Danqi Chen (chinois : 陈丹琦 ; pinyin : Chén Dānqí) est une informaticienne chinoise et professeure adjointe à l'Université de Princeton, spécialisée dans le domaine de l'IA qu'est le traitement automatique du langage naturel (TAL). Ses recherches portent sur la compréhension de texte, la représentation et le raisonnement des connaissances, avec des contributions notables dans le question-réponse et la lecture-compréhension neuronale. Elle est reconnue à la fois pour son travail académique en TAL et pour son parcours en programmation compétitive, notamment une médaille d'or à l'Olympiade internationale d'informatique de 2008.
Chen a obtenu son doctorat à l'Université de Stanford et sa licence à l'Université Tsinghua. En 2019, elle a rejoint le groupe TAL de Princeton, aux côtés de Sanjeev Arora, Christiane Fellbaum et Karthik Narasimhan. Elle a auparavant été scientifique invitée chez Facebook AI Research (FAIR). Sa thèse, Neural Reading Comprehension and Beyond, explore l'utilisation de l'intelligence artificielle pour accéder aux connaissances dans des documents ordinaires et structurés.
Vie et formation
Née à Changsha, en Chine, Chen a montré très tôt des aptitudes en informatique et en programmation compétitive. En 2008, elle a remporté une médaille d'or à l'Olympiade internationale d'informatique, une réalisation qui a mis en évidence ses compétences algorithmiques. Elle a ensuite poursuivi des études de premier cycle à l'Université Tsinghua, où elle a obtenu sa licence. Elle est ensuite passée à l'Université de Stanford pour ses études supérieures, complétant son doctorat sous la supervision de Christopher Manning. Pendant son séjour à Stanford, elle a développé des algorithmes qui sont devenus plus tard fondamentaux pour SyntaxNet de Google, un analyseur syntaxique pour la compréhension du langage naturel.
Contributions à la recherche
Les principaux intérêts de recherche de Chen résident dans la compréhension de texte et la représentation et le raisonnement des connaissances. Son travail fait le pont entre apprentissage automatique et apprentissage profond pour améliorer la façon dont les machines traitent et répondent aux questions à partir de grands corpus de texte. L'un de ses articles les plus cités, Reading Wikipedia to Answer Open-Domain Questions, a introduit des méthodes pour récupérer et raisonner sur des passages de Wikipédia afin de répondre à des requêtes factuelles. Ce travail a influencé les développements ultérieurs dans la recherche sur modèles de langage de grande taille, en particulier dans les systèmes de question-réponse en domaine ouvert.
Sa thèse, Neural Reading Comprehension and Beyond, a examiné comment les modèles réseaux de neurones peuvent être entraînés à extraire des réponses de documents, en abordant les défis posés par les textes ordinaires et les formats structurés. Cette recherche a contribué au domaine plus large du traitement automatique du langage naturel en faisant progresser les techniques d'apprentissage séquence à séquence et les mécanismes d'attention.
Carrière académique
Après avoir obtenu son doctorat, Chen a travaillé comme scientifique invitée chez Facebook AI Research (FAIR), où elle a collaboré à des projets liés aux architectures transformers et à l'IA générative. En 2019, elle a rejoint l'Université de Princeton en tant que professeure adjointe, devenant membre du groupe TAL de Princeton aux côtés de chercheurs tels que Sanjeev Arora, Christiane Fellbaum et Karthik Narasimhan. À Princeton, elle a continué à étudier comment les systèmes d'IA peuvent raisonner sur les connaissances, avec des applications à la sécurité et à l'interprétabilité de l'intelligence artificielle.
Chen est également connue pour son mentorat et ses contributions à la communauté académique. Elle a co-écrit de nombreux articles de revues et de conférences, et son travail a été largement cité dans les domaines du apprentissage automatique et du apprentissage profond. Son groupe de recherche à Princeton se concentre sur le développement de modèles capables de comprendre et de raisonner sur des informations textuelles complexes.
Héritage en programmation compétitive
Au-delà de ses réalisations académiques, Chen est connue parmi ses amis sous le nom de CDQ, un acronyme dérivé de son nom. Un algorithme bien connu en programmation compétitive, CDQ Divide and Conquer, porte le nom de cet acronyme. Cet algorithme est utilisé pour résoudre des problèmes de programmation dynamique avec des requêtes hors ligne et est devenu une technique standard dans les cercles de programmation compétitive. Sa médaille d'or à l'Olympiade internationale d'informatique de 2008 reste un moment fort de sa carrière précoce, et elle continue d'inspirer les jeunes programmeurs en Chine et dans le monde entier.
Vie personnelle
Chen est mariée à Huacheng Yu, professeur adjoint en informatique théorique à l'Université de Princeton. Le couple réside à Princeton, dans le New Jersey, où ils poursuivent tous deux une carrière académique. Le travail de Chen a été reconnu par divers prix et distinctions, bien que les détails spécifiques de ces récompenses ne soient pas largement divulgués. Selon les dernières informations disponibles, elle reste active dans la recherche et l'enseignement à Princeton.
Références
- Chen, D., & Manning, C. (2014). A Fast and Accurate Dependency Parser using Neural Networks. Proceedings of EMNLP.
- Chen, D., Fisch, A., Weston, J., & Bordes, A. (2017). Reading Wikipedia to Answer Open-Domain Questions. Proceedings of ACL.
- Chen, D. (2018). Neural Reading Comprehension and Beyond. Ph.D. Dissertation, Stanford University.