Apprentissage machine et développement cognitif

Les algorithmes d'apprentissage automatiques inspirés du cerveau appliqués à des jeux de données massives ont obtenu récemment des performances spectaculaires qui approchent ou dépassent celles des humains dans un certain nombre de tâches (e.g., le jeu de go). Il existe néanmoins de nombreux domaines ou les même les nourissons humains surpassent les machines: l'apprentissage non supervisé du langage, le raisonnement de sens commun et plus généralement la flexibilité cognitive (la capacité à réutiliser des connaissances d'une tâche à l'autre).

Le but de l'équipe CoML est de faire de l'ingénierie inverse de ces capacités humaines, c'est-à-dire d'élaborer des algorithmes effectifs qui puissent reproduire certains de ces capacités humaine de traitement, d'étudier leurs propriétés mathématiques et algorithmiques, et de tester leur validité empirique en tant que modèles de la cognition humaines telle que mesurée grâces aux méthodes comportementales et neurologiques. Les résultats escomptés sont d'une part des algorithmes d'apprentissage automatique plus adaptables et plus fiables, et d'autre part, des modèles quantitatifs des processus cognitifs qui permettent de prédire les données du développement ou du traitement humain. Les activités de l'équipe sont centrées sur la parole, le langage et le raisonnement.

Thèmes

Nous travaillons dans deux directions principales :

• Ingénierie inverse de l'acquisition de langue précoce. Nous développons des algorithmes d'apprentissage non supervisés qui capable de découvrir des unités linguistiques de données sensorielles brutes (enregistrements audio et vidéo d'interactions parent / enfant). Nous testons empiriquement les prédictions de ces algorithmes pris comme des modèles du nourrisson.
• Benchmarking homme / machine. Nous construisons des batteries de tests cognitifs conçus pour évaluer comment un système artificiel effectue les différentes composantes d'une fonction complexe comme le traitement ou le raisonnement du langage et comparons les résultats avec les performances humaines sur la même tâche et les mêmes données.