Michael Irwin Jordan (né le 25 février 1956) est un scientifique américain et professeur à l'Université de Californie à Berkeley, où il occupe la chaire distinguée Pehong Chen. Il est également chercheur scientifique à Inria Paris. Jordan est reconnu comme l'une des figures majeures de l'apprentissage automatique, avec des contributions couvrant les statistiques, l'informatique et l'intelligence artificielle. En 2016, Science l'a désigné comme le scientifique informatique le plus influent au monde, sur la base d'une analyse de la littérature publiée par le projet Semantic Scholar. Il a été élu membre de la National Academy of Engineering en 2010 pour ses contributions aux fondements et aux applications de l'apprentissage automatique, et en 2022, il a remporté le premier prix de la World Laureates Association en informatique ou mathématiques pour ses contributions fondamentales aux fondements de l'apprentissage automatique et à son application.
Les travaux de Jordan ont façonné les fondements théoriques et pratiques de l'apprentissage automatique moderne, notamment par son plaidoyer pour les méthodes bayésiennes et ses efforts pour unifier l'apprentissage automatique avec les statistiques traditionnelles. Ses recherches ont influencé des domaines tels que la modélisation des réseaux de neurones, les modèles graphiques probabilistes et l'inférence variationnelle, et ses étudiants et collaborateurs sont devenus des figures de proue du domaine.
Éducation
Jordan a obtenu un baccalauréat en sciences avec mention magna cum laude en psychologie de l'Université d'État de Louisiane en 1978, une maîtrise en mathématiques de l'Université d'État de l'Arizona en 1980 et un doctorat en sciences cognitives de l'Université de Californie à San Diego en 1985. À l'UC San Diego, il a été étudiant de David Rumelhart et membre du groupe Parallel Distributed Processing (PDP) dans les années 1980, une communauté de recherche qui a joué un rôle central dans le développement des modèles connexionnistes et de la théorie des réseaux de neurones.
Carrière et recherche
Jordan a commencé sa carrière académique en tant que professeur au département des sciences du cerveau et cognitives au Massachusetts Institute of Technology de 1988 à 1998. Dans les années 1980, il a développé des réseaux de neurones récurrents comme modèles cognitifs, contribuant aux premiers travaux sur le traitement des séquences et le contrôle moteur. Après avoir déménagé à l'Université de Californie à Berkeley, ses recherches se sont orientées de la modélisation cognitive vers les fondements des statistiques et de l'apprentissage automatique.
Jordan est largement crédité pour avoir popularisé les réseaux bayésiens dans la communauté de l'apprentissage automatique et pour avoir articulé les liens profonds entre l'apprentissage automatique et les statistiques. Il a également été éminent dans la formalisation des méthodes variationnelles pour l'inférence approximative et dans la popularisation de l'algorithme d'espérance-maximisation comme outil central en apprentissage automatique. Ses travaux ont influencé à la fois la compréhension théorique et les applications pratiques, y compris dans le IA générative et le apprentissage profond.
Le groupe de recherche de Jordan à Berkeley a produit de nombreux articles influents et formé de nombreux chercheurs éminents. Il a été mentor pour plusieurs leaders du domaine, notamment Anima Anandkumar et d'autres qui ont fait progresser le apprentissage profond et l'intelligence artificielle dans le milieu académique et industriel.
Démission de la revue Machine Learning
En 2001, Jordan et plusieurs collègues ont démissionné du comité éditorial de la revue Machine Learning. Dans une lettre publique, ils ont plaidé pour un accès moins restrictif à la recherche et se sont engagés à soutenir une nouvelle revue en libre accès, le Journal of Machine Learning Research (JMLR), créé par Leslie Kaelbling pour soutenir l'évolution du domaine. Cette action a été un moment marquant dans le mouvement vers le libre accès en informatique et a contribué à établir JMLR comme un lieu de publication de premier plan pour la recherche en apprentissage automatique.
Honneurs et récompenses
Jordan a reçu de nombreuses récompenses tout au long de sa carrière. Il a reçu un prix de meilleur article étudiant (avec X. Nguyen et M. Wainwright) à la Conférence internationale sur l'apprentissage automatique (ICML 2004) et un prix de meilleur article (avec R. Jacobs) à la Conférence américaine de contrôle (ACC 1991). Il a également reçu le prix ACM-AAAI Allen Newell, le prix IEEE Neural Networks Pioneer et un prix NSF Presidential Young Investigator.
Il a été élu membre de plusieurs grandes sociétés professionnelles : AAAI (2002), IMS (2004), IEEE (2005), ASA (2007), ACM (2010), SIAM (2012) et la Société internationale d'analyse bayésienne (2014). Il est membre de l'Académie nationale des sciences, de l'Académie nationale d'ingénierie et de l'Académie américaine des arts et des sciences. Il a été nommé conférencier Neyman et conférencier Medallion par l'Institut de statistique mathématique. Il a reçu le prix David E. Rumelhart en 2015 et le prix ACM/AAAI Allen Newell en 2009. En 2020, il a remporté la médaille IEEE John von Neumann.
En 2016, Jordan a été identifié comme le « scientifique informatique le plus influent » sur la base d'une analyse de la littérature publiée par le projet Semantic Scholar. En 2022, il a reçu le premier prix de la World Laureates Association par la World Laureates Association, une organisation internationale non gouvernementale et à but non lucratif, pour ses contributions fondamentales aux fondements de l'apprentissage automatique et à son application. Pour 2024, il a reçu le prix Frontiers of Knowledge de la Fondation BBVA dans la catégorie « Technologies de l'information et de la communication ».
Impact et héritage
L'influence de Jordan s'étend au-delà de ses propres recherches. Il a été une figure clé dans l'établissement de l'apprentissage automatique comme discipline rigoureuse, reliant l'informatique et les statistiques. Son plaidoyer pour les méthodes bayésiennes et la modélisation probabiliste a façonné les programmes d'études de nombreuses universités et les agendas de recherche de grands laboratoires, notamment BAIR (Berkeley AI Research) et Stanford AI Lab. Ses étudiants et postdoctorants ont dirigé des groupes de recherche dans des institutions et entreprises de premier plan, notamment OpenAI, Google DeepMind et Anthropic.
Jordan a également été un commentateur vocal sur l'état de l'intelligence artificielle. En 2019, il a soutenu que la révolution de l'intelligence artificielle n'avait pas encore eu lieu et que la révolution de l'IA nécessitait un mélange d'informatique et de statistiques. Cette perspective a influencé les débats sur l'avenir de l'IA, en particulier concernant les limites des approches actuelles de apprentissage profond et la nécessité de fondements statistiques plus robustes.
Publications sélectionnées
Jordan a écrit ou coécrit des centaines d'articles et plusieurs livres influents. Ses premiers travaux sur les réseaux de neurones récurrents et le contrôle moteur sont largement cités. Ses contributions ultérieures aux modèles graphiques, à l'inférence variationnelle et à la théorie de l'apprentissage automatique sont devenues des références standard. Parmi les publications notables figurent ses travaux sur l'algorithme d'espérance-maximisation, les méthodes variationnelles et l'analyse des propriétés de convergence et de généralisation des algorithmes d'apprentissage.
Vie personnelle
Jordan est né le 25 février 1956 aux États-Unis. Il a passé la majeure partie de sa carrière dans le milieu académique, avec des postes au MIT et à l'Université de Californie à Berkeley. Il est connu pour son style collaboratif et son mentorat de jeunes chercheurs. Il continue d'être actif dans la recherche et l'enseignement, et ses travaux restent influents dans le domaine en évolution rapide de l'apprentissage automatique.
Références
Cet article intègre des informations provenant de sources publiques, y compris l'article Wikipédia sur Michael I. Jordan, disponible sous la licence Creative Commons Attribution-ShareAlike.