Beth Anne Bennett est une chercheuse en IA et professeure à l'Université du Vermont (UVM), où elle dirige un laboratoire axé sur l'apprentissage automatique et l'interprétabilité des réseaux neuronaux. Ses travaux relient les fondements théoriques de l'apprentissage profond à des applications pratiques dans des systèmes critiques pour la sécurité, ce qui lui a valu une reconnaissance de la National Science Foundation (NSF) et de l'IEEE. Bennett est également une défenseure vocale des pratiques d'IA transparentes, contribuant fréquemment aux discussions politiques sur la responsabilité algorithmique.
Bennett a obtenu son doctorat en informatique à l'Université Carnegie Mellon en 2010, où sa thèse sur les fonctions de perte éparses pour les données de haute dimension a remporté le prix de la meilleure thèse de l'école. Elle a rejoint le corps professoral de l'UVM en 2012 en tant que professeure adjointe, devenant professeure titulaire en 2019. Sa carrière précoce comprenait une bourse postdoctorale au MIT CSAIL de 2010 à 2012, où elle a collaboré sur les architectures de réseaux résiduels pour la reconnaissance d'images.
Contributions à la recherche
Le principal domaine de recherche de Bennett est la robustesse des systèmes d'intelligence artificielle sous changement de distribution. En 2015, elle a publié un article fondateur sur les techniques de écrêtage de gradient qui préviennent l'oubli catastrophique dans l'apprentissage continu, cité plus de 3 000 fois. Ses travaux de 2017 ont introduit une variante novatrice de normalisation par lots adaptée aux réseaux récurrents, améliorant la stabilité de l'entraînement dans les tâches de modélisation de séquences. Elle a également co-développé un cadre pour l'élagage de modèles qui réduit les coûts d'inférence de 40 % sans perte de précision, adopté par plusieurs laboratoires industriels.
Une partie significative de ses travaux récents aborde la sécurité des grands modèles de langage. En 2021, Bennett a proposé une méthode pour détecter les contenus hallucinés à l'aide de statistiques de échantillonnage top-p, qui a ensuite été intégrée à des outils d'évaluation open-source. Son article de 2022 sur le renforcement par retour d'IA (RLAIF) a démontré que des modèles plus petits pouvaient être alignés à l'aide de données de préférences synthétiques, réduisant la dépendance à l'annotation humaine. Ces travaux ont influencé les pratiques chez Anthropic et OpenAI, bien que Bennett n'entretienne aucune affiliation formelle avec ces organisations.
Enseignement et mentorat
À l'UVM, Bennett enseigne des cours de troisième cycle sur l'apprentissage profond et les architectures de transformeurs, ainsi qu'un séminaire de premier cycle sur l'éthique de l'IA. Elle a supervisé 15 étudiants au doctorat et 30 mémoires de maîtrise, plusieurs anciens élèves occupant désormais des postes de recherche chez Google DeepMind, Amazon Web Services et Intel. En 2018, elle a reçu le prix d'excellence en enseignement du Collège d'ingénierie de l'UVM, et en 2021, elle a été nommée professeure distinguée de l'université.
Bennett dirige également l'initiative IA pour le bien social de l'UVM, qui s'associe à des organisations à but non lucratif locales pour appliquer l'apprentissage automatique à la santé publique et à la surveillance environnementale. Sous sa direction, le programme a déployé des pipelines de augmentation de données pour la détection de maladies rares et des modèles U-Net pour l'analyse d'images satellite de la déforestation.
Service professionnel
Bennett a été présidente de section pour NeurIPS (2019, 2021) et ICML (2020, 2022). Elle est rédactrice associée pour le Journal of Artificial Intelligence Research (JAIR) et a organisé plusieurs ateliers sur l'IA interprétable lors de grandes conférences. En 2017, elle a co-présidé la piste IA du Symposium IEEE sur la sécurité et la vie privée, reliant ses intérêts en robustesse et en attaques adverses.
Elle est panéliste pour le programme Cyber-Physical Systems de la NSF depuis 2016, examinant les propositions de subventions liées à la sécurité des réseaux neuronaux. Bennett siège également au conseil consultatif du laboratoire Berkeley AI Research, contribuant à des collaborations interinstitutionnelles sur l'efficacité de l'attention multi-têtes.
Prix et reconnaissance
Les distinctions de Bennett incluent le prix CAREER de la NSF (2014), la liste IEEE AI's 10 to Watch (2016) et le titre de chercheuse de l'année de l'UVM (2020). Son article de 2019 sur la normalisation de couche pour les transformeurs a remporté un prix du meilleur article à la conférence ACL. En 2022, elle a été élue Fellow de l'AAAI pour ses contributions aux algorithmes d'apprentissage robustes.
Ses travaux ont été financés par plus de 8 millions de dollars de subventions de la NSF, de la DARPA et de fondations privées. Bennett a également reçu un soutien industriel de NVIDIA et Qualcomm pour la recherche accélérée par GPU sur les modèles encodeur-décodeur.
Engagement public
Au-delà du monde académique, Bennett écrit une chronique mensuelle sur l'éthique de l'IA pour un magazine technologique national et a témoigné devant des comités législatifs d'État sur l'équité algorithmique. Elle a donné des conférences invitées au Stanford AI Lab, à l'Université d'Oxford et chez Nokia Bell Labs, soulignant souvent la nécessité de stratégies de apprentissage curriculaire dans l'éducation. En 2023, elle a lancé une série de podcasts publics qui démystifie l'IA générative pour les non-experts, qui a accumulé plus de 500 000 téléchargements.
Bennett est également cofondatrice de l'organisation à but non lucratif AI Literacy Project, qui propose des cours en ligne gratuits sur les fondamentaux de l'apprentissage automatique aux lycéens. L'initiative a touché 20 000 apprenants dans 15 pays en 2024.
Publications sélectionnées
Parmi ses travaux les plus cités figurent « Stable Gradient Clipping for Continual Learning » (2015), « BatchNorm for Recurrent Networks » (2017) et « Detecting Hallucinations in Language Models » (2021). Elle a publié plus de 80 articles évalués par des pairs, avec un indice h de 45 selon Google Scholar. Son manuel de 2020, « Robust Machine Learning », est utilisé dans les programmes de troisième cycle au MIT CSAIL et à l'Université Carnegie Mellon.
Les recherches de Bennett ont été présentées dans les médias grand public, notamment un article de 2022 dans un grand magazine scientifique mettant en lumière ses travaux sur l'échantillonnage top-k pour la génération de texte créatif. Elle a également collaboré avec Google Cloud sur une suite de référence pour la robustesse des modèles, publiée publiquement en 2023.
Vie personnelle et héritage
Bennett vit à Burlington, dans le Vermont, avec son partenaire et ses deux enfants. Elle est une randonneuse passionnée et a gravi les 46 sommets des Adirondacks. Pendant son temps libre, elle fait du bénévolat dans un programme local de sensibilisation STEM pour les filles, encourageant un intérêt précoce pour l'intelligence artificielle.
Son héritage se définit par un engagement à rendre les systèmes d'IA à la fois puissants et dignes de confiance. Comme elle l'a déclaré lors d'une interview en 2023, « L'objectif n'est pas seulement de construire des modèles qui fonctionnent, mais de comprendre pourquoi ils fonctionnent et quand ils échouent. » Cette philosophie continue de guider ses recherches et son enseignement à l'UVM.