Il y a eu cette année 14 participants à l’Assemblée générale annuelle de l’association qui s’est tenue le 5 novembre 2025 à 18h00 à la salle S1-139 du pavillon Jean-Coutu de l’Université de Montréal. Notre Président, Patrick Paul, et notre Trésorière Jeanne Estelle Thébault ont dirigé l’assemblée. Patrick a présenté le rapport du Président et décrit les principales activités de l’association. Jeanne Estelle a présenté les états financiers de l’ADDIROUM ainsi que le budget de la prochaine année. Les états financiers ont été adoptés à l’unanimité. Au niveau des nominations au CA de l’association, Philippe Langlais (comme représentant du DIRO), Patrick et Jeanne Estelle ont accepté de commencer un nouveau mandat de 2 ans. Nous avons également accueilli un nouveau membre : Philippe Grand’Maison.
Dans la dernière année, nous avions précédemment accueilli 3 nouveaux membres au CA de l’ADDIROUM : Vanessa Bellegarde, Marie Pageau et Assia Senouci. Avec l’arrivée récente de Louis Malenfant-Poulin, le CA compte actuellement 14 membres : Sylvie Hamel – Directrice du DIRO et membre honoraire de l’ADDIROUM, Pierre Poulin – membre honoraire de l’ADDIROUM, Philippe Langlais – représentant du DIRO, Vanessa Bellegarde, Robert Gérin-Lajoie – Vice-président du CA, Johanne Gilbert, Philippe Grand’Maison, Louis Malenfant-Poulin – Trésorier, Marie Pageau, Patrick Paul – Président du CA, Assia Senouci, Patrice Simon, Jeanne Estelle Thébault et Alain Vallée – Secrétaire du CA. Nous comptons également ajouter à nos rangs un représentant de l’association étudiante, l’AÉDIROUM.
L’assemblée a été suivie à 18h30 d’un buffet dans l’agora du Pavillon Jean-Coutu, puis par une conférence grand public présentée par Irina Rish et intitulée « Évolutivité, robustesse et apprentissage continu dans les modèles fondamentaux : avancées récentes du Laboratoire d'IA Autonome (conférence en anglais) ». Cette présentation s’est déroulée en trois parties toutes motivées par la volonté d’augmenter ou d’accélérer l’émergence du raisonnement des modèles de langues dits de fondation. La première partie rappelait des résultats connus en apprentissage automatique liés au passage à l’échelle de l’entraînement de modèles. La seconde partie brossait quelques projets réalisés par Irina Rish et son équipe afin d’apprendre un modèle de manière continue. Enfin, la troisième partie présentait la création de modèles de fondation pour les données temporelles.
Irina Rish dirige le Laboratoire d'IA Autonome de l'Université de Montréal et est membre core de MILA. Elle est titulaire d'une chaire de recherche d'excellence du Canada (CERC) et d'une chaire CIFAR. Elle a obtenu son doctorat en IA à l'Université de Californie à Irvine, pour ensuite devenir chercheuse à l'intersection des neurosciences et de l'IA à IBM T.J. Watson, où elle a reçu le IBM Eminence & Excellence Award et le IBM Outstanding Innovation Award (2018), le IBM Outstanding Technical Achievement Award (2017) et le IBM Research Accomplishment Award (2009). Elle détient 64 brevets, a publié plus de 170 articles scientifiques, édité trois livres et publié une monographie sur la modélisation éparse.
Au cours des dernières années, le laboratoire d’IA Autonome s'est concentré sur la compréhension et l'amélioration des grands modèles pré-entraînés (fondamentaux) selon plusieurs axes : leur évolutivité (en termes de taille, de données, d'architecture), leur robustesse (face aux changements de distribution, aux perturbations adverses ou aux perturbations d'entrées) et la manière dont ils peuvent être adaptés ou étendus de manière continue plutôt que réentraînés à partir de zéro.
Parmi les principales contributions, citons les "benchmarks" pour les prévisions de séries chronologiques à l'aide de signaux textuels/contextuels ; les lois d'inférence et de mise à l'échelle efficaces pour les architectures spécialisées (par exemple, les modèles linguistiques ternaires et les mélanges d'experts) ; des études sur la prévention de l'effondrement de la représentation dans les couches intermédiaires des transformateurs afin d'améliorer le raisonnement ; des recherches sur les changements de domaine et la généralisation hors distribution ; et des méthodes de pré-entraînement continu, de compression et d'adaptation économe en ressources.
Dans sa présentation, la Professeure Rish a donné un aperçu de ses travaux récents sur ces sujets, en vue de créer des modèles d'IA plus efficaces, plus résilients et plus adaptables au fil du temps et à travers les tâches et les domaines. Malgré la complexité de ce domaine, elle a su adapté sa présentation pour garder l’intérêt de son auditoire.
Alain Vallée et Philippe Langlais