Benoit Boulet, ing., Ph.D., est professeur au département de génie électrique et génie informatique de l’Université McGill, auquel il s’est joint en 1998, et directeur du McGill Engine, un centre d’innovation technologique et d’entrepreneuriat qu’il a co-fondé. Il est vice-principal adjoint (innovation et partenariats) de McGill et a été vice-doyen (recherche et innovation) de la faculté de génie de 2014 à 2020. Le professeur Boulet a obtenu un baccalauréat en sciences appliquées de l’université Laval en 1990, une maîtrise en génie de l’université McGill en 1992, et un doctorat de l’université de Toronto en 1996, tous en génie électrique. Il est un ancien directeur et membre actuel du centre pour les machines intelligentes de McGill, où il dirige le laboratoire d’automatisation intelligente. Ses domaines de recherche comprennent la conception et le contrôle basé sur les données de véhicules électriques autonomes et de systèmes d’énergie renouvelable, l’apprentissage automatique appliqué aux systèmes biomédicaux et la commande industrielle robuste.

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 ?