Thomas G. Dietterich est un informaticien américain et professeur émérite d'informatique à l'Oregon State University. Il est reconnu comme l'un des pionniers du domaine de l'apprentissage automatique, ayant contribué à des algorithmes et des cadres fondamentaux qui ont façonné la recherche moderne en intelligence artificielle. Ses travaux couvrent la classification multi-classes, l'apprentissage par renforcement hiérarchique et l'intégration de méthodes statistiques dans des modèles probabilistes, avec des applications allant de l'écologie à la sécurité informatique.
Dietterich a également joué un rôle clé dans l'infrastructure académique de l'apprentissage automatique, en tant que rédacteur exécutif du journal Machine Learning de 1992 à 1998 et en contribuant à la co-fondation du Journal of Machine Learning Research. Il a été une voix éminente dans les discussions publiques sur les risques et les avantages de l'intelligence artificielle, offrant une perspective académique à des médias tels que National Public Radio, Business Insider, Microsoft Research, CNET et The Wall Street Journal.
Jeunesse et formation
Thomas Dietterich est né à South Weymouth, dans le Massachusetts, en 1954. Sa famille a déménagé dans le New Jersey puis dans l'Illinois, où il a obtenu son diplôme du lycée central de Naperville. Il a ensuite fréquenté l'Oberlin College, obtenant en 1977 un diplôme en mathématiques, avec une spécialisation en probabilités et statistiques. Durant l'été 1977, il a travaillé comme assistant du directeur de la planification et de la recherche à l'Oberlin College.
Dietterich a passé les deux années suivantes à l'Université de l'Illinois à Urbana-Champaign, avant de commencer des études doctorales en informatique au Stanford University|université de Stanford. Il a obtenu son doctorat en 1984, après avoir travaillé comme assistant de recherche dans le projet de programmation heuristique de 1979 à 1984. Durant l'été 1979, il a également occupé un poste de membre du personnel technique aux laboratoires Bell Telephone à Naperville, dans l'Illinois, où il a travaillé sur le transfert de fichiers entre ordinateurs et la distribution de micro-code à des systèmes de commutation distants.
Carrière académique à l'Oregon State University
En 1984, Dietterich a déménagé à Corvallis, dans l'Oregon, et a rejoint l'Oregon State University en tant que professeur assistant d'informatique. Il a été promu professeur associé en 1988 puis professeur titulaire en 1995. En 2013, il a été nommé professeur distingué, un titre qu'il a conservé jusqu'à sa retraite en 2016. Il a également été directeur de la recherche en systèmes intelligents à l'école de génie électrique et d'informatique à partir de 2005.
Au cours de sa carrière, Dietterich a occupé plusieurs postes en congé sabbatique et dans l'industrie. De 1991 à 1993, il a été scientifique principal à la société pharmaceutique Arris à South San Francisco. Il a été scientifique en chef chez MyStrands, Inc. (2004-2005) et chez Smart Desktop, Inc. (2006-2008). En 1998-1999, il a été scientifique principal invité à l'Institut pour la recherche en intelligence artificielle à Barcelone, en Espagne. Depuis 2011, il est scientifique en chef chez BigML, une entreprise d'apprentissage automatique basée à Corvallis.
Contributions à la recherche
Les recherches de Dietterich ont produit plusieurs méthodes influentes en apprentissage automatique. Il a inventé le codage de sortie avec correction d'erreurs, une technique pour améliorer la classification multi-classes en décomposant le problème en plusieurs classificateurs binaires et en utilisant des codes correcteurs d'erreurs pour combiner leurs sorties. Il a également formalisé le problème des instances multiples, un paradigme d'apprentissage où les étiquettes sont associées à des ensembles d'instances plutôt qu'à des instances individuelles, avec des applications dans la conception de médicaments et l'analyse d'images.
En apprentissage par renforcement, Dietterich a développé le cadre MAXQ pour l'apprentissage par renforcement hiérarchique, qui décompose une tâche complexe en sous-tâches et permet un apprentissage et une planification plus efficaces. Il a également contribué à des méthodes pour intégrer des arbres de régression non paramétriques dans des modèles graphiques probabilistes, comblant ainsi le fossé entre l'apprentissage statistique et la prédiction structurée.
Dietterich a exprimé un intérêt pour tous les aspects de l'apprentissage automatique, avec trois axes principaux : la construction de systèmes intelligents intégrés, la facilitation de la collaboration homme-machine et l'application de l'apprentissage automatique aux sciences écologiques et à la gestion des écosystèmes. Ses travaux en durabilité computationnelle incluent des projets sur la gestion des incendies de forêt, la végétation envahissante et la modélisation de la migration des oiseaux. Par exemple, il a collaboré avec le laboratoire d'ornithologie de Cornell pour analyser les données d'eBird, une plateforme de science citoyenne qui avait collecté plus de 3,1 millions d'observations d'oiseaux en mars 2012, en utilisant l'apprentissage automatique pour découvrir des schémas de migration.
Service professionnel et leadership
Dietterich a été profondément impliqué dans l'organisation des communautés d'apprentissage automatique et d'IA. Il a été co-président du programme technique de la conférence nationale sur l'intelligence artificielle (AAAI-90), président du programme technique de la conférence sur les systèmes de traitement de l'information neuronale (NIPS-2000) et président général de NIPS-2001. Il a été le président fondateur de la Société internationale d'apprentissage automatique et est resté membre de son conseil depuis sa création. Il siège également au comité directeur de la conférence asiatique sur l'apprentissage automatique.
Pendant de nombreuses années, Dietterich a été rédacteur de la série du MIT Press sur le calcul adaptatif et l'apprentissage automatique, et il a co-édité la série Morgan Claypool sur l'intelligence artificielle et l'apprentissage automatique. Il a également été membre de l'Association pour l'avancement de l'intelligence artificielle (AAAI), dont il a été président de 2014 à 2016.
Perspectives sur les risques de l'IA
Dietterich a offert une perspective mesurée sur les dangers de l'intelligence artificielle, arguant que les risques les plus réalistes sont les erreurs de base, les pannes et les cyberattaques, plutôt que des machines devenant super puissantes ou détruisant l'humanité. Il considère les scénarios de machines conscientes exterminant les humains comme relevant davantage de la science-fiction que du fait scientifique. Cependant, il reconnaît que, à mesure que les systèmes informatiques se voient confier des tâches de plus en plus dangereuses et apprennent de l'expérience, ils peuvent commettre des erreurs. Il note qu'une grande partie du travail dans la communauté de la sécurité de l'IA se concentre sur les accidents et les défauts de conception, ce qui correspond à sa vision selon laquelle la fiabilité technique est la préoccupation principale.
Héritage et influence
Les contributions de Dietterich ont influencé à la fois l'apprentissage automatique théorique et appliqué. Son codage de sortie avec correction d'erreurs et le cadre MAXQ sont largement cités et utilisés dans divers domaines. Son plaidoyer pour la durabilité computationnelle a inspiré des chercheurs à appliquer l'apprentissage automatique aux défis environnementaux. Grâce à ses rôles éditoriaux et à son leadership lors de conférences, il a contribué à établir l'infrastructure de la communauté moderne de l'apprentissage automatique, qui est devenue un domaine central de la recherche en apprentissage profond et en IA générative.
La carrière de Dietterich reflète un engagement envers une science rigoureuse et un impact pratique. Après avoir pris sa retraite de l'Oregon State University en 2016, il a continué à s'engager dans le domaine par le biais de rôles consultatifs et de commentaires publics. Ses travaux restent une référence pour les chercheurs qui abordent des problèmes complexes de classification et d'apprentissage par renforcement, et sa perspective sur les risques de l'IA continue d'informer les discussions sur le déploiement sûr des systèmes intelligents.