Kurzvita

Yoshua Bengio ist Professor an der Université de Montréal und einer der prägendsten Forscher der modernen
Deep-Learning-Bewegung. 2018 erhielt er – gemeinsam mit Geoffrey Hinton und Yann LeCun – den
ACM A.M. Turing Award für konzeptionelle und ingenieurtechnische Durchbrüche, die tiefe neuronale Netze
zum Kern moderner KI gemacht haben. Als Gründer und wissenschaftlicher Berater von Mila (Québec AI Institute)
sowie langjähriger CIFAR-Senior Fellow (Mit-Leitung „Learning in Machines & Brains“) prägte er Forschung,
Ausbildung und das KI-Ökosystem in Kanada und weltweit.

Warum bekannt – Beiträge & Erfindungen

• Neurales Sprachmodell (2003): Mit dem Neural Probabilistic Language Model zeigte Bengio,
  wie kontinuierliche Vektorrepräsentationen (Wort-Embeddings) die „Fluch-der-Dimensionalität“-Probleme klassischer n-gram-Modelle entschärfen –
  ein Grundstein heutiger Sprachmodelle.
  JMLR 2003 (PDF).
• Representation Learning (2009–2013): Mit Monographie und Übersichtsarbeiten systematisierte er das
  Representation Learning (u. a. Autoencoder, tiefe Architekturen) und verankerte es als zentrales Paradigma des Deep Learning.
  Monographie 2009 (PDF) ·
  PAMI-Review 2013 (PDF).
• Schule & Umfeld: Als (Ko-)Autor des Standardwerks Deep Learning (MIT Press, 2016) und als Leiter eines großen
  Forschungsnetzwerks förderte er zentrale Talente und Ideen (u. a. generative Modelle) und trug wesentlich zur Verbreitung
  belastbarer Deep-Learning-Methoden in Forschung und Industrie bei.
  Buch-Website.
• Gesellschaftliche Verantwortung: Bengio initiierte/unterstützte Leitlinien wie die Montréal Declaration for Responsible AI
  und engagiert sich international für KI-Sicherheit und verantwortungsvolle Entwicklung.
  Montreal Declaration.

Wirkung: Bengios Arbeiten machten das Lernen aussagekräftiger Repräsentationen zum
methodischen Zentrum der KI. Sie beeinflussten Sprachverarbeitung, Computer Vision und generative Modelle – und
lieferten das theoretische und methodische Gerüst, auf dem heutige große Modelle aufbauen.

Historischer Kontext (Meilensteine)

• 1993–heute: Fakultät Université de Montréal; Aufbau der Deep-Learning-Schule in Montréal.
• 2003: Neural Probabilistic Language Model (JMLR) – Startsignal für neurale Sprachmodelle.
• 2009: Monographie Learning Deep Architectures for AI – systematische Begründung tiefer Lernverfahren.
• 2013: Überblicksarbeit Representation Learning (PAMI) – Konsolidierung des Feldes.
• 2016: Lehrbuch Deep Learning (MIT Press) – Referenzwerk für Forschung und Praxis.
• 2018: Turing Award (mit Hinton & LeCun).

Wichtige Beiträge (Kurzfassung)

• Grundlagen des Representation Learning und der tiefen Architekturen.
• Neurale Sprachmodelle mit kontinuierlichen Repräsentationen (Wort-Embeddings).
• Wissenschaftlicher Aufbau eines international führenden KI-Ökosystems (Mila).

Literatur (Auswahl)

• Deep Learning (Ian Goodfellow, Yoshua Bengio, Aaron Courville). MIT Press, 2016.
  Verlag ·
  Online
• Learning Deep Architectures for AI (Monographie). Foundations & Trends in Machine Learning, 2009.
  PDF
• A Neural Probabilistic Language Model. JMLR, 2003.
  PDF
• Representation Learning: A Review and New Perspectives. IEEE PAMI, 2013.
  PDF

Weiterführende Links

• ACM Turing Award 2018 (offiziell)
• Mila – Profil
• Persönliches Profil

Bildlizenz

Dieses Porträt nutzt ein Bild unter CC BY-SA 2.0. Bei Wiederverwendung bitte die Namensnennung „Jérémy Barande / École polytechnique“ und den Lizenzhinweis beibehalten und bei Bearbeitungen die gleiche Lizenz verwenden.

Bild herunterladen:
Original (JPG, 5425×3617) ·
Dateiseite auf Wikimedia Commons