1.  
2. Evènements 

---

Apprentissage machine de nouvelle génération : Graphes et AutoML boostés par LLM

à 2.5 KM

• conférence
Mmmhhh tu sembles intéressé par "conférence". Clique sur les mots clefs qui te plaisent... et hop ne rate plus rien les concernant. A toi de jouer !

**Apprentissage machine renforcé par les connaissances pour la découverte de médicaments et sa prochaine génération dans l'ère des modèles linguistiques de grande taille** par Zhiqiang ZHONG

L'intégration de connaissances externes avec l'apprentissage automatique est devenue de plus en plus importante dans la découverte scientifique, notamment en biomédecine. Dans cette présentation, je vais tout d'abord introduire l'apprentissage automatique des graphes renforcé par les connaissances (KaGML) pour la découverte de médicaments, qui combine des connaissances biomédicales structurées avec un apprentissage basé sur des graphes pour augmenter la précision et l'interprétabilité des prédictions dans des contextes de données limitées. Ensuite, nous discuterons de la manière dont les modèles de langue de grande taille (LLMs) peuvent propulser la prochaine génération de KaML. Les LLMs peuvent agir comme des sources générales de connaissances et des moteurs de raisonnement pour automatiser les étapes clés de la préparation et de l'intégration des connaissances, permettant des pipelines d'apprentissage flexible de bout en bout. Je présenterai des résultats récents montrant que les LLMs peuvent (i) accroître les annotations, (ii) choisir et peser automatiquement des tâches auxiliaires, et (iii) corriger les prédictions des modèles après coup. Ces résultats illustrent le potentiel du KaML renforcé par les LLMs (LeKaML) comme base pour des systèmes IA plus scalables, interprétables et basés sur les connaissances.

**Synthèse automatisée, débogage et déploiement de pipelines d'apprentissage automatique de bout en bout** par Raoni Lourenço

Construire des modèles d'apprentissage machine (ML) nécessite un processus complexe et multistep réalisé par des utilisateurs ayant une connaissance du domaine, des compétences mathématiques et en informatique. L'apprentissage automatique automatisé (AutoML) a émergé pour simplifier l'application des techniques de ML et réduire les besoins en utilisateurs experts. Ce domaine de recherche récent pose de nombreux défis passionnants. Dans cette présentation, nous présenterons nos recherches visant à relever trois défis fondamentaux pour automatiser l'apprentissage automatique : la synthèse, le débogage et le déploiement de pipelines. Nous avons développé AlphaAutoML, un système AutoML basé sur l'apprentissage par renforcement méta utilisant des modèles de séquence avec auto-jouabilité pour le premier défi. Inspiré par AlphaZero, nous encadrons la problématique de la synthèse de pipelines pour la découverte de modèles comme un jeu en solo où le joueur construit itérativement un pipeline en sélectionnant des actions (insertion, suppression et remplacement de composants de pipeline). Un réseau de neurones reçoit le pipeline entier, des méta-caractéristiques des données et le problème comme entrée et produit des probabilités d'action et des estimations de la performance du pipeline. Une recherche d'arbres Monte Carlo utilise les probabilités du réseau pour exécuter des simulations qui se terminent par des évaluations réelles de pipeline. Pour le deuxième défi, nous présentons BugDoc, un système qui infère automatiquement les causes profondes et les explications succinctes de pannes pour les pipelines en boîte noire. BugDoc exploite les provenances des exécutions précédentes pour dériver des hypothèses sur les erreurs, puis exécute itérativement de nouvelles configurations de pipeline pour tester ces hypothèses. Enfin, nous réfléchirons aux considérations relatives au déploiement des pipelines dans le contexte d'une plateforme IA sans code.

by

Prévision météo (Luxembourg)

mar. 28

4° / 10°