Mes recherches portent spécialement sur les « grands modèles de langage » (large language models ou « LLM », tels Chat GPT), sur l’explicabilité, et sur les méthodes d’apprentissage automatiques non supervisées. Ma thèse est d’ailleurs consacrée à ces sujets de recherche. Voici une description sommaire.  

Sujet de ma thèse : AI² – Une infrastructure logicielle explicable avec interface NLP

L’infrastructure logicielle appelé AI² utilise une interface en langage naturel qui permet à un non-spécialiste de bénéficier des algorithmes d'apprentissage sans nécessairement savoir programmer avec un langage de programmation. La principale contribution du cadre AI² permet à un utilisateur d'appeler les algorithmes d'apprentissage automatique en anglais, ce qui facilite l'utilisation de l'interface. La deuxième contribution est la sensibilisation aux gaz à effet de serre (GES). Il dispose de stratégies pour évaluer les gaz à effet de serre générés par l'algorithme à appeler et pour proposer des alternatives à l'algorithme à appeler et de proposer des alternatives pour trouver solution sans exécuter l'algorithme gourmand en énergie. Un autre module de prétraitement qui aide à décrire et à charger correctement les données. À l'aide d'un chatbot en anglais, ce module guide l'utilisateur dans la définition de chaque ensemble de données afin qu'il puisse être décrit, normalisé, chargé et divisé de manière appropriée. La dernière contribution de ce document porte sur l'explicabilité. Depuis des décennies, la communauté scientifique sait que les algorithmes d'apprentissage automatique impliquent le fameux problème de la boîte noire. Les méthodes traditionnelles d'apprentissage automatique convertissent une entrée une sortie sans pouvoir justifier ce résultat. Le cadre proposé explique le processus de l'algorithme à l'aide de textes, de graphiques et de tableaux appropriés. En fin de compte, le cadre AI² représente le prochain pas vers l'utilisation de la langue maternelle, l'apprentissage automatique, basé sur la langue maternelle et orienté vers l'homme. Le tout dans un cadre explicable.

Journaux:

[J.1]   J.S. Dessureault and D. Massicotte, “DPDRC, a novel machine learning method about the decision process for dimensionality reduction before clustering”, AI, December 2021, pp. 1-21. 

[J.2]   J.S. Dessureault and D. Massicotte, “Explainable Global Error Weighted on Feature Importance: The xGEWFI metric to evaluate the error of data imputation and data augmentation,” Applied Intelligence, April 2023, pp. 1-1?.

[J.3]   J.-S. Dessureault and D. Massicotte, “AI$^{2}$: The next leap toward native language-based and explainable machine Learning Framework”, Automated Software Engineering, September 2023

[J.4]   J.-S. Dessureault and D. Massicotte, “DPDR: A novel machine learning method for the Decision Process for Dimensionality Reduction”, SN Computer Science, 5, 124 (2024).

[J.5]   J.-S. Dessureault and D. Massicotte, “ck-means, a novel unsupervised learning method that combines fuzzy and crispy clustering methods to extract intersecting data”, soumis à International Journal of Data Science and Analytics, 2023.

[J.6]   J.-S. Dessureault and D. Massicotte, “Explainable ML method for aesthetic prediction of doors and home designs”, soumis à The Journal of Supercomputing, 2023

[J.7]   J.S. Dessureault and D. Massicotte, “Ethical analysis of an NLP-based ML framework: The case of AI$^{2}$”, en rédaction, à soumettre à Journal of Artificial Intelligence and Consciousness, World Scientific, 2024

[J.8]   J.S. Dessureault and D. Massicotte, “A novel metric to evaluate ethical aspect of a project: the KBA index”, en rédaction, à soumettre à Nature, 2024

Conférences:

[C.1]   J.S. Dessureault, J. Simard, and D. Massicotte, “Unsupervised Machine learning methods for city vitality index”, Science and Information Conference (pp. 230-246). Cham: Springer International Publishing, 2022.

[C.2]   J.S. Dessureault and D. Massicotte, "A novel explainable machine learning framework using an NLP interface,” 8th International Conference on Machine Learning Technologies (ICMLT 2023), Stockholm, Sweden, March 10-12, 2023, (pp. 1-7).

Mémoire:

J.S. DESSUREAULT, A. CYR, & É. PLOURDE, « Intégration de réseaux de neurones à décharge sur une plateforme robotique », Savoirs UdS, dépôt institutionnel.  

• Prix de la meilleure présentation de « Machine learning », conférence  « International Conference on Machine Learning Technologies » (ICMLT 2023), Stockholm, Suède.
• Prix de l’excellence 2002 de la Fédération des Cégep du Québec. Un seul prix pédagogique était décerné annuellement dans tout le Québec.
• Mention d’honneur de l’Association Québécoise de Pédagogie Collégiale (AQPC) 2002.