mathematical foundations of computer and data science within the LPSM research unit and is a founding member of the Responsible AI initiative at the Sorbonne Cluster for Artificial Intelligence (SCAI). From 2021 to 2023, he was a postdoctoral researcher at École Polytechnique Fédérale de Lausanne (EPFL). He completed his Ph.D. in Computer Science at PSL University (Paris Dauphine) and Paris-Saclay University (CEA LIST) from 2017 to 2020. His research centers on statistical machine learning, with a particular focus on the robustness and privacy of learning algorithms.

Cette présentation proposera un retour sur plusieurs années de recherche en intelligence ambiante, à travers le déploiement de plateformes d'habitats intelligents en collaboration avec des partenaires cliniques, industriels et gouvernementaux. Ces projets illustrent à la fois le potentiel de ces technologies et la complexité des déploiements à grande échelle en contexte intersectoriel. À partir de ces expériences, nous discuterons de l'évolution de l'intelligence ambiante vers une nouvelle génération de systèmes, s'appuyant sur des modalités de perception avancées telles que les radars UWB et le LiDAR, ainsi que sur les récentes avancées en intelligence artificielle pour rendre les environnements plus intelligents, adaptatifs et respectueux de la vie privée.

Malgré ses succès spectaculaires, l'intelligence artificielle conserve au moins deux grandes faiblesses par rapport à l'intelligence humaine. D'abord, son appétit pour les données : là où un humain apprend une nouvelle tâche à partir de quelques exemples, les systèmes actuels en exigent des quantités considérables. Ensuite, la fragilité de ses réussites : quand une IA performe, c'est le plus souvent dans le domaine étroit où elle a été entraînée, et ses performances s'effondrent dès qu'on s'en éloigne.

Cette présentation s'intéresse à la généralisation systématique - cette capacité, omniprésente chez l'humain, à transposer ce qu'on sait à des situations jamais rencontrées. Nous examinerons deux formes de généralisation qui nous sont naturelles mais qui mettent les IA en échec : d'une part, l'adaptation à une nouvelle configuration de l'environnement ; d'autre part, la capacité à traiter une combinaison inédite de facteurs de variation connus.

Nous verrons comment ces deux situations résistent aux approches fondées sur l'apprentissage statistique classique, et nous explorerons quelques pistes de solutions pour concevoir des systèmes capables d'une telle généralisation.

Cette présentation portera sur l’utilisation de l’apprentissage automatique pour mieux comprendre et prédire la productivité des camions de transport dans les mines, à partir de données réelles et massives issues des opérations de mines de sables bitumineux. Elle montrera comment des méthodes de modélisation des données, notamment le regroupement par modèle de mélange gaussien et des modèles prédictifs interprétables, peuvent améliorer la prévision de la productivité en tenant compte de variables telles que la distance de transport, la vitesse des camions, la configuration camion-pelle et les conditions météorologiques. La présentation discutera également de l’effet des différentes résolutions temporelles et des conditions climatiques extrêmes sur les systèmes de transport minier, ainsi que de leur intérêt pour la prise de décision, la planification et l’optimisation des opérations minières.

L’intelligence artificielle transforme la recherche en communication en santé. Mais cette relation n’est pas à sens unique : les sciences de la communication en santé peuvent aussi contribuer à faire progresser la recherche en IA. Cette présentation illustrera ce dialogue à partir de trois projets en prise de décision partagée (PDP), une approche où cliniciens et patients prennent ensemble les décisions de santé selon les priorités et besoins des patients.

D’abord, l’IA permet d’analyser automatiquement des consultations cliniques pour y reconnaître les comportements de PDP, afin de soutenir leur évaluation ainsi que la rétroaction et la formation des professionnels. Ce projet soulève en retour des défis pour l’IA : comment définir une performance acceptable lorsque la référence repose sur le jugement humain, et développer un système utilisable dans différents contextes cliniques, linguistiques et culturels?

Ensuite, un agent conversationnel offre un coaching décisionnel non directif à des personnes aînées vivant en résidence, notamment celles ayant une faible littératie. Ces interactions prolongées soulèvent de nouvelles questions sur l’évaluation de la qualité d’une conversation générée par l’IA et nous amènent à adapter des méthodes issues du design centré sur l’utilisateur.

Enfin, une plateforme technologique mobilise l’IA pour faciliter le développement d’outils d’aide à la décision par l’intégration de données probantes, leur adaptation en langage clair, leur traduction et leur personnalisation, avec validation humaine. Déjà testée en environnement réel, elle évoluera vers un modèle de type Core Facility, constituant une infrastructure de recherche en IA et en PDP.

Les cadres conceptuels, instruments de mesure et méthodes participatives de la PDP permettent ainsi d’aborder des questions fondamentales pour l’IA : comment reconnaître une communication de qualité, personnaliser sans orienter, tenir compte du contexte et des préférences, et maintenir une supervision humaine pertinente? La PDP devient ainsi un laboratoire pour concevoir et évaluer une IA plus fiable, équitable et centrée sur l’humain.

Les effets de ce que nous mangeons sur notre santé prennent souvent du temps à se manifester, ce qui limite la portée des études cliniques en nutrition. Les avancées récentes en métabolomique, combinées aux méthodes d'apprentissage automatique, permettent désormais d'exploiter de vastes ensembles de données biologiques afin d'identifier des biomarqueurs reflétant les aliments consommés. Ces approches accélèrent la découverte de signatures métaboliques de l'alimentation et offrent de nouvelles possibilités pour évaluer les effets de celle-ci sur la santé dans des contextes épidémiologiques à grande échelle. Cette présentation abordera cette thématique sous l'angle de la prévention nutritionnelle du diabète de type 2 et des maladies cardiovasculaires.

En quelques années seulement, les grands modèles de langue (LLM) ont permis de transformer de simples agents conversationnels (chatbots) en agents sophistiqués et capables de réaliser des tâches complexes de manière autonome. Ces capacités ont mené à un fort engouement pour cette nouvelle technologie dans plusieurs domaines. Cependant, les différents éléments qui permettent à ces agents d'être aussi efficaces demeurent un mystère pour la plupart de leurs utilisateurs.

Par conséquent, dans le cadre de cette classe de maître, nous allons démystifier le fonctionnement des agents en IA générative. Du fonctionnement des modèles transformeurs jusqu’aux différents éléments d’un agent, nous allons réaliser un tour d’horizon de l’IA générative à l’aide de présentations et de démonstrations pratiques. Et pour finir, nous nous attarderons aux divers risques et enjeux liés à l’utilisation de cette technologie.

Prérequis :

Cette formation sera offerte en français.

Formateurs : Marouane Yassine, Pierre Gravel, Ndiaga Sarr et Ayoub El Ouassdi, professionnels de recherche à l’Institut intelligence et données

Partie 1 (AM) Petits modèles cherchent grand projets

Êtes-vous tannés d'attendre 5 heures avant de pouvoir continuer vos expériences? De payer vos tokens aussi cher? De recevoir de l'attitude de la part de ChatGPT ou de Claude?

Dans cette classe de maître, nous verrons comment diversifier votre aide agentique et tirer profit de vos cycles GPU perdus. Nous discuterons de l'exécution de modèles locaux et de leur intégration de vos workflows : surveiller une expérience toute la nuit, résumer des logs interminables et repérer les données aberrantes avant qu'elles ne pourrissent vos résultats.

Nous ferons un tour d'horizon des modèles et des outils que vous pourrez ensuite employer gratuitement pour vos tâches fastidieuses et redondantes - guidés, au besoin, par des agents plus performants.

Aucune connaissance préalable en IA n'est nécessaire. La présentation s'adresse d'abord à ceux qui font de la programmation ou de la gestion de données, et se veut interactive : apportez vos portables!

Cette formation sera offerte en français, avec du matériel en anglais.

Formateur : Yannick Hold-Geoffroy, PhD, scientifique de recherche senior, Adobe Research

Partie 2 (PM) Agentic R&D Practices for Researchers

While the fields of agentic engineering is progressing rapidly, the needs of R&D teams remain stable: one needs not only to produce a working prototype, but maintain good visibility into the working of the system, and be able to explain clearly *why* it works. In particular, in research domains where test coverage is not a sufficient condition for confidence in a system, more intentional practices must be adopted. As teams frantically try to join the AI-enabled era of research and development, everyone adopts their own bespoke practices which result is uneven outcomes and a plethora of potential hidden bugs which the practitioner must guard against at all costs.

This workshop will be split into three stages: the first will be a speedrun of essential agentic engineering workflows, toolchains, and an overview of common issues. The second stage will layer on workflows specific to the researcher who not only seeks to build a working prototype, but understand why it works. The third stage will be a hands on session where the group can experiment with the ideas presented in the first two sessions. Participants should bring their own agentic system of choice (all vendors are encouraged, including but not limited to OpenRouter, Anthropic, OpenAI, Google, X, etc.), which can be interacted with through the terminal or their IDE of choice. My presentation will be agnostic to the specific tools, and I will specifically encourage you not to get locked-in to any specific vendor.

Cette formation sera offerte en anglais.

Formateur : Joseph Viviano, scientifique en apprentissage automatique, Mila