Blog

Learn About Our Meetup

4200+ Members

Category: Vector Institute

Vector Institute Announces Second Cohort of Vector Scholarship in AI Recipients

700+ AI master’s students starting programs in 2019 are expected to graduate and enter Ontario’s workforce by 2021

 
The Vector Institute is pleased to announce that the 2019-20 Vector Scholarship in AI will be awarded to 78 meritorious nominees from 11 Ontario universities enrolling in 32 master’s programs in core-technical and complementary AI-related fields such as business and health care. This is the second round of scholarships announced by the Vector Institute after having launched the program with 66 scholarship recipients in 2018-19.

The Vector Scholarship in Artificial Intelligence, together with internships and networking programs, is a core component of the Vector Institute’s RAISE initiative, supported by the Province of Ontario, to develop and connect Ontario’s AI workforce to fuel AI-based economic development and job creation.

Through the RAISE initiative, the Vector Institute continues to work with universities to enhance existing master’s programs and create new master’s programs resulting in an increase in the number of prospective students applying, enrolling and ultimately entering the workforce with the AI skills and competencies sought by industry. The Vector Scholarship in AI recognizes promising AI talent and supports recruitment of top students to AI-related master’s programs in Ontario.

By 2021 it is expected that 700+ AI master’s students will have graduated and entered the Ontario workforce. These new graduates will meet ever-increasing demand from leading global companies and promising AI startups locating in Ontario in order to access the growing AI workforce.

Vector will launch the 2020-21 scholarship competition on January 6, 2020. Candidates who wish to be considered for a Vector Scholarship in Artificial Intelligence can find eligibility and nomination details here: vectorinstitute.ai/aimasters.

 

About the Vector Institute

The Vector Institute is an independent, not-for-profit corporation dedicated to advancing artificial intelligence, excelling in machine and deep learning. The Vector Institute’s vision is to drive excellence and leadership in Canada’s knowledge, creation, and use of AI to foster economic growth and improve the lives of Canadians. The Vector Institute is funded by the Province of Ontario, the Government of Canada through the Pan-Canadian AI Strategy administered by the Canadian Institute for Advanced Research (CIFAR), and industry sponsors from across the Canadian economy.

 

Learn More:
https://vectorinstitute.ai/AImasters/

 

*Scholarships are conditional upon students registering full-time in their proposed master’s program of study.

L’INSTITUT VECTEUR MET EN BRANLE DES PROJETS EXPLORATOIRES AXÉS SUR L’ADOPTION DE L’IA EN SANTÉ

L’APPRENTISSAGE
AUTOMATIQUE EST DÉPLOYÉ À L’HÔPITAL ST. MICHAEL AFIN D’ÉMETTRE DES ALERTES
PRÉCOCES POUR LES PATIENTS SUSCEPTIBLES D’ÊTRE TRANSFÉRÉS À L’UNITÉ DE SOINS
INTENSIFS

Toronto – Aujourd’hui, l’Institut Vecteur, un établissement de recherche indépendant et sans but lucratif spécialisé en apprentissage automatique et en apprentissage profond, a annoncé le lancement de la première série de projets exploratoires visant à mettre en œuvre des technologies assistées par l’IA dans le secteur de la santé.

“Ces projets mettront en lumière les résultats positifs qui peuvent être atteints si nous tirons profit de la puissance de l’IA dans le secteur de la santé”, indique Dr Garth Gibson, président  et chef de la direction de l’Institut Vecteur.

Le premier projet exploratoire se déroulera à l’hôpital St. Michael de Toronto. Dirigé par Dr Amol Verma, médecin interniste et clinicien-chercheur, Dr Muhammad Mamdai et leur équipe du Centre de recherche et de formation en analytique des soins de santé Li Ka Shing (LKS-CHART) de l’hôpital St. Michael, le projet vise à tester et à perfectionner un système d’alerte précoce fondé sur l’IA pour l’unité de médecine interne générale (MIG) de l’hôpital où les patients reçoivent des soins. Environ 1 patient sur 13 de l’unité de MIG est gravement malade et devra être transféré à l’unité de soins intensifs (USI) ou succombera à à l’hôpital. Cependant, il est souvent difficile de prédire quels patients sont susceptibles d’avoir besoin de l’équipe des soins intensifs : c’est là qu’intervient l’IA.

Le système utilisera l’IA pour traiter des flux réguliers de données sur
la santé et prédire quand un patient doit être transféré à l’USI. En prédisant
de 12 à 24 heures plus tôt le moment exact où les patients doivent être
transférés, le système permet d’avoir plus de temps pour pratiquer des
interventions précoces susceptibles de sauver des vies et de réduire les taux
d’arrêt cardiaque et de mortalité.

Les projets exploratoires sont des projets à petite échelle conçus pour générer des résultats en 12 à 18 mois et orienter la recherche et l’adoption de technologies. Profitant du soutien technique et des ressources de l’Institut Vecteur, ils réunissent des équipes de recherche multidisciplinaires qui s’intéressent à un problème important ou à une occasion particulière dans le secteur de la santé en utilisant l’apprentissage automatique et l’IA de façon plus générale.  Chaque projet a été choisi en fonction de son potentiel à ouvrir une “voie” où engager une recherche de calibre mondial sur l’apprentissage automatique qui pourra se traduire par d’importants avantages pour les patients.

“L’Institut Vecteur et les membres de notre corps professoral souhaitent vivement contribuer à la mise en œuvre de l’IA en santé ; nous voulons améliorer les résultats pour les patients et réduire les coûts pour les fournisseurs », déclare Dre Alison Paprica, vice-présidente, Stratégie et partenariats en matière de santé, de l’Institut Vecteur. “Nous espérons que ces projets exploratoires inspireront un plus grand nombre d’équipes au sein du système des soins de santé à mener des recherches de haute qualité sur l’IA dans le secteur de la santé.”

À propos de l’Institut
Vecteur

L’Institut Vecteur est
un organisme indépendant à but non lucratif spécialisé dans la recherche en
intelligence artificielle, notamment en apprentissage automatique et en
apprentissage profond. Il encourage l’excellence et le leadership dans les
domaines du savoir, de la création et de l’utilisation de l’IA au Canada afin
de favoriser la croissance économique et améliorer la vie des Canadiens.

L’Institut Vecteur est
financé par le gouvernement de l’Ontario, le gouvernement du Canada dans le
cadre de la Stratégie pancanadienne en matière d’IA dirigée par le CIFAR et des
commanditaires de tous les secteurs de l’économie au Canada.

Système d’alertes
précoces pour la médecine interne générale

Dr Muhammad Mamdani, directeur du Centre de recherche et de formation en analytique des soins de santé Li Ka Shing

(LKS-CHART) de l’hôpital St. Michael à Toronto, doit affronter la réalité suivante : 1 patient sur 13 en médecine interne à l’hôpital St. Michael de Toronto finit par être transféré à l’USI ou succomber à sa maladie. Pour compliquer davantage les choses, il est souvent difficile pour les médecins de prédire la détérioration de l’état de santé des patients. “Si vous êtes assez malade pour être à l’hôpital, c’est que vous êtes très malade”, explique Dr Amol Verma, médecin interniste et chercheur scientifique, chef clinique de l’équipe. “Si vous tombez malade au point d’avoir besoin de traitements pour maintenir vos fonctions vitales, vous devez être transféré aux soins intensifs.”

L’abondance des données à la disposition de l’équipe a joué en sa faveur – les hôpitaux débordent de données sur les patients. Pourtant, malgré l’expertise des cliniciens de l’hôpital, il était presque impossible de les analyser dans des délais raisonnables. “Lorsque nous nous apercevons que ces patients ont un problème, nous avons généralement trois heures pour réagir”, précise DrMamdani.

“Et trois heures, ce n’est généralement pas assez”, ajoute Dr Verma.

Bien que complexe, le problème n’était pas insurmontable. Dr Mamdani a travaillé avec de vastes ensembles de données – ce que nous appelons maintenant les mégadonnées ou le big data –   pendant plus de 20 ans, et le Centre Li Ka Shing se spécialise dans l’analyse de données. Étant donné le grand nombre de données à trier, Dr Mamdani et son équipe se sont tournés vers l’apprentissage automatique. Ce sous-domaine de l’intelligence artificielle est idéal pour dégager la structure, les modèles et les tendances de vastes ensembles de données.

L’équipe a élaboré un algorithme et l’a entraîné à l’aide de dossiers de santé anonymisés d’anciens patients en médecine interne. Lorsque l’algorithme traite les données des patients actuels, il les compare à celles de plus de 20 000 cas antérieurs, explique Dr Mamdani.

Le système d’alertes précoces pour la médecine interne générale (Dr Mamdani avoue que son système pourrait avoir un titre plus accrocheur) utilise un algorithme prédictif pour faire des recommandations médicales. À partir d’un ordinateur “intelligent”, il évalue le risque que l’état de santé d’un patient se détériore et qu’il doive être transféré à l’unité de soins intensifs. « Quand le risque atteint un certain seuil, il alerte l’équipe médicale, explique-t-il. Disons que le taux de glucose est élevé, c’est détecté par le système de laboratoire et ce renseignement est traité avec d’autres par l’algorithme qui pourrait alors dire : “Hum, il semble qu’il y ait un problème ici !”

Seulement quelques établissements dans le monde essaient actuellement des approches similaires en matière de soins de santé. Les docteurs Verma et Mamdani et leur équipe seront parmi les premiers à tester la qualité et les effets de la puissance prédictive de l’algorithme lors d’un essai clinique. “C’est beaucoup plus précis que ce à quoi nous sommes habitués avec les méthodes traditionnelles,” dit Dr Mamdani. “C’est très puissant.”

Reconnaissant la nature novatrice du travail de l’équipe et son
potentiel à produire des résultats directs et positifs pour les patients,
l’Institut Vecteur fournit un soutien opérationnel et technique pour maximiser l’impact
de la recherche.

Maintenant que la faisabilité du projet a été démontrée, la prochaine étape consiste à intégrer le système dans les systèmes hospitaliers existants, ce qui est plus facile à dire qu’à faire, selon Dr Mamdani. “Comment le faire fonctionner de façon à fournir aux médecins des renseignements utiles et significatifs dans un environnement où des alarmes se déclenchent régulièrement ?”

Dr Mamdani et Dr Verma s’entendent pour dire que le succès du projet et son caractère unique découlent de l’accès à des travailleurs de première ligne. Les deux responsables réunissent des médecins, des infirmières et des patients pour établir ce dont ces derniers ont besoin et ils travaillent ensuite en tenant compte de ces contraintes. “Il est beaucoup plus efficace d’adapter un algorithme au travail des cliniciens que d’adapter le comportement des cliniciens au fonctionnement d’un algorithme.”

Le Système d’alertes
précoces pour la médecine interne générale est le premier d’une série de
projets exploratoires retenus et soutenus par l’Institut Vecteur.

Par Ian Gormely


DES PROFESSEURS DE L’INSTITUT VECTEUR PRÉSENTENT LEUR NOUVEAU MODÈLE MUSICAL DE TRANSFERT DE STYLE À L’ICLR

Par Ian Gormely

L’intelligence artificielle, tout particulièrement les domaines de
l’apprentissage automatique et de l’apprentissage profond, bouleverse à peu
près tous les secteurs d’activité imaginables, même le monde des arts. Ainsi, de
nombreux artistes adoptent la technologie pour ses possibilités créatives.

“La caméra n’a pas empêché les gens de peindre, mais elle a changé ce à quoi ils s’intéressaient”, souligne Sageev Oore, membre du corps professoral de l’Institut Vecteur, professeur agrégé d’informatique à l’Université Dalhousie et pianiste de jazz.

Sageev Oore et son collègue Roger
Grosse
, ainsi qu’une équipe de chercheurs
affiliés à l’Institut Vecteur, dont Sicong Huang, Qiyang Li, Cem Anil et Xuchan
Bao, comptent parmi un nombre infime mais croissant de personnes qui explorent
les interactions possibles entre l’IA et la musique. Le TimbreTron, un modèle musical
de transfert de style dévoilé récemment dans l’article TimbreTron:
A WaveNet(CycleGAN(CQT(Audio))) Pipeline for Musical Timbre Transfer
, en est une illustration.

Cet article que Sageev Oore et Roger Grosse présentent ce mois-ci à l’International Conference on Learning Representations (ICLR), l’une des principales conférences mondiales sur l’apprentissage automatique, explique la méthode pour “prendre un enregistrement musical joué par un instrument et le faire sonner comme s’il était joué par un autre instrument, tout en préservant autant que possible le contenu, y compris la hauteur, le rythme et, dans une certaine mesure, l’expression”, indique Roger Grosse.

Le timbre, le son associé à un instrument donné, est extrêmement difficile à modéliser. Mais les deux professeurs et leur équipe ont contourné le problème en transformant les formes d’onde d’un morceau de piano en images, plus particulièrement en spectrogrammes CQT. Au moyen d’un modèle de transfert de style appelé CycleGAN, ils ont transformé le spectrogramme pour piano en un spectrogramme pour clavecin de la même pièce. Ils ont ensuite utilisé le modèle WaveNet de Deepmind, une filiale de Google, pour recréer la forme d’onde audio, sauf que ce qui était autrefois du piano sonne maintenant comme du clavecin. Le système permet également aux utilisateurs de changer le tempo d’un morceau sans modifier la hauteur (ce qui annule “l’effet voix d’écureuil “) ou de changer la hauteur sans affecter le tempo.

Le projet a vu le jour parce que Sicong Huang souhaitait travailler sur un projet d’intelligence artificielle lié à la musique. À l’époque, le modèle CycleGAN était nouveau et semblait la chose à essayer, se souvient Roger Grosse, qui ne se considère pas comme un musicien. Il a fait appel à Sageev Oore qui avait déjà travaillé sur la musique et l’apprentissage machine, notamment lors d’un mandat pour le projet Magenta de Google visant à intégrer l’apprentissage machine aux domaines créatifs. “C’est vraiment dans ses cordes.”

Compte tenu des intérêts divergents de Sageev Oore, il n’est pas surprenant qu’il ait des raisons différentes, bien que complémentaires, de vouloir y participer. Son côté informaticien s’intéresse au contrôle que les programmeurs sont en mesure d’exercer lorsqu’ils recréent une trame sonore et jusqu’où ils peuvent aller. “Nous comprenons mieux l’espace sonore et nous comprenons mieux les systèmes de réseaux neuronaux nécessaires pour contrôler et générer un espace sonore.”

Cela dit, “d’un point de vue créatif, ce qui est vraiment intéressant, c’est de briser l’outil,” affirme Sageev Oore, rappelant ce que Doug Eck de Magenta dit souvent. Au départ, les logiciels de correction de hauteur comme Auto-Tune ont été commercialisés pour réparer numériquement les voix pour qu’elles sonnent justes. Mais les artistes comme Cher ou T-Pain s’intéressaient davantage aux façons d’altérer la voix humaine. De la même manière, Sageev Oore est curieux d’entendre d’autres sons que le TimbreTron pourrait générer. “S’il ne produit pas exactement le son d’un piano, mais qu’il crée quelque chose qui ressemble à un croisement entre un clavecin et un piano, ça pourrait être encore plus intéressant.”

Vector Faculty take new musical style transfer model to ICLR

By Ian Gormely

Artificial intelligence, particularly the fields of machine learning and deep learning, are disrupting nearly every sector imaginable—even the world of art. Still, many artists are embracing the technology for the new creative opportunities it brings.

“The camera didn’t make people stop painting,” notes Sageev Oore, a Vector Institute Faculty Member and Associate Professor of Computer Science at Dalhousie University and jazz pianist, “but it did change what people focused on.”

Oore and fellow Faculty Member Roger Grosse, along with a team of Vector researchersaffiliated students including Sicong Huang, Qiyang Li, Cem Anil, and Xuchan Bao, are among the small but growing number of people exploring the intersection of AI and music. TimbreTron, a musical style transfer model they unveiled in their recent research paper “TimbreTron: A WaveNet(CycleGAN(CQT(Audio))) Pipeline for Musical Timbre Transfer,” is their proof-of-concept.

The paper, which Grosse and Oore are presenting at this month’s International Conference on Learning Representations (ICLR) – one of the world’s top machine learning conferences -, details a method for how to “take a musical recording played by one instrument and make it sound like it was played by a different instrument,” says Grosse, “while preserving as much as possible about the content including the pitch, the rhythm and, to some degree, the expressiveness.”
Timbre, the sound of a given instrument, is notoriously hard to model. But Oore, Grosse, and their teams circumvented the problem by transforming audio waveforms of a piano piece into images, specifically CQT spectrograms. Using a style transfer model called CycleGAN, they turned the piano spectrogram into a harpsichord spectrogram of the same piece. They then used Google Deepmind’s WaveNet model to change the whole thing back into an audio waveform, except what was once a piano, now sounds like a harpsichord. The system also allows users to change a piece’s tempo without altering the pitch (negating the “chipmunk effect”) or change the pitch without affecting the tempo.

The project originated with Huang who wanted to work on a music-related AI project. At the time, the CycleGAN model was new and “seemed like a natural thing to try,” recalls Grosse, who doesn’t consider himself a musician. He brought in Oore who had already done work combining music and machine learning, including a stint at Google’s Magenta project for incorporating machine learning into creative fields. “This is really up his alley.”

Given his dueling interests in the project, Oore unsurprisingly has differing, though complementary reasons for wanting to partake. His computer scientist side is interested in the amount of control programmers are able to exert when recreating audio and where the limits lie. “We understand more about the audio space and we understand more about the neural net systems for controlling and generating an audio space.”

That said, “from a creative tool point-of-view, the really interesting thing is breaking the tool,” says Oore, recalling something Doug Eck at Magenta often says.  Pitch-correction software like Auto-Tune was originally marketed as a way to digitally “fix” out-of-tune vocals. But artists from Cher to T-Pain were more interested in the unnatural ways it could alter the human voice. Oore is similarly curious to hear other sounds TimbreTron might generate. “If it doesn’t produce exactly a piano sound, but it produces something that’s like a cross between a harpsichord and a piano, that might be cooler.”

Vector Institute kicks off series of Pathfinder Projects focused on health AI adoption

Machine learning being deployed at St. Michael’s Hospital to provide early warning for patients at risk of transfer to intensive care unit (ICU)

Toronto – Today, the Vector Institute, an independent, not-for-profit research institute focused on leading machine and deep learning, announced the launch of the first in a series of Pathfinder Projects to implement AI-assisted technologies in the health sector.

“These projects will showcase the positive outcomes that can be achieved if we leverage the power of AI in the health sector,” says Dr. Garth Gibson, Vector’s Vice President and CEO.

The first Pathfinder Project will support St. Michael’s Hospital in Toronto. Led by Dr. Amol Verma, an internist and clinician-scientist, and Dr. Muhammad Mamdani and their team at the Li Ka Shing Centre for Healthcare Analytics Research and Training (LKS-CHART) at St. Michael’s, the goal is to test and refine an AI-based early warning system for the hospital’s general internal medicine (GIM) unit where patients receive hospital care. About one out of every 13 patients in the GIM unit are critically ill and will ultimately need to be transferred to the intensive care unit (ICU) or will succumb to their illness in hospital. However, predicting which patients are likely to need ICU-level care is often difficult: that’s where AI comes in.

The system will use AI to process regular feeds of health data and predict when a patient needs to be transferred to the ICU. Accurately predicting when patients need to be transferred 12 to 24 hours earlier may allow more time for potentially life-saving early-intervention care, decreasing rates of cardiac arrest and mortality.

Pathfinder Projects are small-scale efforts designed to produce results in 12 to 18 months that guide future research and technology adoption. With technical and resource support from the Vector Institute, they each bring together a multidisciplinary research team to tackle an important health care problem or opportunity using machine learning and AI more broadly.  Each project was chosen for its potential to help identify a “path” through which world-class machine learning research can be translated into widespread benefits for patients.

“The Vector Institute and our faculty members are very interested in contributing to health AI implementation; we want to improve outcomes for patients and lower costs for providers,” says Dr. Alison Paprica, Vector’s VP, Health Strategy and Partnerships. “It’s our hope that these Pathfinder Projects inspire more teams within the health care system to focus on moving high quality health AI research into practice.”  

 

About the Vector Institute

The Vector Institute is an independent, not-for-profit corporation dedicated to advancing artificial intelligence, excelling in machine and deep learning. The Vector Institute’s vision is to drive excellence and leadership in Canada’s knowledge, creation, and use of AI to foster economic growth and improve the lives of Canadians.

The Vector Institute is funded by the Government of Ontario, the Government of Canada through the Pan-Canadian AI Strategy administered by CIFAR, and industry sponsors from across the Canadian economy.

 

Early Warning System for General Internal Medicine

Dr. Muhammad Mamdani, director of the Li Ka Shing Centre for Healthcare Analytics Research and Training (LKS-CHART) at St. Michael’s Hospital in Toronto work with the reality that one out of every 13 internal medicine patients at St. Michael’s Hospital in Toronto ends up either transferred to the ICU or succumbs to their illness. Further complicating matters, it is often difficult for doctors to predict the deterioration. “If you’re sick enough to need a hospital you’re pretty sick,” explains internist physician and research scientist Dr. Amol Verma, the team’s clinical lead. “If you get so sick that you need life supporting therapies, that’s when you need to be in an intensive care unit.”  

Working in their favour was the abundant data available to their team – hospitals are awash in patient data. Yet, despite all the expertise of the hospital’s clinicians, sorting through it all in a timely manner was next to impossible. “By the time that we realize these patients have a problem, we typically have about three hours to react,” says Dr. Mamdani.

“And three hours typically isn’t enough time,” adds Dr. Verma.

Though challenging, the problem was not insurmountable; Dr. Mamdani has been working with large data sets—what we now call big data—for over 20 years and the Li Ka Shing Centre specializes in data analytics. Given the large number of inputs that needed to be sorted, he and his team turned to machine learning. A subfield of artificial intelligence, machine learning is ideal for finding structure, patterns, and trends in large sets of data.

The team wrote an algorithm and trained it with anonymized health records from previous internal medicine patients at the hospital. As the algorithm takes in new data from current patients, it compares it against that of over 20,000 other previous cases, he explains.

The Early Warning System for General Internal Medicine (Dr. Mamdani admits their creation could probably use a catchier title) uses a predictive risk model to make medical recommendations. A “smart” computer system, it calculates the risk of a patient getting sicker and requiring transfer to the ICU.  “When it reaches a certain threshold it alerts the medical team,” he says. “Their glucose levels are high, that goes into our lab system, this information gets fed into an algorithm along with others, and it says, ‘Huh, there might be a problem here.’”

Only a handful of institutions across the globe are currently trying similar approaches to health care. Drs. Verma and Mamdani and their team will be among the first to test the quality and effects of its predictive power in a clinical trial. “It’s way more accurate than we’re used to with traditional methods,” he says. “It’s pretty powerful.”

Recognizing the trailblazing nature of the team’s work and its potential to produce direct, positive health care outcomes for patients, the Vector Institute is providing operational and technical research support, to maximize its impact.

With proof of concept in hand, the next step is integrating it into existing hospital systems, a task Dr. Mamdani admits is easier said than done. “How do you get it to work in a way that it provides physicians with helpful and meaningful information in an environment where alarms go off regularly?”

Both Dr. Mamdani and Dr. Verma agree that the key to their success, as well as what makes their project so unique, is the access to frontline care workers. They bring doctors, nurses and patients together to first find out what they need and then work within those constraints. “It’s much more effective to tailor an algorithm to clinicians’ workflows than to tailor clinician behaviour to how an algorithm performs.”

 

Early Warning System for General Internal Medicine is the first of a series of Pathfinder Projects identified and supported by the Vector Institute.

By Ian Gromely

L’INSTITUT VECTEUR INAUGURE SON PROGRAMME DE STAGIAIRES DIPLÔMÉS

Le 1er février 2018

L’Institut Vecteur tient à féliciter les membres de la première cohorte de son Programme de stagiaires diplômés. Ce programme lancé cette année se veut un catalyseur de collaboration entre les étudiants et les chercheurs spécialisés en apprentissage profond, en apprentissage automatique et, plus généralement, en intelligence artificielle. Il vient compléter d’autres programmes semblables qui verront le jour dans les établissements d’enseignement et les entreprises technologiques afin de favoriser un climat de collaboration propice au partage des idées et de l’expertise au sein de l’Institut Vecteur. La première cohorte est représentative des forces vives en présence dans les établissements et les universités de l’Ontario. On y trouve des étudiants à la maîtrise, des doctorants et des stagiaires postdoctoraux qui suivent de nouvelles pistes de recherche en apprentissage profond ou en apprentissage automatique.

Les candidats ont été évalués et sélectionnés en fonction de l’importance de leurs contributions antérieures à la recherche et de l’adéquation de leurs champs d’intérêt avec la vision, la mission et les capacités de recherche de Vecteur. Les étudiants retenus toucheront des honoraires en contrepartie de leur participation aux événements et aux activités de l’Institut. Devant le calibre élevé de cette première fournée, l’Institut espère enrichir et élargir le programme en 2019. La période de mise en candidature débutera vers la fin de l’année.

MEMBRES DE LA COHORTE 2018

● Ahmed Ashraf, Université de Toronto
● Alberto Camacho, Université de Toronto
● Andrew Boutros, Université de Toronto
● Aryan Arbabi, Université de Toronto
● Dmitry Marin, Université Western
● Elham Dolatabadi, Université de Toronto
● Ershad Banijamali, Université de Waterloo
● Ethan Jackson, Université Western
● Felix Berkenkamp, Université de Toronto
● Ga Wu, Université de Toronto
● Hassan Ashtiani, Université de Waterloo
● Ian Smith, Université de Toronto
● Jin Hee Kim, Université de Toronto
● Kathleen Houlahan, Université de Toronto
● Kiret Dhindsa, Université McMaster
● Laleh Soltan Ghoraie, Centre d’oncologie Princess Margaret
● Mahtab Ahmed, Université Western
● Matthew Tesfaldet, Université York
● Mehran Karimzadeh, Université de Toronto
● Mohamed Khairy Helwa, Université de Toronto
● Nabiha Asghar, Université de Waterloo
● Omar Boursalie, Université McMaster
● Petr Smirnov, Université de Toronto
● Rober Boshra, Université McMaster
● Robin Swanson, Université de Toronto
● Rodrigo Toro Icarte, Université de Toronto
● Sean Robertson, Université de Toronto
● Shazia Akbar, Université de Toronto
● Shehroz Khan, Université de Toronto
● SiQi Zhou, Université de Toronto
● Stavros Tsogkas, Université de Toronto
● Tristan Aumentado-Armstrong, Université de Toronto

https://vectorinstitute.ai/#partners

La Stratégie pancanadienne en matière d’IA dirigée par le CIFAR vise à encourager la collaboration entre l’Institut Vecteur, l’Amii (Alberta Machine Intelligence Institute) et Mila (Institut québécois d’intelligence artificielle).

Le premier colloque de recherche et salon de l’emploi de l’Institut Vecteur réunit à Toronto des chercheurs et des professionnels d’un océan à l’autre

 

Le vendredi 22 février 2019, l’Institut Vecteur organisait son tout premier colloque de recherche et salon de l’emploi, l’un des plus grands rassemblements d’experts du domaine de l’intelligence artificielle au Canada. Cette journée a donné l’occasion aux chercheurs de Vecteur de présenter leurs meilleurs projets de recherche menés au cours de la dernière année. L’événement offrait en outre aux étudiants à la maîtrise, aux doctorants et aux stagiaires postdoctoraux dans les domaines de l’apprentissage automatique et de l’intelligence artificielle la chance de rencontrer les partenaires de Vecteur dans les secteurs de la technologie et de la santé, et de découvrir un large éventail de possibilités de stages et de carrières. Des représentants de 20 commanditaires et partenaires de Vecteur et plus de 300 participants s’étaient donné rendez-vous pour l’événement.

Lors du colloque, David Duvenaud, professeur à l’Institut Vecteur, a présenté son travail sur les équations différentielles ordinaires neurales, qui lui a valu le Prix de la meilleure communication lors de NeurIPS 2018, l’un des congrès phares consacrés à l’apprentissage automatique dans le monde. Hassan Ashtiani, ancien stagiaire postdoctoral au sein de Vecteur, a quant à lui présenté son travail visant à réduire la complexité de l’échantillonnage des modèles de mélanges gaussiens à l’aide de schémas de compression.

 

 

 

L’événement en chiffres :

  • Plus de 300 participants, dont des étudiants à la maîtrise, des doctorants, des stagiaires postdoctoraux, des enseignants et des professionnels de l’industrie
  • 100 étudiants inscrits à des programmes reconnus par Vecteur et 31 titulaires d’une bourse Vecteur en IA
  • 56 affiches de recherche
  • 20 commanditaires et partenaires de Vecteur issus des secteurs des technologies et de la santé, en quête de talents locaux dans le domaine de l’IA

 

Les participants étaient issus de la communauté étudiante et du corps professoral d’établissements canadiens et étrangers, dont les suivants :

  • Université Carleton
  • Institut de recherche Krembil
  • Institut des politiques, de la gestion et de l’évaluation de la santé de l’Université Harvard
  • Université McGill
  • Université McMaster
  • Mila
  • Université Munzur
  • Institut ontarien de recherche sur le cancer
  • Smith School of Business de l’Université Queen
  • Université Ryerson
  • SickKids
  • Université Simon Fraser
  • Université de technologie de Chine méridionale
  • Hôpital St. Michael’s
  • Centre Sunnybrook des sciences de la santé
  • Institut de réadaptation de Toronto
  • Université de Montréal
  • Universidad del Norte
  • Réseau universitaire de santé
  • Université de la Colombie-Britannique
  • Université du New Hampshire
  • Institut universitaire de technologie de l’Ontario
  • Université d’Ottawa
  • Université de Sao Paulo
  • Université de Toronto
  • Université de Waterloo
  • UPC Barcelona
  • Université Western (UWO)
  • Schulich School of Business de l’Université York

 
 

 

 

 

 

 

 

 

Outre les communications, 56 affiches de recherche présentaient le travail publié par des chercheurs de Vecteur et des membres de la communauté de l’IA en 2018. Bon nombre d’affiches illustraient des recherches relayées par des congrès et des revues de renommée mondiale et portant sur des sujets comme le classement des types de cancer, l’identification des animaux ou la trajectographie haute précision.

Au cours de la journée, les étudiants ont également pu rencontrer des représentants d’entreprises et de jeunes pousses établies au Canada, qui cherchaient à recruter des talents locaux en apprentissage automatique et en IA. Il s’agissait d’une occasion en or pour les commanditaires sectoriels de Vecteur, qui proposent des perspectives de carrière dans une foule de domaines allant de la science des données à l’analytique, en passant par l’ingénierie et la gestion de projet.

Vector Research Symposium & Job Fair, Feb. 22, 2019

De nombreux commanditaires et partenaires de Vecteur issus des secteurs des technologies et de la santé étaient présents, dont :

  • Accenture
  • Air Canada
  • Baycrest
  • Borealis AI
  • BMO Groupe financier
  • CIBC
  • Deloitte
  • EY
  • Intact Assurance
  • Layer 6 AI
  • Les Compagnies Loblaw limitée
  • Manuvie
  • NVIDIA
  • ROSS Intelligence
  • Banque Scotia
  • Shopify Inc
  • Stradigi AI
  • Financière Sun Life
  • Groupe Thales
  • Thomson Reuters

 

 

 

 

 

 

 

Pour clôturer la journée, Craig Boutilier (Prix de la meilleure communication NeurIPS 2018, Google), Sheila McIlraith (Université de Toronto et professeure associée à l’Institut Vecteur), Brendan Frey (cofondateur de Vecteur, Deep Genomics) et Jamie Kiros (Google Brain) se sont prêtés à une vive discussion de groupe animée par le directeur de recherche de Vecteur, Richard Zemel.

Ces experts ont abordé les principaux obstacles auxquels se heurte l’apprentissage automatique et ont tenté de déterminer d’où viendront les prochaines grandes percées, évoquant les approches hybrides en matière de recherche sur l’apprentissage profond, l’interprétabilité et l’IA éthique.

 

Faits saillants de la discussion

Principaux obstacles de l’apprentissage automatique

Le thème principal de la discussion était le retard de l’éthique sur les plus récentes avancées technologiques. Pour expliquer ce retard, les participants ont évoqué le fait que les travaux en apprentissage automatique sont cloisonnés par rapport aux autres domaines d’étude impliquant l’IA, ce qui pose de nombreux obstacles à la recherche. Les interactions modélisées étant peu intelligentes, les chercheurs ont encore du mal à comprendre comment ils peuvent en arriver à des interactions naturelles.

 

Approches de recherche hybrides sur l’apprentissage automatique (p. ex., modèles probabilistes et IA logique)

D’après les panélistes, bon nombre de techniques d’apprentissage automatique tirent parti d’approches hybrides fondées notamment sur les réseaux neuronaux. Les participants déplorent en outre le fait que certaines questions sont souvent négligées par la communauté scientifique, comme le recours aux algorithmes dans la prise de décisions influant sur le monde réel ou les avancées révolutionnaires en traduction automatique.

 

Interprétabilité

Les experts ont discuté de la transparence et du contrôle, qui expliquent à leurs yeux le besoin d’interprétabilité, mais aussi de la manière dont nous, humains, rationalisons généralement nos décisions après coup. Ils se sont interrogés sur la capacité d’un chercheur à comprendre précisément le fonctionnement d’un modèle. L’un des participants a en outre indiqué qu’un chercheur doit être en mesure d’expliquer les décisions prises au nom de l’utilisateur lors de la création d’un modèle. Vers la fin de la discussion, les participants ont rappelé la nécessité, pour les chercheurs, de tenir compte de l’utilisateur final dans leurs réflexions sur l’interprétabilité, car celle-ci peut varier selon le contexte.

 

IA éthique

Les experts ont fait valoir l’importance, pour les chercheurs, d’avoir des convictions solides susceptibles de les guider dans la conception d’algorithmes.

Ils ont également observé que les considérations éthiques ne se limitent pas à l’IA et qu’elles constituent un enjeu majeur dans d’autres domaines, dont l’informatique au sens large. À cet égard, les participants ont insisté sur la responsabilité des chercheurs, qui doivent former les étudiants et bâtir un avenir meilleur pour l’humanité. Ils ont ensuite soutenu que, devant le choix difficile des recherches à mener et les questions liées aux applications négatives d’un modèle, la frontière entre curiosité et danger reste très floue.

Concluant sur une note encourageante, les participants se sont réjouis des outils plus performants que jamais dont ils disposent pour s’attaquer aux défis évoqués au cours de la discussion. En réponse à la question d’un membre du public, l’un d’eux a rappelé que si les chercheurs doivent assumer le rôle de conseillers dans les discussions entourant les politiques publiques, la communauté scientifique ne doit pas être la seule à surveiller l’utilisation de modèles dans la prise de décisions.

Next Meetup

 

Days
:
Hours
:
Minutes
:
Seconds

 

Plug yourself into AI and don't miss a beat

 


Toronto AI is a social and collaborative hub to unite AI innovators of Toronto and surrounding areas. We explore AI technologies in digital art and music, healthcare, marketing, fintech, vr, robotics and more. Toronto AI was founded by Dave MacDonald and Patrick O'Mara.