Mark Schmidt est professeur au département d’informatique de l’Université de la Colombie‑Britannique. Il a une influence importante dans les domaines de l’apprentissage machine et de l’optimisation numérique.
L’apprentissage machine (AM) est un outil clé pour analyser les quantités sans précédent de données recueillies dans presque tous les domaines. L’AM est utilisée dans des applications quotidiennes, telles que le sous-titrage automatique de Zoom, la reconnaissance vocale sur les téléphones intelligents, la détection des visages par caméra, les recommandations de produits sur les sites Web et la détection des voitures et des piétons par les voitures. Les progrès réalisés dans les outils fondamentaux d’AM ont souvent des répercussions en aval sur de nombreuses applications, et les nouvelles applications s’étendront à des domaines comme la physique, la biologie, l’éducation et l’interaction personne‑machine.
Cependant, l’AM éprouve des difficultés avec ce que l’on appelle les hyperparamètres. La performance des modèles modernes d’AM est très sensible à ces hyperparamètres. Cette situation va encore s’aggraver à l’avenir, à mesure que nous utiliserons des ensembles de données plus importants et des modèles comportant davantage d’hyperparamètres à régler et que nous emploierons ces modèles dans un plus grand nombre d’applications.
Les travaux de M. Schmidt portent sur l’élaboration de méthodes nettement plus rapides pour traiter les hyperparamètres. La principale innovation de ses travaux consiste à adapter les hyperparamètres en même temps que le modèle apprend des données, ce qui pourrait permettre d’obtenir une performance semblable à celle des méthodes actuelles pour une fraction du coût.
