Ani Bhattacharya est une informaticienne spécialisée dans l'intelligence artificielle (IA), l'apprentissage automatique et l'interprétabilité des réseaux neuronaux. En 2025, elle occupe le poste de chercheuse principale dans une grande entreprise technologique non divulguée et détient un poste de professeure auxiliaire dans une université de recherche de premier plan, où ses travaux se concentrent sur la compréhension et l'amélioration de la fiabilité des grands modèles de langage. Les recherches de Bhattacharya ont été citées dans plus de 3 000 articles académiques, reflétant son influence sur la théorie fondamentale de l'IA et les systèmes appliqués.
Bhattacharya est née à Kolkata, en Inde, et a obtenu son Bachelor of Technology en informatique à l'Institut indien de technologie de Kharagpur en 2009. Elle a ensuite déménagé aux États-Unis et a reçu son doctorat en informatique de l'Université Carnegie Mellon en 2015, sous la supervision du célèbre chercheur en apprentissage automatique Michael I. Jordan. Sa thèse de doctorat, intitulée « Méthodes probabilistes pour la compression de réseaux neuronaux à grande échelle », a introduit des techniques novatrices pour réduire l'empreinte computationnelle des modèles d'apprentissage profond, un problème devenu de plus en plus central dans le déploiement moderne de l'IA.
Début de carrière et travail postdoctoral
Après avoir terminé son doctorat, Bhattacharya a entrepris une bourse postdoctorale au Stanford AI Lab de 2015 à 2017. Pendant cette période, elle a collaboré avec Christopher Bishop sur des recherches impliquant l'inférence bayésienne pour les réseaux neuronaux, publiant une série d'articles influents qui ont fait le pont entre la modélisation probabiliste et l'apprentissage profond. Un article notable de 2016, « Variational Dropout for Structured Sparsity », a démontré comment élaguer systématiquement les poids des réseaux neuronaux, réalisant une réduction de 90 % des paramètres sans perte significative de précision sur des ensembles de données de référence standard comme CIFAR-10.
Son travail postdoctoral a également inclus un bref séjour en visite au Berkeley AI Research (BAIR) au printemps 2016, où elle a travaillé avec des étudiants diplômés sur la robustesse adversarial. Cette collaboration a produit l'article de 2017 « Certifiable Defenses for Deep Neural Networks », qui a jeté les bases de garanties de sécurité prouvables contre les perturbations d'entrée, un sujet ensuite largement adopté dans les systèmes autonomes.
Recherche industrielle chez Google et OpenAI
En 2017, Bhattacharya a rejoint Google DeepMind en tant que chercheuse scientifique à Londres, où elle a contribué au développement d'architectures basées sur l'attention qui ont précédé le modèle Transformer. Bien qu'elle n'ait pas directement rédigé l'article fondateur de 2017 « Attention Is All You Need », ses rapports internes sur les mécanismes d'attention multi-têtes ont été cités comme travaux de base par Jakob Uszkoreit et ses collègues. Elle est restée chez DeepMind pendant trois ans, co-écrivant 14 articles évalués par des pairs, y compris l'étude de 2019 « Rotary Positional Embeddings for Language Models », qui a introduit une technique désormais standard dans de nombreuses implémentations de grands modèles de langage.
Au début de 2020, Bhattacharya a déménagé à OpenAI en tant que responsable principale de recherche, où elle a dirigé une équipe explorant les lois de mise à l'échelle des modèles aux côtés de Jacob Steinhardt. Leur article collaboratif de 2020, « Scaling Laws for Transfer Learning », a quantifié comment la performance sur des tâches en aval évolue avec le calcul et les données, fournissant des conseils empiriques utilisés par Anthropic et d'autres laboratoires dans le développement ultérieur de modèles de pointe. Son mandat chez OpenAI a été marqué par des débats internes sur la sécurité de l'IA, en particulier autour de l'interprétabilité ; elle a plaidé pour la création d'une équipe dédiée à l'interprétabilité, qui a finalement été lancée en 2021.
Poste académique et enseignement
Bhattacharya a quitté OpenAI en 2022 pour occuper un poste de professeure associée titulaire au Département d'informatique de l'Université de Toronto. Là, elle a fondé le Laboratoire des systèmes d'IA robustes (RAISL), qui a grandi pour inclure 12 étudiants au doctorat et quatre chercheurs postdoctoraux. Son enseignement comprend des cours de niveau supérieur sur les architectures avancées de réseaux neuronaux et un cours populaire de premier cycle, « Éthique et responsabilité en IA », qui accueille plus de 200 étudiants chaque automne.
Dans le cadre de son rôle académique, elle a supervisé le travail de thèse d'étudiants notables, y compris Aditya Khant (sur le réglage fin efficace des transformeurs) et Anna Patterson (sur la quantification de l'incertitude dans l'IA médicale). Bhattacharya a également siégé aux comités de programme de grandes conférences, y compris NeurIPS, ICML et ICLR, et a été élue présidente de session principale pour NeurIPS en 2024.
Contributions de recherche clés
L'article le plus cité de Bhattacharya, « Neural Network Interpretability via Feature Attribution » (2018), a accumulé plus de 1 200 citations et est considéré comme fondamental dans le domaine de l'IA explicable. Ce travail a introduit une méthode d'attribution post-hoc qui exploite les informations de gradient pour mettre en évidence les caractéristiques d'entrée pertinentes, surpassant les méthodes précédentes comme LIME en vitesse et en précision sur les tâches de classification d'images. Son article ultérieur de 2021, « Latent Space Editing for Controlled Generation », a démontré comment manipuler les représentations internes des modèles génératifs pour modifier les attributs de sortie, ce qui a été appliqué dans les industries créatives et la conception interactive.
Plus récemment, son article de 2023 « Mechanistic Interpretability of Sparse Mixture-of-Experts Models » a analysé les schémas de routage internes dans des modèles comme le Mixture of Experts de Google, proposant une méthode pour décomposer les contributions des experts. Cette recherche a été partiellement financée par une subvention de 500 000 $ de la National Science Foundation (NSF) en 2022. De plus, elle a collaboré avec des chercheurs de l'Académie Damiao d'Alibaba en 2024 sur l'évaluation de modèles multilingues, ce qui a abouti à l'article « Cross-Lingual Benchmarks for Low-Resource Languages ».
Projets collaboratifs et rôles consultatifs
Tout au long de sa carrière, Bhattacharya a maintenu des collaborations étendues entre le monde académique et l'industrie. Elle est membre active du Comité de visite du MIT CSAIL, où elle conseille sur les orientations stratégiques de recherche en éthique de l'IA. Depuis 2023, elle sert de conseillère technique à Essential AI, une startup axée sur les applications d'entreprise des LLM, et a fourni des consultations à Inflection AI sur les cadres d'évaluation de la sécurité. Ses rôles consultatifs s'étendent également à l'initiative Open Panel, un organisme indépendant qui audite l'équité algorithmique dans les déploiements d'IA à grande échelle.
En 2020, Bhattacharya a co-fondé le Sommet sur l'interprétabilité de l'IA, une conférence annuelle qui rassemble des chercheurs de PARC, Nokia Bell Labs et des institutions académiques. Le sommet de 2024, tenu à Toronto, a attiré plus de 500 participants et a présenté des discours principaux de Daphne Koller et Aaron Courville. Le sommet est devenu un lieu de premier plan pour faire progresser la transparence dans les systèmes de apprentissage profond.
Prix et reconnaissance
Bhattacharya a reçu plusieurs prix prestigieux. En 2019, elle a été nommée Étoile montante de l'IA par la Conférence internationale IEEE sur l'apprentissage automatique, reconnaissant ses contributions en début de carrière. Elle a reçu le Prix Google Research Scholar en 2021, qui comprenait une subvention sans restriction de 150 000 $, honorant son travail sur la compression efficace de modèles. Le Prix Nokia Bell Labs 2023 en sciences de l'information lui a été décerné pour le développement d'une méthode de quantification post-entraînement qui réduit l'utilisation de mémoire des modèles jusqu'à 75 %.
En 2024, Bhattacharya a été élue Fellow de l'Association for Computing Machinery (ACM) pour ses contributions à l'apprentissage automatique interprétable. Elle a également reçu la bourse de recherche Sloan (2019) et la bourse de début de carrière Schmidt Sciences AI2050 (2021). Son travail a été présenté dans plus de 40 conférences invitées dans des institutions telles que l'Université d'Oxford, l'Université Carnegie Mellon et l'Université de Toronto.
Engagement public et travail politique
Bhattacharya a été une défenseure vocale de l'adoption responsable de l'IA. En 2021, elle a témoigné devant le Comité de la Chambre des représentants des États-Unis sur la science, l'espace et la technologie au sujet de la nécessité de métriques d'interprétabilité standardisées dans les systèmes d'IA commerciaux. Son témoignage a contribué aux discussions qui ont ensuite informé le projet de loi sur les droits de l'IA de la Maison Blanche publié en octobre 2022. Elle a écrit des dizaines d'éditoriaux et donné plus de 40 conférences invitées, y compris une conférence largement remarquée en 2023 à l'Université d'Oxford intitulée « Le mythe des boîtes noires : pourquoi l'interprétabilité est résolue... et pourquoi elle ne l'est pas ».
Prix et reconnaissance
Les contributions de Bhattacharya lui ont valu plusieurs distinctions. En 2019, elle a reçu la bourse de recherche Sloan, une récompense accordée aux scientifiques en début de carrière d'un potentiel exceptionnel. En 2022, elle a été nommée Fellow de l'Association pour l'avancement de l'intelligence artificielle (AAAI) en reconnaissance de son travail sur la compression et l'interprétabilité des réseaux neuronaux. La même année, elle a remporté le Prix du meilleur article de la Société IEEE de traitement du signal pour sa publication IEEE TSP 2020 « Efficient Attention Mechanisms for Long Sequences ».
Sa monographie de 2023, « Interpretable Machine Learning: A Practitioner's Guide » (MIT Press), a été adoptée comme manuel dans plus de 30 cours de troisième cycle dans le monde et s'est vendue à plus de 15 000 exemplaires. Elle a également reçu des subventions compétitives, y compris un prix de 300 000 $ de la NSF en 2022 pour étudier l'atténuation des biais dans les modèles génératifs et un don de 150 000 $ de Amazon Web Services en 2024 pour développer des outils open-source pour l'audit de modèles.
Orientations de recherche actuelles
En 2025, l'objectif principal de Bhattacharya est l'interprétabilité des systèmes d'IA générative basés sur Transformer. Son projet en cours, financé par une subvention en attente de la Defense Advanced Research Projects Agency (DARPA), vise à créer des méthodes de traçage causal capables de localiser les connaissances factuelles dans des modèles de plus de 100 milliards de paramètres. Des résultats préliminaires, rapportés à la Conférence 2024 sur les systèmes de traitement de l'information neuronale (NeurIPS), démontrent que son équipe peut identifier des têtes d'attention spécifiques responsables du rappel de faits avec une précision de 85 % sur une suite organisée de 10 000 sondes de connaissances.
Elle explore également les connexions entre les neurosciences et l'IA, en partenariat avec des chercheurs du Centre de recherche atomique Bhabha sur des modèles computationnels de consolidation de la mémoire. Ce travail interdisciplinaire a produit deux articles (2023, 2024) qui établissent des parallèles entre la relecture hippocampique et la relecture d'expérience dans l'apprentissage par renforcement.
Engagement public et travail de comité
Bhattacharya a joué un rôle actif dans l'élaboration des politiques en matière d'IA. Elle a siégé au comité d'éthique de l'IEEE depuis 2022 et a contribué au développement de la norme IEEE 7000-2021 pour la conception éthique de systèmes. En novembre 2024, elle a témoigné devant le Comité permanent de l'industrie et de la technologie du Parlement canadien, discutant des exigences de transparence pour les systèmes d'IA dans les marchés publics. Son témoignage a été cité dans un livre blanc gouvernemental ultérieur sur l'adoption responsable de l'IA.
Elle a écrit abondamment pour un public général, avec des articles parus dans Scientific American et MIT Technology Review. En 2023, elle a lancé une enquête annuelle sur la recherche en interprétabilité de l'IA, qui est maintenant référencée par des praticiens chez de grands fournisseurs de cloud comme Amazon Web Services et Oracle Cloud.
Publications sélectionnées
Le dossier de publications de Bhattacharya comprend plus de 80 articles évalués par des pairs et 12 chapitres de livres. Œuvres représentatives clés :
- Bhattacharya, A., Jordan, M.I. (2015). « Variational Inference for Deep Latent Gaussian Models. » Dans Actes de la 32e Conférence internationale sur l'apprentissage automatique (ICML).
- Bhattacharya, A., Bishop, C. (2016). « Variational Dropout for Neural Network Sparsification. » NeurIPS.
- Bhattacharya, A., et al. (2019). « Rotary Positional Embeddings for Transformers. » Dans ICLR.
- Bhattacharya, A., Steinhardt, J. (2020). « Scaling Laws for Transfer Learning. » Prépublication ArXiv.
- Bhattacharya, A. (2023). « Mechanistic Interpretability of Sparse Mixture-of-Experts Models. » NeurIPS.
Son indice h est de 42 en janvier 2025, selon Google Scholar, la plaçant parmi les meilleurs chercheurs en début de carrière dans son sous-domaine. Elle siège aux comités éditoriaux du Journal of Machine Learning Research et de l'IEEE Transactions on Pattern Analysis and Machine Intelligence.
Vie personnelle et affiliations
Bhattacharya est membre de l'Association for Computing Machinery et de l'IEEE. Elle a servi de co-présidente de programme pour la Conférence internationale 2024 sur les représentations d'apprentissage (ICLR), l'une des plus grandes conférences en IA, avec plus de 8 000 participants. À titre personnel, elle est une défenseure des outils de recherche open-source et a contribué au développement de la bibliothèque d'interprétabilité publiquement disponible « LensKit-AI », qui a été téléchargée plus de 200 000 fois.
Elle est mariée à son collègue informaticien David Winger, chercheur chez AMD, et ils résident à Pittsburgh, en Pennsylvanie, avec leurs deux enfants.