Profil
Je suis data scientist chez BBVA, dans l’équipe AI Innovation du département AI Transformation. À l’Université de Navarre, ma thèse porte sur la mesure et la réduction de l’incertitude pour rendre plus justes les décisions bancaires prises avec l’aide de l’IA.
À propos de moi
Je viens d’İzmir, sur la côte égéenne de la Turquie. J’étais ingénieur en génie civil, jusqu’au jour où, comme dans Skyrim, j’ai pris une flèche dans le genou. J’ai troqué mon casque de chantier contre une blouse de labo. Aujourd’hui, je suis data scientist dans l’équipe AI Innovation de BBVA à Madrid.
À l’Université de Navarre, je cherche comment mesurer et réduire l’incertitude des modèles d’IA pour rendre les décisions bancaires plus justes. À Oxford, le Strategic Management Executive Programme m’a amené à envisager la question du côté de ceux qui doivent décider dans l’incertitude.
J’aime quand des idées éloignées se rejoignent. Je passe volontiers des maths abstraites à la physique quantique, puis de la physique à la philosophie. Il suffit parfois de se demander ce qu’une mesure nous apprend vraiment.
J’apprends l’espagnol en découvrant Madrid et les cultures d’Espagne et d’Amérique latine. J’aime aussi peindre et jouer aux échecs.
À la maison, je fais beaucoup de café. J’ai une petite darbouka, un kalimba et un Zanpakuto inspiré de Bleach avec lequel je pratique le kendo. Dès que je peux, j’invente des histoires pour faire rire ma petite fille.
Oxford Strategic Management Executive ProgrammeMon travail et mes études
- BBVA · AI Transformation · AI Innovation
- Ingénieur et chercheur en sciences appliquées
- Université de Navarre
- Doctorant en équité de l’intelligence artificielle
Centres d’intérêt
Ontologies et structures de données
Que change un train en retard dans un graphe ?
Une gare est un lieu, un départ est un événement. Avec un type de nœud pour chacun et une source pour chaque horaire, puis-je retrouver toutes les correspondances touchées par un seul retard ?
Imaginons deux trains dont le départ est prévu à neuf heures dans la même gare. Dans un graphe, je peux représenter la gare une seule fois et donner à chaque départ sa propre identité. Je peux alors mettre à jour l’heure d’un train sans toucher à celle de l’autre.
Je garderais l’heure prévue et l’heure annoncée après la mise à jour, avec la source de chacune. Si un départ passe de 9 h à 9 h 10, je peux suivre les liens de ce départ pour repérer les correspondances à vérifier. Une seule heure inscrite pour la gare ferait disparaître cette distinction.
RDF 1.1 · W3CMeaning-Native Computing
Un ordinateur peut-il mieux prévoir les prochaines instructions s’il connaît les règles du programme ?
Meaning-Native Computing est mon projet de recherche indépendant. J’aimerais comparer deux méthodes de prédiction sur le même programme, avec des moyens de calcul comparables. L’une reçoit en plus une description explicite des règles que le programme doit respecter. Cela l’aide-t-il à prévoir la suite ? Avant qu’un changement prévu ne prenne effet, une vérification indépendante doit confirmer qu’il respecte ces règles.
Dans ce projet de recherche indépendant, je veux comparer deux méthodes qui observent l’exécution du même programme et disposent de ressources de calcul comparables. L’une reçoit en plus une ontologie exécutable, autrement dit les règles du programme sous une forme que l’ordinateur peut appliquer. Cela l’aide-t-il à prévoir quelles instructions seront exécutées ensuite ?
Les règles peuvent autoriser deux suites différentes. Une méthode peut donc se tromper dans sa prévision tout en respectant chaque règle. J’aimerais confronter sa prévision à ce que fait réellement le programme. Avant d’appliquer une modification proposée, il faut vérifier de façon indépendante qu’elle est autorisée.
Meaning-Native ComputingThéorie des catégories
Que reste-t-il quand je compose deux transformations ?
Un procédé transforme les horaires en graphe, un autre y trouve un itinéraire. Comment garder, au fil de cette composition, le lien entre chaque heure et sa gare ?
Une première opération transforme une fiche horaire en graphe. Une seconde y cherche un itinéraire. Les enchaîner donne un exemple de composition. J’aimerais savoir si, sur l’itinéraire obtenu, je peux encore retrouver la gare à laquelle chaque heure correspond.
Supposons que deux gares affichent chacune un départ à 9 h. Si la première opération ne conserve que l’heure et perd la gare, la seconde ne peut plus reconstituer cette association à partir de l’heure seule. Ce simple horaire m’amène à me demander ce que chaque étape doit transmettre à la suivante.
Seven Sketches in CompositionalityMesure quantique
Et si je posais une autre question au même qubit ?
Je prépare l’état “+”. Dans la base X, j’obtiens toujours +. Dans la base Z, 0 et 1 sont équiprobables. Ce qui me fascine, c’est que le choix de la mesure change la réponse à préparation identique.
Imaginons qu’avant chaque mesure, je prépare à nouveau un qubit dans l’état « plus ». Dans la base X, une mesure idéale donne toujours « plus ». Dans la base Z, avec la même préparation, 0 et 1 sont équiprobables.
Dix mesures dans la base Z pourraient donner sept zéros et trois uns. Une chance sur deux, c’est la probabilité d’obtenir zéro à chaque essai. Cela ne fixe pas le nombre de zéros dans une série de dix, une nuance qu’on oublie facilement devant quelques résultats.
Quantum Information · IBM · Specify observables in the Pauli basis · IBM Quantum DocumentationUne distinction pour mon travail
En 2024, j’ai reçu le prix We Think Big de BBVA pour mon travail sur les brevets et mes contributions à la recherche.
Voir la photo du prix