Biographie
Jordan F. Masakuna est chercheur postdoctoral au département d’informatique de l’Université de Sherbrooke. Il est titulaire d’un baccalauréat et d’un baccalauréat spécialisé en informatique de l’Université de Kinshasa, en République démocratique du Congo, obtenus respectivement en 2010 et 2012, ainsi que d’une maîtrise et d’un doctorat en sciences mathématiques et en informatique de l’Université Stellenbosch, en Afrique du Sud, obtenus respectivement en 2015 et 2020. Ses recherches portent sur l’intelligence artificielle, la cybersécurité, l’analyse des réseaux, les systèmes robotiques distribués et la fusion de données.
Projet de recherche
De nombreuses méthodes d’apprentissage profond atteignent des performances élevées (en termes d’exactitude, de précision ou de toute autre mesure similaire) et se sont révélées de formidables outils d’aide à la prise de décision dans divers domaines d’application, notamment la médecine, l’industrie et les télécommunications. Cependant, de nombreuses solutions n’indiquent pas le degré de fiabilité de chaque prédiction. Cela signifie qu’avec de nombreuses solutions actuelles basées sur l’apprentissage profond, il n’est pas clairement indiqué quand il faut considérer le système intelligent sous-jacent produisant des prédictions comme totalement autonome ou quand il faut demander une supervision humaine sur l’interprétation d’une prédiction. Le problème de la fiabilité des modèles d’apprentissage profond reste fondamental et des améliorations sont encore possibles. Jordan F. Masakuna s’intéresse à la fourniture d’indications quantitatives pour évaluer la fiabilité des prédictions d’un modèle d’apprentissage profond dans le contexte de la cybersécurité et de la détection des anomalies. Il s’intéresse à la quantification de l’ignorance/incertitude dans les prédictions des modèles d’apprentissage profond (auto-encodeurs en particulier) en utilisant la théorie bayésienne et/ou la théorie de Dempster-Shafer.