Tiago H. Falk est professeur titulaire à l’Institut national de la recherche scientifique. Il dirige le laboratoire d’analyse et d’amélioration des signaux multimedia/multimodaux, à l’Université du Québec. MuSAE Lab mène des recherches à la croisée du génie biomédical et des télécommunications. Avec son équipe il a publié plus de 300 articles scientifiques sur l’utilisation du traitement du signal pour améliorer les applications d’apprentissage automatique dans des contextes réels. Le professeur Falk travaille en étroite collaboration avec des partenaires industriels nationaux et internationaux pour s’assurer que leurs applications fonctionnent de manière fiable  » dans la nature « . Il a déposé plusieurs brevets couvrant les méthodes de mesure et d’amélioration de la qualité des capteurs. Plusieurs de ses outils ont été utilisés comme points de référence dans les IEEE Challenges et ont reçu le prix du meilleur article lors de conférences internationales de premier plan, notamment IEEE ICASSP et IEEE SMC. Il est coprésident du comité technique (TC) sur les systèmes d’interface cerveau-machine de l’IEEE Systems, Man and Cybernetics (SMC) Society, membre du TC on Audio and Acoustics Signal Processing de l’IEEE Signal Processing Society, membre actif du conseil des gouverneurs de l’IEEE SMC Society, membre fondateur de l’IEEE Telepresence Initiative et président académique de la Société canadienne de génie médical et biologique. Il est coéditeur de l’ouvrage  » Signal Processing and Machine Learning for Biomedical Big Data « , publié par CRC Press en 2018.

Il ne fait aucun doute que les récentes innovations en matière d’apprentissage automatique (profond) ont redéfini l’enveloppe de performance de plusieurs applications. Mais comme le dit le vieil adage  » quand on invente le bateau, on invente aussi le naufrage « . C’est également vrai pour l’IA. Nous savons que les systèmes existants sont (1) sensibles aux changements dans la distribution des données d’apprentissage. Ils sont également (2) vulnérables aux attaques adverses, où des modèles de bruit soigneusement élaborés peuvent faire échouer les systèmes de façon spectaculaire, mais avec une confiance très élevée dans leurs décisions (erronées). Et (3) comme les modèles sont gourmands en données et nécessitent des étapes d’optimisation des hyperparamètres qui prennent beaucoup de temps, ils ne sont pas écologiques. Comme le souligne une étude de 2019, l’entraînement d’un modèle avec 200 millions de paramètres avait une consommation d’énergie et une empreinte carbone équivalentes à 125 vols aller-retour entre New York et Pékin. Avance rapide jusqu’en 2022, nous parlons de modèles avec des trillions de paramètres, donc des solutions plus durables sont drastiquement nécessaires. Au cours de cet exposé, je présenterai les innovations en matière de traitement du signal qui sont appliquées pour faire face à ces trois limitations. Des applications réussies dans les domaines de la parole, des soins de santé et de la surveillance des performances humaines seront présentées, ce qui permettra de répondre que, oui, le traitement du signal peut être utilisé au profit de l’IA !