Pedro Domingos (né en 1965) est professeur émérite d'informatique et d'ingénierie à l'Université de Washington. Il est chercheur en apprentissage automatique, connu pour ses travaux sur les réseaux logiques de Markov, qui permettent une inférence incertaine en combinant la logique du premier ordre avec la probabilité. Domingos a également contribué à l'analyse de flux de données, à la classification sensible aux coûts et à l'apprentissage adversarial, et il est l'auteur du livre de vulgarisation scientifique The Master Algorithm (2015).
Éducation
Domingos a obtenu une licence et un master en sciences à l'Instituto Superior Técnico (IST) au Portugal. Il a ensuite déménagé à l'Université de Californie à Irvine, où il a obtenu un deuxième master en sciences suivi d'un doctorat. Ses recherches doctorales ont porté sur l'apprentissage automatique et l'exploration de données, jetant les bases de ses contributions ultérieures au domaine.
Recherche et carrière
Après avoir terminé son doctorat, Domingos a passé deux ans comme professeur assistant à l'IST avant de rejoindre l'Université de Washington en tant que professeur assistant en informatique et ingénierie en 1999. Il est devenu professeur titulaire en 2012, puis a ensuite pris le statut de professeur émérite. En 2018, il a lancé un groupe de recherche en apprentissage automatique au fonds spéculatif D. E. Shaw & Co., mais il a quitté l'année suivante pour revenir à des activités académiques.
Domingos a cofondé la Société internationale d'apprentissage automatique, une organisation professionnelle dédiée à l'avancement du domaine. En 2018, il siégeait au comité éditorial de la revue Machine Learning. Ses recherches ont fait le pont entre les fondements théoriques et les applications pratiques, y compris des travaux sur le marketing viral et l'intégration de l'information.
Publications
Domingos est surtout connu pour son livre de 2015 The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World, publié par Basic Books (ISBN 978-0-465-06570-7). Dans ce livre, il soutient que tous les paradigmes d'apprentissage automatique peuvent être unifiés en un seul algorithme, en s'appuyant sur des idées issues des réseaux de neurones, du calcul évolutionnaire, de l'inférence bayésienne et d'autres approches.
Il a également écrit « Our Digital Doubles: AI will serve our species, not control it », publié dans Scientific American en septembre 2018. Dans cet essai, il a décrit les systèmes d'intelligence artificielle comme « des savants autistes » qui manquent de bon sens et peuvent prendre les instructions trop littéralement, mais il a maintenu qu'ils resteront des outils au service des besoins humains. En 2024, il a publié un roman satirique, 2040: A Silicon Valley Satire (BookBaby, ISBN 979-8-350-96334-2).
Prix et distinctions
Domingos a reçu le prix d'innovation ACM SIGKDD 2014 pour ses recherches fondamentales sur l'analyse de flux de données, la classification sensible aux coûts, l'apprentissage adversarial et les réseaux logiques de Markov, ainsi que pour des applications dans le marketing viral et l'intégration de l'information. En 2010, il a été élu membre de l'Association pour l'avancement de l'intelligence artificielle (AAAI) pour ses contributions significatives à l'apprentissage automatique et à l'unification de la logique du premier ordre et de la probabilité. Il a également reçu une bourse Sloan en 2003 et une bourse Fulbright de 1992 à 1997.
Héritage et influence
Les travaux de Domingos sur les réseaux logiques de Markov ont influencé les recherches ultérieures en apprentissage relationnel statistique, un sous-domaine qui combine le apprentissage automatique avec le raisonnement logique. Son plaidoyer pour un algorithme d'apprentissage unifié a suscité des débats parmi les chercheurs sur l'orientation future du domaine. En tant que professeur, il a encadré de nombreux étudiants qui ont poursuivi des carrières dans le monde académique et l'industrie, contribuant à la croissance plus large du apprentissage profond et des domaines connexes.
Ses écrits de vulgarisation ont aidé à communiquer des idées complexes en intelligence artificielle à un public général, en soulignant à la fois le potentiel et les limites des systèmes actuels. Bien que ses prédictions sur le calendrier d'un algorithme maître restent spéculatives, ses contributions aux méthodes fondamentales continuent d'être citées dans la littérature académique.