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 avec des nominations dans le département de génie électrique et informatique et le département de statistiques. Il est également chercheur scientifique à l'Inria Paris. Jordan est largement reconnu comme l'une des figures de proue du apprentissage automatique, avec une carrière couvrant les sciences cognitives, les statistiques et l'intelligence artificielle. En 2016, un rapport de Science basé sur le projet Semantic Scholar l'a identifié comme le chercheur en informatique le plus influent au monde. Ses travaux ont façonné les approches modernes des modèles graphiques probabilistes, de l'inférence variationnelle et des fondements théoriques des algorithmes d'apprentissage.
La recherche de Jordan fait le pont entre les statistiques traditionnelles et l'apprentissage computationnel, soulignant qu'une IA robuste nécessite un fondement statistique rigoureux. Il a encadré de nombreux chercheurs éminents et a été élu à l'Académie nationale d'ingénierie, à l'Académie nationale des sciences et à l'Académie américaine des arts et des sciences. Ses contributions lui ont valu des récompenses, notamment le prix inaugural de l'Association mondiale des lauréats en informatique ou mathématiques en 2022 et le prix Frontiers of Knowledge de la Fondation BBVA en 2024.
Formation
Jordan a obtenu un baccalauréat ès sciences magna cum laude en psychologie de l'Université d'État de Louisiane en 1978. Il a ensuite obtenu une maîtrise ès sciences en mathématiques de l'Université d'État de l'Arizona en 1980. Son travail doctoral s'est déroulé à l'Université de Californie à San Diego, où il a complété un doctorat en sciences cognitives en 1985. À l'UC San Diego, Jordan a étudié sous la direction de David Rumelhart et a été membre actif du groupe Parallel Distributed Processing (PDP) dans les années 1980, une période qui a jeté les bases des modèles connexionnistes de la cognition.
Carrière et recherche
Jordan a commencé sa carrière académique en tant que professeur au département des sciences du cerveau et cognitives du Massachusetts Institute of Technology (MIT), de 1988 à 1998. Pendant cette période, il a développé des réseaux neuronaux récurrents comme modèles du contrôle moteur humain et du traitement cognitif, contribuant aux premiers fondements théoriques des réseaux neuronaux. En 1998, il a rejoint l'Université de Californie à Berkeley, où il occupe depuis une nomination conjointe en statistiques et en génie électrique.
Au fil des ans, la recherche de Jordan est passée d'une perspective principalement cognitive à un engagement plus profond avec la théorie statistique. Il a joué un rôle clé dans la popularisation des réseaux bayésiens au sein de la communauté de l'apprentissage automatique, en mettant l'accent sur les liens naturels entre l'apprentissage automatique et les statistiques classiques. Ses travaux sur les méthodes variationnelles pour l'inférence approximative et l'algorithme d'espérance-maximisation (EM) sont devenus des références dans le domaine, influençant à la fois la recherche théorique et les applications pratiques.
Les contributions de Jordan s'étendent à l'optimisation, aux modèles graphiques et à l'analyse des systèmes d'apprentissage à grande échelle. Il a également été un défenseur vocal de l'accès ouvert dans l'édition académique, cofondant le Journal of Machine Learning Research après avoir démissionné du comité éditorial de la revue Machine Learning en 2001.
Démission de Machine Learning
En 2001, Jordan et plusieurs collègues ont démissionné du comité éditorial de la revue Machine Learning pour protester contre les politiques d'accès restrictives. Dans une lettre publique, ils ont soutenu que l'évolution rapide du domaine exigeait une diffusion plus ouverte de la recherche. Leur action a conduit à la création du Journal of Machine Learning Research (JMLR), fondé par Leslie Kaelbling pour offrir une plateforme gratuite et en libre accès pour la recherche de haute qualité en apprentissage automatique. Cette décision est largement considérée comme un moment charnière dans le mouvement vers la science ouverte en intelligence artificielle.
Honneurs et récompenses
Jordan a reçu de nombreuses distinctions tout au long de sa carrière. Parmi les reconnaissances précoces figurent le NSF Presidential Young Investigator Award et un prix du meilleur article à l'American Control Conference en 1991. Il a été nommé membre de plusieurs grandes sociétés professionnelles : AAAI (2002), IMS (2004), IEEE (2005), ASA (2007), ACM (2010), SIAM (2012) et l'International Society for Bayesian Analysis (2014). Ces distinctions reflètent son impact considérable dans les statistiques, l'informatique et l'ingénierie.
En 2009, Jordan a reçu le prix ACM-AAAI Allen Newell, et en 2015, il a été honoré du prix David E. Rumelhart. Il a reçu la médaille IEEE John von Neumann en 2020. En 2016, il a été identifié comme le chercheur en informatique le plus influent sur la base d'une analyse de la littérature par le projet Semantic Scholar. En 2022, il a remporté le prix inaugural de l'Association mondiale des lauréats en informatique ou mathématiques, cité pour ses contributions fondamentales aux fondements de l'apprentissage automatique et à ses applications. Pour 2024, il a reçu le prix Frontiers of Knowledge de la Fondation BBVA en technologies de l'information et de la communication.
Jordan est également membre de l'Académie nationale d'ingénierie (élu en 2010), de l'Académie nationale des sciences et de l'Académie américaine des arts et des sciences. Il a prononcé des conférences nommées, notamment la conférence Neyman et la conférence Medallion de l'Institut de statistiques mathématiques.
Influence et héritage
L'influence de Jordan s'étend au-delà de ses propres recherches. Il a supervisé un grand nombre d'étudiants en doctorat et de chercheurs postdoctoraux qui sont devenus des leaders dans le monde académique et industriel, notamment des figures comme Daphne Koller et Anima Anandkumar. Ses contributions pédagogiques, telles que le manuel largement utilisé sur les modèles graphiques probabilistes, ont formé des générations de chercheurs. En 2019, Jordan a soutenu que la révolution de l'intelligence artificielle n'était pas encore pleinement arrivée, soulignant que la véritable IA exige une intégration plus profonde de l'informatique avec les statistiques. Cette perspective a façonné les débats en cours sur l'orientation du domaine.
Publications sélectionnées
Jordan a écrit ou co-écrit des centaines d'articles et plusieurs livres influents. Parmi ses travaux notables figurent ses premiers articles sur les réseaux neuronaux récurrents, ses articles fondateurs sur l'inférence variationnelle et ses recherches collaboratives sur les modèles graphiques et l'optimisation. Son article ICML 2004 avec X. Nguyen et M. Wainwright a reçu un prix de meilleur article étudiant, et son article de 1991 avec R. Jacobs a remporté un prix de meilleur article à l'ACC. Ces publications reflètent sa production soutenue et son rôle dans l'avancement de la théorie et de la méthodologie.
Influence et héritage
L'influence de Jordan s'étend au-delà de ses propres recherches. Il a supervisé un grand nombre d'étudiants en doctorat et de chercheurs postdoctoraux qui sont devenus des leaders dans le milieu académique et l'industrie, notamment des figures comme Daphne Koller et Anima Anandkumar. Ses contributions pédagogiques, telles que le manuel largement utilisé sur les modèles graphiques probabilistes, ont formé des générations de chercheurs. En 2019, Jordan a soutenu que la révolution de l'intelligence artificielle n'était pas encore pleinement réalisée, soulignant qu'une véritable IA exige une intégration plus profonde de l'informatique avec les statistiques. Cette perspective a façonné les débats en cours sur l'orientation du domaine.
Publications sélectionnées
Jordan a écrit ou co-écrit des centaines d'articles et plusieurs livres influents. Parmi ses travaux notables figurent ses premiers articles sur les réseaux neuronaux récurrents, ses articles fondateurs sur l'inférence variationnelle et ses contributions sur les modèles graphiques et l'optimisation. Son article ICML de 2004 avec X. Nguyen et M. Wainwright a reçu un prix du meilleur article, et son article de 1991 avec R. Jacobs a remporté un prix à l'ACC. Ces publications reflètent sa production soutenue et son rôle dans l'avancement de la théorie et de la méthodologie.
Références
Cet article s'appuie sur des informations publiquement disponibles concernant la carrière de Michael I. Jordan, y compris sa biographie officielle à l'UC Berkeley et les registres des distinctions professionnelles. Les sources comprennent le rapport de Science de 2016, les annonces de l'Association mondiale des lauréats et les citations des sociétés professionnelles.