François Laviolette, professeur titulaire
Pavillon Adrien-Pouliot, local 3982
T. 418 656-2131 poste 412976
francois.laviolette@ift.ulaval.ca
Champs d'intérêts
  • Intelligence artificielle
  • Théorie d'apprentissage
  • Théorie des graphes
  • Vérification automatisée
  • Bio-Informatique
  • Méthodes à noyaux

Recherche

François Laviolette est un leader de la théorie PAC-bayésienne, une branche de la théorie de l’apprentissage qui permet de mieux comprendre les algorithmes d’apprentissage automatique et d’en concevoir de nouveaux. Il s’intéresse entre autres aux algorithmes d’apprentissage permettant de résoudre de nouveaux types de problèmes d’apprentissage, notamment ceux liés à la génomique, à la protéomique, à la découverte de médicaments, etc.

Apprentissage machine en assurance

Dans le cadre de son travail en tant que titulaire de la Chaire de recherche industrielle CRSNG-Intact Corporation financière sur l’apprentissage machine en assurance, il travaille sur la création d’algorithmes d’apprentissage machine qui pourront faciliter l’exploitation des données massives que l'industrie de l'assurance récolte pour mieux rejoindre sa clientèle et comprendre davantage ses besoins. En sachant de quelle façon l’algorithme en IA prend des décisions et en étant capable de vérifier la justesse des décisions qu’il a prises, l’industrie canadienne de l’assurance sera davantage en mesure d’amorcer un virage en données massives, virage qu’elle doit prendre pour assurer sa compétitivité.

Modélisation de la toxicité dans les communautés en ligne

La compagnie Two Hat Security s’est alliée avec des chercheurs du Centre de données massives de l’Université Laval (CRDM), dont Richard Khoury (chercheur principal) et François Laviolette (cochercheur), pour améliorer le logiciel Community Sift qui aide les modérateurs de communauté à trouver les messages toxiques dans les conversations en ligne. Cette alliance entre l’industrie et les chercheurs du CRDM a pour but d’apporter des améliorations aux algorithmes d’analyse de conversation et aux métriques de toxicité du logiciel Community Sift. Elle vise aussi à créer de nouvelles techniques et méthodologies pour détecter la toxicité lors de discussions en ligne. Ces mêmes méthodologies, une fois créées, devront être implémentées pour traiter un flux massif de messages en temps réel. Ce partenariat devrait également déboucher sur la création d’algorithmes novateurs servant à agréger différents éléments de preuve en une évaluation unifiée du niveau de toxicité et de risque. Finalement, le chercheur et ses collaborateurs étudieront la nature des comportements toxiques, leurs répercussions sur les utilisateurs et les communautés et proposeront des mécanismes pour les combattre.

Évaluation des produits sanguins à l’aide de l’apprentissage machine et de la spectrométrie de masse à haut débit

Le but de ce projet de recherche industriel est de développer et de faire le transfert de connaissance de nouvelles procédures pour le contrôle de la qualité et le diagnostic en employant la spectrométrie de masse à haut débit et l’apprentissage machine. Cette solution logicielle, couplée à des protocoles détaillés pour la préparation d’échantillons, sera adaptée pour l’analyse de produits biologiques plus complexes et elle servira à classifier les stades de progression des maladies. Ce projet fait appel à la spectrométrie de masse à très haut débit qui, grâce à un procédé thermique par diode laser, permet de tester des milliers d’échantillons par jour pour une fraction du coût si l’on compare avec les procédés traditionnels actuels.

De plus, les algorithmes d’apprentissage machine permettent de caractériser les matrices biologiques complexes à un niveau de précision sans précédent en surveillant littéralement des centaines de milliers d’entités moléculaires en quelques secondes et en identifiant celles qui peuvent le mieux caractériser un stade précis de maladie, ce qui facilitera la mise au point de tests.

Suivi environnemental et valorisation dans le Nord : des molécules jusqu’aux microorganismes

Le but de cette recherche du programme de recherche Sentinelle Nord est de comprendre comment les perturbations des écosystèmes affectent les microorganismes des sols arctiques et de tirer parti des microorganismes trouvés dans ces environnements. Pour y parvenir, l’équipe de recherche dont fait partie François Laviolette utilise l’EcoChip, un outil de culture microbienne in situ qui permet d’évaluer la croissance et, ultimement, d’identifier les microorganismes dans leur milieu naturel tout en mesurant en temps réel les métadonnées environnementales. Une fois cette étape franchie, l’équipe compte élaborer des approches analytiques basées sur la génomique, la bio-informatique, la localisation et l’apprentissage machine pour quantifier l’état de santé des écosystèmes nordiques en analysant en temps réel des marqueurs microbiens clés.

Afin d’élaborer des modèles métabolomiques performants pour évaluer la diversité moléculaire nordique et découvrir de nouveaux composés ayant des applications médicales, les chercheurs utiliseront des approches de spectrométrie de masse à haut débit, couplées à l’apprentissage machine, afin d’accélérer le processus d’identification de molécules ayant des propriétés médicales d’intérêt.

Amélioration de la conception et du criblage de peptides à haute bioactivité à l’aide de l’informatique et de l’apprentissage automatique pour la création de médicaments (projet terminé)

Le coût de développement de nouveaux médicaments est largement reconnu par les leaders de l’industrie pharmaceutique comme étant prohibitif, certains estimant même qu’il dépasse 5 G$ par médicament. Il est donc impératif de développer de nouvelles approches qui diminueraient le coût de ces médicaments ainsi que le temps nécessaire pour les mettre sur le marché. Il y a donc un grand intérêt à utiliser de nouvelles techniques d’apprentissage automatique dans le processus de création de nouveaux médicaments puisque, en utilisant les données à l’aide d’un algorithme spécial, il est possible de prédire si un composé peut être efficace ou non et de prendre des décisions éclairées pour l’améliorer.

François Laviolette et son équipe ont utilisé cette approche pour fabriquer de meilleurs médicaments en améliorant le processus de recherche de structures moléculaires utilisant les éléments constitutifs des protéines, les acides aminés, qui pourraient servir de modèles, un jour, pour créer des médicaments contre les microbes. Ce processus pourrait être étendu à d’autres domaines (cancérologie, neurologie, maladies infectieuses et auto-immunes, par exemple) puisque les méthodes mises au point peuvent être facilement adaptées.

Affiliations

Supervision d'étudiants aux cycles supérieurs

Étudiants à la maitrise

  • Hana Ajakan
  • Khalil Ben Fadhel
  • Gabriel Dubé
  • Maxime Lapointe
  • Gaël Letarte
  • Gabriel Massicotte

Étudiants au doctorat

  • Mazid Abiodoun Osseni
  • Baptiste Bauvin
  • Ulysse Côté-Allard
  • Maxime Deraspe
  • Alexandre Drouin
  • Pierre-Louis Gagnon
  • Frédérik Paradis

Professionnels de recherche

  • Camille Besse
  • Patrick Dallaire

Formation et expériences professionnelles

  • Ph. D. (Mathématiques), Université de Montréal
  • M. Sc. (Mathématiques), Université de Montréal
  • B. Sc. (Mathématiques), Université de Montréal
 
Retour à la liste