2024
Courtney Paquette
Une mathématicienne et chercheuse en apprentissage machine sort des sentiers battus
2024
Une mathématicienne et chercheuse en apprentissage machine sort des sentiers battus
Courtney Paquette, professeure adjointe de mathématiques à l’Université McGill, ne savait pas, pendant ses études de premier cycle en finances, qu’elle consacrerait sa carrière à l’apprentissage machine. Elle s’intéressait alors à la gestion de la chaîne d’approvisionnement et à l’utilisation des mathématiques pour améliorer l’efficience de la commande de matériel, et c’est ce qui lui a fait découvrir l’optimisation de la probabilité.
« Cela m’a beaucoup plu », se souvient-elle. Elle a donc voulu suivre d’autres cours dans le domaine. « Un jour, la personne qui me donnait un cours d’analyse numérique m’a simplement dit : “Que faites-vous? Vous êtes douée en mathématiques. Voulez-vous faire un doctorat dans ce domaine?” »
Mme Paquette s’est ainsi réorientée en optimisation de la probabilité, pour ensuite découvrir qu’elle avait du retard à rattraper. « C’était difficile, parce que mon parcours ne m’avait pas préparée [à un doctorat] », explique-t-elle.
Après avoir travaillé pendant un an pour ce qu’on appelle aujourd’hui Google DeepMind, Mme Paquette a décidé de se consacrer à l’apprentissage machine, « parce que c’était ce sur quoi les efforts d’optimisation étaient axés à l’époque. »
« À Google, j’ai pu interagir avec beaucoup d’informaticiennes et d’informaticiens (je suis quant à moi plutôt théoricienne). Ces personnes m’ont fait part d’intéressants problèmes théoriques qu’elles rencontraient, qui avaient des applications très concrètes; c’est ainsi que je me suis intéressée aux répercussions pratiques de l’apprentissage machine. »
Entre autres choses, Mme Paquette — titulaire d’une chaire en IA Canada-CIFAR — s’emploie à améliorer l’efficience des algorithmes d’apprentissage machine à l’égard des capacités de calcul (temps et coût).
« Le problème avec l’exécution de ces très grands modèles, comme les grands modèles de langage [par exemple ceux utilisés par Chat GPT], c’est leur taille; nous ne pouvons pas les exécuter très longtemps, en raison des capacités de calcul limitées. Nous devons donc être en mesure de prédire le comportement d’un algorithme pour qu’il calcule de la manière la plus efficiente possible. »
Mme Paquette a reçu une Bourse de recherche Sloan en 2024. Elle la considère comme une marque de reconnaissance de l’importance de ses travaux.
« Je m’efforce de changer le visage de l’optimisation, et c’est gratifiant que l’on reconnaisse mes efforts, alors que j’essaie de faire les choses un peu différemment. »
