Peter Henderson
Les endroits où les résultats techniques sur le comportement des modèles de langage comptent réellement — dans les audits, la régulation et la responsabilité juridique — et l'écart entre « nous avons mesuré ceci » et « ceci change ce qui est autorisé ».
Henderson a une double formation d'informaticien et de juriste, ce qui donne à ses travaux publiés une posture inhabituelle : chaque résultat empirique sur le comportement des LLM est retracé jusqu'à la conséquence réglementaire ou juridique qu'il implique, ou n'implique pas. Son article de 2018 "Deep Reinforcement Learning that Matters" a été une démonstration précoce que les échecs de reproductibilité en ML ne sont pas seulement une gêne académique, mais un motif de défiance envers des affirmations aval sur lesquelles la politique publique doit ensuite agir. Le POLARIS Lab à Princeton prolonge cette ligne à l'ère des LLM — évaluations des risques des modèles de fondation, audits de conformité juridique et travaux empiriques méthodologiquement prudents, du type qui résiste réellement à l'usage par les régulateurs.