Ruslan Salakhutdinov (en russe : Руслан Салахутдинов ; né vers 1980) est un chercheur ouzbek travaillant dans le domaine de intelligence artificielle. Il se spécialise dans apprentissage profond, les modèles graphiques probabilistes et l'optimisation à grande échelle. Il est professeur d'informatique à université Carnegie Mellon et est connu pour ses contributions aux réseaux de croyances profondes et à l'apprentissage de programmes bayésiens.
Jeunesse et éducation
Salakhutdinov est né vers 1980. Les détails de sa formation initiale ne sont pas largement documentés. Il a poursuivi des études supérieures en informatique, où son directeur de thèse était Geoffrey Hinton. Salakhutdinov envisageait d'abandonner le domaine de l'intelligence artificielle lorsqu'il a rencontré Hinton en 2004, mais a changé d'avis après que Hinton lui a demandé de participer à un projet axé sur une nouvelle méthode d'entraînement des réseaux de neurones artificiels, que Hinton a baptisée « réseaux de croyances profondes ». Cette recherche a eu un impact considérable sur le domaine de l'apprentissage profond. Il a obtenu son doctorat en 2009.
Contributions à la recherche
Les recherches de Salakhutdinov se sont concentrées sur les méthodes de apprentissage automatique, en particulier dans les modèles non supervisés et génératifs. Ses travaux sur les réseaux de croyances profondes ont contribué à raviver l'intérêt pour les réseaux de neurones au milieu des années 2000, une période où ces approches étaient moins prédominantes. Il est bien connu pour avoir développé l'apprentissage de programmes bayésiens, un cadre qui permet d'apprendre à partir de peu d'exemples en composant des programmes probabilistes. Ces travaux ont des implications pour des domaines tels que la reconnaissance de l'écriture manuscrite et l'apprentissage de concepts visuels.
Depuis 2009, il a publié au moins 42 articles sur l'apprentissage automatique. Ses publications traitent souvent des modèles graphiques probabilistes, qui combinent la théorie des graphes avec la probabilité pour représenter des dépendances complexes, et des techniques d'optimisation à grande échelle pour entraîner des modèles profonds. Il a également contribué à la recherche sur les grands modèles de langage et leurs architectures sous-jacentes, bien que son objectif principal reste les algorithmes d'apprentissage fondamentaux.
Carrière académique
Salakhutdinov a rejoint le corps professoral de l'université Carnegie Mellon, où il occupe un poste de professeur en informatique. À CMU, il a dirigé des groupes de recherche et supervisé des étudiants diplômés, contribuant à la réputation de l'université en tant que pôle de recherche en IA. Son enseignement et son mentorat ont influencé une génération de chercheurs en apprentissage profond et dans des domaines connexes.
En plus de son rôle académique, Salakhutdinov a été affilié à l'Institut canadien de recherches avancées (CIFAR) en tant que fellow. Cette bourse soutient la recherche collaborative entre disciplines et institutions, reflétant sa position dans la communauté internationale de l'IA.
Rôles dans l'industrie
Salakhutdinov a rejoint Apple en tant que directeur de la recherche en IA en 2016. Pendant son mandat, il a contribué à bâtir et à orienter les efforts de recherche en IA de l'entreprise, en se concentrant sur l'avancement des techniques d'apprentissage profond dans un cadre d'entreprise. Il a quitté Apple en 2020 pour retourner à l'université Carnegie Mellon, reprenant son poste académique à temps plein.
En juin 2023, Salakhutdinov a rejoint Felix Smart, une entreprise qui utilise l'IA pour prendre soin des plantes et des animaux, en tant que directeur du conseil d'administration. Ce rôle reflète son intérêt pour l'application de l'apprentissage automatique à des problèmes pratiques et réels au-delà des domaines informatiques traditionnels.
Prix et reconnaissance
Salakhutdinov est fellow du CIFAR, un honneur qui reconnaît les chercheurs de premier plan en intelligence artificielle et dans des domaines connexes. Ses travaux sont largement cités, et il est considéré comme une figure clé de la résurgence moderne de l'apprentissage profond. Bien que des prix supplémentaires spécifiques ne soient pas publiquement répertoriés, son influence est évidente à travers son dossier de publications et ses collaborations avec des chercheurs éminents comme Hinton.
Impact et héritage
Les premiers travaux de Salakhutdinov sur les réseaux de croyances profondes, développés avec Hinton, sont souvent cités comme un précurseur de la révolution de l'apprentissage profond qui s'est déroulée dans les années 2010. Ses recherches sur l'apprentissage de programmes bayésiens ont inspiré des travaux ultérieurs dans IA générative et l'apprentissage en quelques exemples. À Carnegie Mellon, il continue de façonner le domaine par la recherche et l'enseignement, reliant les fondements théoriques et les applications pratiques.
Sa trajectoire de carrière - de l'abandon presque total de l'IA à la direction académique et aux rôles dans l'industrie - illustre la nature dynamique du domaine. Au milieu des années 2020, il reste actif dans la recherche, contribuant à des domaines tels que la modélisation probabiliste et l'optimisation, qui sous-tendent de nombreux systèmes d'IA modernes.
Publications sélectionnées
Les publications de Salakhutdinov couvrent des sujets tels que les modèles génératifs profonds, l'apprentissage de représentations et les algorithmes d'optimisation. Parmi les travaux notables figurent des articles sur les réseaux de croyances profondes, l'apprentissage de programmes bayésiens et les méthodes d'inférence évolutives. Ses recherches ont été publiées dans des conférences et des revues majeures, y compris celles des communautés du MIT Computer Science and Artificial Intelligence Laboratory et du Stanford AI Lab, bien que ses affiliations institutionnelles principales soient avec l'université de Toronto (où il a étudié) et l'université Carnegie Mellon.
Liens externes et références
Le site web officiel et les listes de publications sont disponibles via des bases de données académiques. Son profil Google Scholar documente son impact en matière de citations, qui est substantiel compte tenu de la nature fondamentale de ses contributions. D'autres détails biographiques sont limités, mais sa trajectoire professionnelle est bien documentée à travers les annonces universitaires et industrielles.
Voir aussi
- Apprentissage profond
- Modèles graphiques probabilistes (note : non inclus dans les slugs fournis, mais pertinent)
- Université Carnegie Mellon
- Apple