Christopher D. Manning est un informaticien et professeur Thomas M. Siebel à l'université de Stanford, où il dirige le laboratoire d'intelligence artificielle de Stanford (SAIL) et a été l'une des figures les plus influentes du domaine du traitement automatique des langues pendant plus de deux décennies.
Manning a coécrit deux des manuels de référence du domaine, « Foundations of Statistical Natural Language Processing » (1999, avec Hinrich Schütze) et « Introduction to Information Retrieval » (2008, avec Prabhakar Raghavan et Hinrich Schütze), qui ont formé une génération de chercheurs en TAL pendant la transition du domaine des règles linguistiques écrites à la main vers des méthodes statistiques puis, plus tard, neuronales.
GloVe et plongements de mots
En 2014, le groupe de Manning, incluant Jeffrey Pennington et Richard Socher, a publié GloVe (Global Vectors for Word Representation), une méthode de plongement qui apprenait des représentations vectorielles denses des mots à partir de statistiques globales de cooccurrence de mots dans un grand corpus. GloVe est devenu l'une des deux méthodes dominantes de plongement de mots du milieu des années 2010, aux côtés de Word2vec, et les deux ont été largement utilisées comme représentation d'entrée pour les systèmes de traitement automatique des langues en aval avant d'être largement supplantées par des représentations contextuelles apprises dans des modèles tels que BERT et plus tard les grands modèles de langage.
Du TAL statistique au TAL neuronal
Le laboratoire de Manning a également été actif dans les premières approches neuronales de l'analyse syntaxique, de l'analyse des sentiments et de la traduction automatique, contribuant à la transition plus large du domaine des méthodes statistiques vers le apprentissage profond appliqué au traitement automatique des langues au cours des années 2010. En tant que directeur de SAIL, Manning a supervisé des recherches couvrant le cœur du TAL, la vision par ordinateur, la robotique et la théorie de l'apprentissage automatique, et les programmes d'IA de Stanford ont produit un grand nombre de chercheurs qui ont ensuite occupé des postes de haut niveau dans de grands laboratoires d'IA, notamment OpenAI et Google DeepMind.
Position dans le domaine
Manning est largement considéré comme l'un des chercheurs qui ont fait le pont entre les traditions orientées linguistique et orientée statistique en TAL, puis entre les traditions statistique et neuronale, publiant de manière constante à travers chaque changement de méthodologie dominante plutôt que d'être identifié à une seule époque. Il a continué à commenter publiquement la manière dont l'essor des grands modèles de langage a remodelé ce qui compte comme problème de recherche ouvert en TAL, notant que de nombreux sous-domaines de longue date, tels que l'analyse syntaxique et l'étiquetage morphosyntaxique, ont été effectivement résolus ou absorbés par des modèles pré-entraînés à usage général.