Amener l’IA dans le monde réel
Achetée sur Gettyimages. Droits d’auteur.
Montréal est reconnu comme leader mondial dans le domaine de l’intelligence artificielle. L’École de technologie supérieure est sans aucun doute l’un des centres de recherche en IA de la ville disposant d’un grand réservoir de talents.
Parmi ces talents : Mohammadhadi Shateri, professeur adjoint au Département de génie des systèmes. Dès son arrivée à l’ÉTS l’été dernier, il a assumé plusieurs projets en IA et ses différentes approches : apprentissage machine, apprentissage profond, vision par ordinateur et apprentissage par renforcement.
Il est parmi les chanceux qui peuvent se déclarer coach en intelligence artificielle.
Assurer confidentialité et sécurité grâce à l’IA
L’un des projets du professeur Shateri porte sur la confidentialité et la sécurité des données de modèles génératifs d’IA. Depuis son doctorat, il travaille sur le sujet avec le professeur Fabrice Labeau et le professeur Pablo Piantanida, Directeur de l’International Laboratory on Learning Systems.
Les modèles génératifs ont une pléthore d’applications pratiques en confidentialité des données et en sécurité des systèmes d’apprentissage.
Dans les domaines où il n’est pas possible d’accéder à des ensembles de données réels pour des raisons de confidentialité, les modèles génératifs compensent en générant des données réalistes. Par contre, ils peuvent fuiter des informations sur l’ensemble des données d’entraînement.
Mohammadhadi Shateri, professeur à l’ÉTS
« Nous modifions l’entraînement de façon à permettre aux modèles de continuer à générer des échantillons réalistes, tout en minimisant les risques de fuite de renseignements sensibles », explique Mohammadhadi.
Pour assurer la confidentialité des données, le professeur travailler à ce que les modèles d’IA génèrent de nouvelles représentations de données toujours utilisables, tout en filtrant les renseignements sensibles.
Dans ses recherches précédentes, en collaboration avec Hydro-Québec, M. Shateri s’est servi de l’apprentissage par renforcement pour élaborer une solution assurant la confidentialité des données des utilisateurs dans les réseaux intelligents.
« Lorsqu’on consomme de l’électricité, le compteur intelligent enregistre les données et les partage avec le fournisseur d’énergie. J’ai entraîné un agent d’apprentissage par renforcement ayant accès aux ressources physiques présentes chez l’utilisateur (ex. batteries rechargeables, véhicules électriques, sources d’énergie renouvelables) et dans le réseau, pour décider de la quantité d’énergie provenant de chaque source à un moment déterminé », explique Mohammadhadi. L’agent cache le profil de consommation de l’utilisateur, de sorte qu’il semble aléatoire. Personne n’a donc accès aux informations privées de l’utilisateur.
Entraîner l’IA pour la vraie vie
Son deuxième projet, en collaboration avec le professeur Éric Granger, directeur du LIVIA (Laboratoire d’imagerie, de vision et d’intelligence artificielle), porte sur l’adaptation de domaine des modèles d’apprentissage profond d’IA.
Prenons l’exemple des modèles d’IA pour la conduite autonome. Lorsqu’une voiture se déplace, un modèle d’apprentissage profond devrait détecter toutes sortes d’objets à l’aide de la vision par ordinateur. Cependant, le modèle est surtout entraîné à partir d’images d’objets générées par ordinateur dans un laboratoire. Dans le monde réel, il y a un décalage dans le domaine des données que le modèle remarque, ce qui peut altérer ses performances.
Pour combler l’écart entre les données d’entraînement de laboratoire (domaine source) et les données de test réelles (domaine cible), on pourrait réentraîner les modèles, mais cette étape implique l’étiquetage de données, ce qui demande du temps, de l’énergie et de l’argent.
« Nous avons adopté une approche différente : trouver un espace objet partagé entre deux domaines, à partir des connaissances du domaine source retrouvées dans le modèle préentraîné », explique le professeur. L’étape suivante consiste à cartographier le domaine cible dans cet espace objet en minimisant la fonction de perte d’adaptation contrastive.
L’IA en recherche biomédicale
Une autre recherche en cours au LIVIA porte sur l’application biomédicale de l’IA. L’objectif est de créer un modèle d’IA pour la détection d’anomalies par cardiotocographie, une approche servant à analyser le rythme cardiaque du fœtus et à assurer qu’il reçoit suffisamment d’oxygène dans l’utérus.
« Le modèle que nous avons développé, même inachevé, surpasse tous les modèles existants. Néanmoins, nous travaillons sur des algorithmes plus avancés pour obtenir une analyse parfaite ».
La difficulté réside dans le fait que les chercheurs recherchent des signaux anormaux de rythme cardiaque fœtal alors qu’ils disposent de beaucoup plus de données liées aux bons signaux. Et le modèle d’IA doit apprendre le rythme problématique.
Alors, que faire si l’on a accès à des données aussi déséquilibrées?
Une solution est d’entraîner un modèle génératif avancé, par exemple en appliquant des techniques d’adaptation de domaine aux modèles génératifs afin de générer plus de données anormales de fréquence cardiaque. « Avec assez de données, notre modèle d’IA apprendra le modèle et finira par améliorer ses performances », conclut M. Shateri.
« Je suis reconnaissant à l’ÉTS et au LIVIA », déclare le professeur. « Ils ouvrent la voie, on n’a qu’à se présenter et à faire le travail. J’ai beaucoup de chance d’être ici, à travailler sur l’IA. »
