Chelsea Finn
La manière dont les systèmes de langage et d'apprentissage s'adaptent à une nouvelle tâche avec très peu d'exemples — et ce que la structure théorique de cette adaptation révèle sur ce qu'ils ont ou n'ont pas réellement appris.
Le MAML de Finn (Model-Agnostic Meta-Learning, 2017, auteur principal) a formalisé la question du méta-apprentissage au niveau architectural : entraîner un modèle non pas à accomplir une tâche spécifique, mais à pouvoir être rapidement ajusté par réglage fin (fine-tuning) à n'importe quelle tâche d'une distribution dont il a vu des exemples apparentés. Le cadre précède l'ère de l'in-context learning de plusieurs années, mais son vocabulaire théorique — distributions de tâches, étapes d'adaptation, paysage de perte du réglage fin (fine-tuning) — est celui sur lequel la recherche moderne en in-context learning des LLM s'appuie explicitement, ou qu'elle redécouvre indépendamment. Pour ai100, le prisme du méta-apprentissage s'applique directement : lorsqu'un moteur IA répond à une requête de sonde qu'il n'a jamais vue auparavant, la question de savoir s'il « connaît » la réponse ou s'adapte à la volée est méthodologiquement équivalente aux questions d'adaptation few-shot que les travaux de Finn ont formalisées.