Arnaud Zinflou a une bonne expérience dans la mise en œuvre de projets d’IA pour différents domaines comme la fabrication industrielle, la logistique, la finance ou encore la vente en ligne. Il est titulaire d’un baccalauréat et d’une maîtrise en informatique, ainsi que d’un Ph.D. en génie informatique. Il est actuellement chercheur principal à l’Institut de recherche d’Hydro-Québec et dirige des projets dans différents domaines de l’intelligence artificielle tels que la vision par ordinateur, la prévision de séries temporelles ou encore l’apprentissage de représentation. Il est également auteur et co-auteur de plus de 40 articles, 7 chapitres de livre et 3 brevets. Il est membre senior de l’IEEE depuis 2015.

L’intelligence artificielle impacte de nombreux secteurs de la société et de l’économie : reconnaissance d’images et de la parole, traduction automatique, génération d’images, etc. C’est en très grande partie, grâce aux avancées impressionnantes de ces dix dernières années en apprentissage automatique et en particulier en apprentissage profond. Dans un contexte d’électrification croissante du bouquet énergétique et de diversification des sources de production – intermittentes, variables et décentralisées – nous ne faisons que commencer à exploiter le potentiel de l’IA pour accélérer la transition vers des systèmes énergétiques interconnectés ultra efficaces et faiblement émetteurs. Les nouvelles possibilités apportées par l’IA sont sources d’innovation, mais aussi de nombreux questionnements. L’intelligence artificielle est-elle la meilleure solution pour favoriser la transition énergétique ? Comment prendre en compte les enjeux liés à la mise en œuvre de solutions en IA – comme la robustesse, les biais cognitifs et l’explicabilité – afin d’éviter un problème de manque de confiance qui peut s’avérer difficile à contrebalancer à posteriori ? Comment mettre en place un processus de certification des solutions en IA qui permettrait leur utilisation dans des domaines hautement réglementés ? Dans le but de répondre aux enjeux climatiques, comment optimiser le coût énergétique de l’opération d’apprentissage en tant que telle, en plus de celui de la collecte et du stockage des données ?