Svitlana Vyetrenko, titulaire d’une chaire Gutenberg, accueillie au BETA

Le BETA a le plaisir d’accueillir Svitlana Vyetrenko, titulaire d’une chaire Gutenberg 2024.

Svitlana Vyetrenko a été directrice de la recherche en IA chez JP Morgan AI Research, ainsi que chargée de cours à l’université de Californie, Berkeley, et à l’université de Stanford. Les recherches de Svitlana se situent à l’intersection de l’IA, de l’économie et de la finance. Elle s’intéresse particulièrement à l’utilisation de l’IA générative pour permettre une prise de décision plus efficace dans les systèmes financiers et économiques. Svitlana est titulaire d’un doctorat en mathématiques appliquées et informatiques du California Institute of Technology. Elle est l’auteur de plus de 40 publications évaluées par des pairs et a déposé 16 brevets. Son article sur l’extraction multimodale de séries temporelles par le biais de projections d’espaces latents a remporté le prix du meilleur article industriel lors de la conférence internationale sur l’IA en finance (ICAIF) en 2023.

Durant sa présence au BETA Strasbourg, Svitlana Vyetrenko va mener son projet sur les modèles de base pour les séries temporelles. Les grands modèles de langage ont démontré des capacités remarquables de raisonnement et d’apprentissage à court terme, et leur potentiel dans les tâches de données structurées, telles que l’analyse des séries temporelles, est en train d’émerger. Cependant, des défis persistent dans l’identification de modèles et d’anomalies dans les données de séries temporelles et dans la fourniture d’explications contextuelles significatives pour les applications au monde réel. Par exemple, l’identification et l’explication des transactions financières suspectes tout en réduisant les faux positifs sont cruciales pour la prévention des pertes. De même, l’identification et la compréhension des relations de cause à effet sont essentielles à la précision des prévisions. Le projet Gutenberg de Svitlana Vyetrenko explorera de nouvelles approches pour construire des modèles de base interprétables pour les données de séries temporelles, garantissant que l’IA peut capturer et expliquer des dynamiques complexes.