La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Responsable de la recherche chez Microsoft et professeure à Purdue, Jennifer Neville décrit un itinéraire qui l’a menée des théories académiques aux systèmes déployés. Son credo du moment tient en deux axes liés : mesurer ce qui compte pour les utilisateurs et scruter les erreurs qui surgissent hors des benchmarks. Entretien avec une spécialiste primée de l’apprentissage sur données structurées et interactives.
De la théorie aux systèmes réels, un choix conforté par deux congés sabbatiques
Jennifer Neville a rejoint Microsoft en 2021 tout en restant professeure, après vingt ans d’enseignement et de direction d’étudiants. Sa trajectoire alterne théorie et application, un équilibre travaillé lors de deux congés sabbatiques successifs. Le premier, au Simons Institute à Berkeley, très théorique, a facilité son retour à l’université. Le second l’a conduite à Microsoft Research, où l’observation d’algorithmes confrontés à des systèmes réels, à de vrais utilisateurs et à de vraies données l’a retenue dans l’industrie. Elle souligne que la différence entre recherche académique et industrielle tient à l’objectif visé : en entreprise, la mise à l’échelle dans des systèmes concrets est d’une autre nature, l’orientation vers les produits et les intérêts de l’entreprise modifiant les questions posées. Elle plaide pour des allers-retours entre mondes académique et industriel, cite les synergies entre les deux, et estime qu’en travaillant aujourd’hui sur des systèmes d’IA, l’industrie est l’endroit où se trouver.
Mesurer pour les utilisateurs et regarder les échecs hors benchmarks
La priorité de Jennifer Neville dans l’IA actuelle est l’évaluation des systèmes par rapport aux besoins concrets des utilisateurs. Elle met en avant des échecs surprenants lorsque l’on teste les modèles au-delà des références traditionnelles, et propose des conseils pratiques pour interagir avec ces systèmes tels qu’ils sont réellement utilisés. Quand les résultats heurtent les attentes, elle recommande un examen serré des données. Les leçons qu’elle tire de décennies de progrès en IA nourrissent cette attention portée aux mesures qui comptent et aux configurations où les modèles échouent.
Un itinéraire vers l’IA bâti à contre-pied des choix initiaux
Enfant, Jennifer Neville voulait éviter l’informatique, le domaine de son père. À l’université, elle s’oriente d’abord vers les mathématiques puis la physique, sans s’y reconnaître, et interrompt ses études. De retour, elle choisit les sciences cognitives mais juge la filière trop vague et insuffisamment mathématique. Elle estime qu’un conseil l’orientant vers l’IA, à l’intersection des sciences cognitives, des mathématiques et de la pensée computationnelle, lui aurait fait gagner du temps. Après une période en entreprise, elle revient se spécialiser en informatique pour travailler avec les données et découvre l’IA par hasard, sans savoir initialement qu’elle relevait de l’informatique.
La recherche comme pratique, de l’atelier à l’adrénaline de la découverte
Son entrée en recherche tient à une exigence du programme d’honneur en informatique : mener un projet scientifique et en définir le sujet. Intéressée par les données et l’IA, elle se concentre sur l’extraction de connaissances à partir de données web interconnectées, sous la direction d’un enseignant impliqué dans l’émergent apprentissage relationnel statistique. Le projet débouche sur une publication en atelier et déclenche son envie d’études supérieures. Elle décrit la dynamique du travail de recherche, faite de boucles d’essais infructueux puis de percées, comme une source d’énergie : comprendre quelque chose à la frontière du savoir l’a durablement motivée.
Domaines d’étude et reconnaissances d’une carrière prolifique
Jennifer Neville étudie l’apprentissage automatique et l’IA pour des contextes interactifs et des données structurées, en mettant l’accent sur l’influence des données d’entraînement sur les comportements des systèmes et leur alignement avec les attentes des utilisateurs. Elle a publié plus de 130 articles, totalise plus de 10 000 citations, et a reçu un National Science Foundation CAREER Award. Elle a figuré sur la liste IEEE « 10 to Watch in AI » et obtenu des distinctions de meilleur article à KDD et à ICLR. Chad Atalla insiste sur sa prévoyance et la continuité de son fil directeur au fil des évolutions du domaine. Les financeurs académiques cités incluent la DARPA et la NSF.
Cadre de l’échange : évaluation et défis vus depuis Microsoft
La discussion est conduite par Chad Atalla, scientifique principal appliqué à Microsoft Research, qui présente Jennifer Neville comme responsable de la recherche chez Microsoft Research et professeure titulaire à Purdue. Atalla indique travailler chez Microsoft depuis un peu plus de six ans, en grande partie sur l’évaluation de l’IA, un champ qui pose de nombreuses questions fondamentales et défis. Il explique avoir découvert les contributions de Neville parce que certaines de ses recherches proposent des solutions et éclairent ces problèmes. L’échange interroge plus largement ce que l’on apprend quand les trajectoires humaines ou artificielles dévient des attentes, un thème en phase avec la carrière de Neville consacrée à des applications concrètes de l’IA.
