Corinna Cortes est une informaticienne danoise qui dirige Google Research à New York. Elle est surtout connue pour son travail fondateur en apprentissage automatique, en particulier le co-développement des machines à vecteurs de support (SVM), un modèle d'apprentissage supervisé largement utilisé pour les tâches de classification et de régression. Ses recherches ont couvert des domaines tels que l'exploration de données, l'apprentissage à grande échelle et les fondements théoriques des algorithmes d'apprentissage.
Cortes est née au Danemark et a poursuivi sa carrière universitaire en informatique. Elle a obtenu son doctorat de université de Toronto, où elle a étudié sous la supervision de Geoffrey Hinton, un pionnier des réseaux de neurones et du apprentissage profond. Sa thèse de doctorat portait sur les algorithmes d'apprentissage et leurs applications, posant les bases de ses contributions ultérieures dans ce domaine.
Machines à vecteurs de support
Au début des années 1990, Cortes a collaboré avec Vladimir Vapnik aux Laboratoires Bell d'AT&T (aujourd'hui Nokia Bell Labs) pour développer les machines à vecteurs de support. Leur article de 1995, "Support-Vector Networks", a introduit le concept de maximisation de la marge entre les classes dans des espaces de grande dimension, une méthode qui s'est avérée très efficace pour la reconnaissance des formes. Les SVM sont devenus une pierre angulaire de intelligence artificielle et de l'apprentissage automatique, influençant les développements ultérieurs dans les méthodes à noyau et les classificateurs à grande marge. La technique reste largement utilisée dans des applications allant de la catégorisation de textes à la bioinformatique.
Carrière chez Google
Cortes a rejoint Google en 2003, où elle a pris des rôles de direction en recherche et en ingénierie. En tant que dirigeante de Google Research NY, elle supervise une équipe de scientifiques travaillant sur des sujets tels que l'apprentissage automatique à grande échelle, le traitement du langage naturel et l'équité algorithmique. Ses travaux chez Google ont inclus des contributions aux systèmes de classement de l'entreprise et au développement d'outils pour l'analyse de vastes ensembles de données. Sous sa gouvernance, le bureau de New York est devenu un centre de recherche dans des domaines comme IA générative et grands modèles de langue, en collaborant avec des équipes de Google DeepMind et d'autres divisions.
Contributions à la théorie de l'apprentissage
Au-delà des SVM, Cortes a apporté des contributions significatives à la compréhension théorique des algorithmes d'apprentissage. Elle a publié des articles influents sur des sujets comme le boosting, les méthodes d'ensemble et la stabilité des systèmes d'apprentissage. Ses recherches sur la relation entre l'erreur de généralisation et la complexité de l'espace de hypothèses ont aidé à façonner les approches modernes de la sélection de modèles et de la régularisation. Cortes a également exploré des problèmes pratiques de l'exploration de données, notamment les défis du traitement d'ensembles de données déséquilibrés et de données bruitées.
Récompenses et reconnaissance
Cortes a reçu de nombreux prix pour son travail. Elle est membre de l'ACM et a siègé dans les comités éditoriaux de plusieurs revues importantes, notamment le Journal of Machine Learning Research. Ses contributions ont été reconnues par des prix tels que celui de avec d'AT&T Bell Laboratoires Distinguished Member of Technical Staff. Elle est souvent invitée à parler lors de grandes conférences, notamment à NeurIPS et à ICML, où a est membre des comités de programme et directrice de zone.
Impact et héritage
L'influence du travail de Cortes dépasse le cadre académique et se manifeste dans la pratique industrielle. Les SVM sont devenus un outil standard dans la boîte à outils de l'apprentissage automatique, et ses idées sur l'apprentissage à grande échelle ont informé la conception de systèmes utilisés par des entreprises dans le monde entier. En tant que dirigeante chez Google, Cortes a encadré une génération de chercheurs et aidé à combler le fossé entre recherche théorique expérimentale et déploiement pratique. Son travail continue d'aborder les défis de la construction de systèmes d'IA robustes, évolutifs et équitables.
Cortes, figure active de la communauté de recherche, plaide pour des méthodes d'évaluation rigoureuses et le développement responsable des technologies d'IA. Sa carrière illustre l'intégration d'une théorie fondamentale et de l'innovation appliquée, en faisant une figure marquante dans l'évolution de l'apprentissage automatique moderne.