Jeff Dean de Google : l’architecte de l’IA moderne et de l’infrastructure informatique de Google

Quand on évoque l'histoire d'Internet, on s'intéresse généralement aux fondateurs, mais le véritable moteur du Web moderne a été conçu par Jeff Dean de Google. Pour comprendre son impact, il faut examiner comment nous effectuons nos recherches, traduisons et, aujourd'hui, interagissons avec l'intelligence artificielle.

J'ai toujours eu le sentiment que, tandis que d'autres rêvaient de ce que pourrait être Internet, Jeff était celui qui s'attaquait aux mécanismes physiques permettant son déploiement à l'échelle de milliards d'utilisateurs. De ses débuts à la réécriture des systèmes d'exploration de Google jusqu'à son rôle actuel à la tête de Google DeepMind, sa carrière a été un modèle du genre en matière de construction de l'infrastructure qui rend possible l'existence même de grands modèles de langage comme Gemini.

Qui est Jeff Dean ? Présentation du directeur scientifique de Google

Quand on observe le fonctionnement actuel d'Internet, on y retrouve généralement l'empreinte de Jeff Dean à tous les niveaux. Il n'est pas un simple dirigeant ; il est avant tout « l'ingénieur des ingénieurs », celui qui a permis à Google de passer d'un projet né dans un garage à un service public mondial.

Je me souviens avoir lu, au début de ma carrière, des mèmes sur les « faits sur Jeff Dean », des blagues sur son talent pour attraper la queue d'un arbre binaire ou sur son clavier à deux touches seulement (0 et 1). Si ces anecdotes sont amusantes, la réalité est encore plus impressionnante. Il a rejoint l'entreprise en 1999, en tant que 20e employé, et a ensuite conçu les systèmes qui gèrent l'indexation des moteurs de recherche, l'infrastructure d'exploration et le traitement des requêtes. Si vous vous êtes déjà demandé comment un moteur de recherche peut renvoyer des millions de résultats en 0.2 seconde, la réponse implique généralement un système que Jeff a contribué à concevoir.

Rôle et leadership actuels chez Google DeepMind

Jeff occupe actuellement le poste de directeur scientifique chez Google, où il fait le lien entre la recherche théorique et l'ingénierie pratique. Il consacre son temps à orienter les projets les plus ambitieux de l'entreprise, en se concentrant notamment sur la manière dont l'intelligence artificielle peut résoudre des problèmes concrets de grande envergure.

Transition de Google Brain à scientifique en chef

En 2023, Google a franchi une étape majeure en fusionnant ses deux pôles d'excellence en IA : Google Brain (co-fondé par Jeff) et DeepMind. Auparavant, Jeff dirigeait l'équipe Brain, où il a contribué au développement de TensorFlow et de grands modèles de langage comme PaLM. J'ai suivi de près cette transition, car elle annonçait un changement de paradigme dans le secteur. Il est passé de la gestion d'une équipe spécifique à un rôle de leadership plus global, veillant à ce que les résultats de la recherche en laboratoire soient effectivement intégrés à des produits comme Gemini et Android.

Supervision de la division unifiée de recherche en IA

Aujourd'hui, Jeff travaille aux côtés de Demis Hassabis pour diriger l'entité unifiée Google DeepMind. Son rôle est de veiller à ce que les chercheurs de renommée mondiale ne travaillent pas isolément. Par exemple, lorsque j'observe l'intégration de Gemini avec la recherche, je constate l'influence de Jeff : il s'assure que les systèmes distribués puissent gérer la puissance de calcul massive requise pour l'apprentissage automatique à cette échelle. Il veille à ce que les avancées en matière de réseaux neuronaux soient suffisamment efficaces pour s'exécuter sur des milliers de TPU (unités de traitement tensoriel) sans provoquer de panne système.

Formation et premières influences scolaires

Jeff ne s'est pas réveillé un beau matin en sachant comment construire des systèmes de stockage distribués. Son parcours universitaire était axé sur la façon dont les ordinateurs « pensent » et sur les moyens de les rendre plus performants.

Études de premier cycle à l'Université du Minnesota

Jeff a obtenu sa licence en informatique et en économie à l'Université du Minnesota. Je trouve intéressant qu'il ait étudié l'économie en parallèle de l'informatique ; cela l'a probablement aidé à comprendre l'efficacité et l'allocation des ressources nécessaires pour des services comme AdSense. Pendant cette période, il a également travaillé pour l'Organisation mondiale de la santé, en créant un logiciel de suivi du Programme mondial de lutte contre le sida. C'est un excellent exemple de la façon dont il utilisait les données pour résoudre des problèmes de grande envergure, bien avant qu'Internet ne soit un terme courant.

Recherche doctorale en optimisation de compilateurs à l'Université de Washington

C'est au cours de ses études supérieures que les choses sont devenues vraiment techniques. À l'Université de Washington, Jeff a consacré son doctorat à l'optimisation des compilateurs. Pour ceux qui ne sont pas développeurs, un compilateur est un traducteur qui transforme le code humain en instructions machine. Les recherches de Jeff visaient à rendre ce processus plus rapide et plus efficace. Lorsque j'étudiais l'architecture système, j'ai compris que cette obsession précoce pour l'efficacité était précisément ce qui lui avait permis de développer MapReduce et BigTable par la suite. Il sait exploiter au maximum les performances d'un processeur.

Poser les fondations : les débuts de Jeff Dean chez Google

Quand on parle du « secret de Google », on mentionne généralement… Page Rank L'algorithme. Mais en tant qu'ingénieur, je m'intéresse à l'infrastructure. Jeff Dean est celui qui a conçu les tuyaux permettant à cette technologie d'être diffusée simultanément à des millions de personnes. À ses débuts, Google n'était pas la machine bien huilée que l'on connaît aujourd'hui ; c'était une jeune pousse débrouillarde qui luttait pour survivre.

Intégration chez Google en tant qu'employé numéro 30

Jeff a rejoint Google mi-1999. À l'époque, l'entreprise cherchait encore sa place dans le secteur très concurrentiel des moteurs de recherche. J'ai toujours trouvé intéressant qu'il n'ait pas été là dès le début, et pourtant son impact a été si immédiat qu'il est devenu indissociable de l'ADN technique de l'entreprise. Il ne se contentait pas d'écrire du code ; il concevait l'architecture d'un système distribué massif capable de gérer des pétaoctets de données.

Résoudre la « panne majeure des systèmes » de 1999

Peu après son arrivée, Google a connu une panne majeure. L'index était quasiment hors service et le moteur de recherche ne pouvait plus mettre à jour ses résultats. J'ai déjà vécu ce genre de situation critique où un site tombe en panne, mais là, c'était à l'échelle mondiale. Jeff et Sanjay Ghemawat, son collaborateur de longue date, sont intervenus pour réécrire le système d'indexation. Ils ne se sont pas contentés de le réparer ; ils ont fondamentalement transformé la façon dont les données étaient stockées et récupérées, ce qui a permis d'assurer la continuité du service pendant une période de forte croissance.

Conception des cinq premières générations d'indexation de Google Search

Au cours des années suivantes, Jeff a dirigé la conception de plusieurs générations du système d'indexation de la recherche. Chaque version devait être exponentiellement plus performante que la précédente. Il a fait évoluer Google d'un simple robot d'exploration vers une infrastructure d'exploration sophistiquée, capable de gérer la complexité croissante du Web. J'ai lu quelque part qu'il avait contribué à la transition du système vers Bigtable, ce qui a permis une évolutivité massive. C'est pourquoi, lorsque vous effectuez une recherche aujourd'hui, vous ne consultez pas des données du mois dernier, mais souvent de quelques secondes seulement.

L'architecture des publicités Google (AdSense)

Au-delà de la simple recherche d'informations, Google devait trouver un moyen d'assurer sa pérennité. C'est là que le travail de Jeff sur AdSense a véritablement révolutionné le secteur (même si j'ai horreur d'utiliser cette expression, il n'y a pas d'autre façon de le dire). Il a appliqué ses connaissances en systèmes au monde de la publicité numérique, créant une plateforme capable de diffuser des publicités aussi rapidement que les résultats de recherche.

Mise à l'échelle des systèmes de diffusion publicitaire initiaux

Le défi avec la publicité ne se limite pas à afficher une bannière ; il s'agit de le faire des milliards de fois par jour sans impacter l'expérience utilisateur. Jeff a contribué à la conception de l'infrastructure qui gérait la diffusion des requêtes pour le réseau publicitaire. J'ai travaillé sur des projets publicitaires où un délai de seulement 500 ms pouvait compromettre les conversions. Grâce au travail de Jeff, les publicités se chargeaient quasiment instantanément. Il s'est concentré sur la latence et le débit, veillant à ce que le matériel, souvent de simples serveurs bon marché disponibles dans le commerce, puisse supporter la charge sans problème.

Améliorer la pertinence grâce aux algorithmes d'analyse de contenu

Au début, la publicité était assez aléatoire. Jeff travaillait sur les algorithmes qui analysaient le texte d'une page web pour déterminer son sujet. C'était une forme primitive de recherche d'informations et de traitement automatique du langage naturel. Par exemple, si je lisais un blog sur le VTT, les systèmes de Jeff s'assuraient que les publicités concernent des casques et non de la nourriture pour chats. En améliorant cette « pertinence », il rendait les publicités plus utiles pour les utilisateurs et nettement plus rentables pour Google.

Systèmes distribués révolutionnaires et infrastructure de données

Au début des années 2000, Google était confronté à un problème inédit : comment traiter des données si volumineuses qu’elles ne tiennent pas sur une seule machine ? Ni même sur une centaine ? Jeff Dean n’a pas seulement résolu ce problème pour Google ; il a en quelque sorte écrit le manuel de référence pour l’ensemble du secteur technologique sur la manière de concevoir des systèmes distribués robustes.

MapReduce : Transformer le traitement des données à grande échelle

Avant MapReduce, le traitement de grands ensembles de données nécessitait l'écriture de code personnalisé et complexe pour gérer la distribution des données et les pannes matérielles. Un véritable cauchemar. Jeff et Sanjay Ghemawat ont imaginé une solution pour simplifier ce processus en le divisant en deux étapes : le « Mapping » (tri des données) et la « Reducing » (combinaison des données).

La percée de 2004 dans le domaine du calcul en grappes

La publication de l'article sur MapReduce en 2004 a tout bouleversé. J'ai discuté avec des ingénieurs qui se souviennent de ce moment : c'était comme si l'on avait enfin compris comment utiliser un immense cluster d'ordinateurs bon marché comme un supercalculateur unique, gigantesque et fiable. MapReduce gérait toutes les tâches fastidieuses, comme la gestion des échecs et le déplacement des données, permettant ainsi aux programmeurs de se concentrer sur la logique proprement dite. Chez Google, cela a permis de régénérer l'intégralité de l'index de recherche beaucoup plus rapidement qu'auparavant.

Impact sur les écosystèmes open source comme Hadoop

C'est là que ça devient intéressant pour nous autres. Google n'a pas rendu public le code source interne de MapReduce, mais l'article était si détaillé qu'il a inspiré la création d'Hadoop. Si vous avez déjà travaillé dans le domaine du Big Data, vous avez forcément utilisé l'écosystème initié par les recherches de Jeff. Ce dernier a démocratisé le calcul haute performance, permettant même aux petites start-ups de traiter des pétaoctets de données en appliquant la même philosophie que celle utilisée par Google pour dominer la recherche.

BigTable et Spanner : l’épine dorsale des bases de données mondiales

Si MapReduce était la façon dont Google traité Les données, BigTable et Spanner étaient leur moyen de communication. stockée Je décris souvent BigTable comme une immense feuille de calcul distribuée, répartie sur des milliers de serveurs. Elle a été conçue pour être « causée » et « distribuée », c’est-à-dire qu’elle peut stocker aussi bien de petites URL que d’immenses images satellites pour Google Earth.

Mise en œuvre d'un stockage distribué pour des milliards de requêtes

Le véritable défi d'une base de données mondiale réside dans la rapidité. Lorsque je suis à New York et que vous êtes à Londres, nous attendons tous deux que Google connaisse instantanément nos paramètres. BigTable offrait l'évolutivité nécessaire, mais présentait une faiblesse : elle peinait à garantir une cohérence parfaite des données à l'échelle mondiale en temps réel. C'est ce qui a conduit Jeff et son équipe à créer Spanner, la première base de données capable de s'adapter à l'échelle mondiale tout en assurant une synchronisation parfaite des données.

Résolution du problème de cohérence avec TrueTime de Spanner

C'est un de ces moments où l'on se prend pour un savant fou dans le monde de la tech. Pour faire fonctionner Spanner, Jeff a utilisé une technologie appelée True-time. Concrètement, ils ont installé des horloges atomiques et des récepteurs GPS dans chaque centre de données de Google. Grâce à l'extrême précision de ces horloges, le système sait exactement quand une transaction a eu lieu, même si les serveurs sont distants de milliers de kilomètres. Cela a résolu le problème de cohérence, garantissant que si je modifie mon mot de passe à un endroit, je ne serai pas bloqué ailleurs à cause d'un délai de synchronisation.

Tampons de base de données de niveau et de protocole

Bien que BigTable soit un système gigantesque, Jeff a également perçu le besoin d'outils plus petits et plus efficaces. Il a co-créé LevelDB, une bibliothèque de stockage clé-valeur rapide. Si vous utilisez Google Chrome, vous utilisez en réalité LevelDB en ce moment même : c'est elle qui alimente la base de données indexée que les sites web utilisent pour stocker des données dans votre navigateur.

Contributions open source au stockage et à la sérialisation des données

Jeff a également dirigé la conception de Protocol Buffers (protobufs). Auparavant, les systèmes utilisaient souvent XML pour communiquer, ce qui était lent et gourmand en ressources. J'ai utilisé protobufs dans plusieurs projets, et c'est nettement plus rapide et plus compact. C'est une méthode indépendante du langage pour encapsuler les données et permettre leur transmission rapide sur un réseau. C'est l'une de ces technologies « invisibles » qui contribuent à la rapidité du web moderne.

L'essor de Google Brain et l'ère de l'apprentissage profond

Aux alentours de 2011, le monde de la technologie restait quelque peu sceptique quant aux réseaux neuronaux. La plupart des chercheurs les jugeaient trop complexes et difficiles à entraîner. Mais Jeff Dean entrevoyait une autre possibilité. Il comprit qu'en combinant ces modèles inspirés du cerveau à l'immense puissance de calcul de Google, il serait possible de résoudre des problèmes auparavant considérés comme « impossibles ». Cette intuition donna naissance à Google Brain.

Création du projet Google Brain en 2011

Google Brain n'a pas vu le jour dans un laboratoire de pointe ; il s'agissait à l'origine d'un projet ambitieux au sein de la division secrète Google X. Jeff s'est associé à des personnes possédant une expertise à la fois en systèmes et en théorie de l'IA. J'ai toujours admiré cette initiative, car il ne s'agissait pas seulement de mathématiques, mais de construire un système capable de gérer ces mathématiques à l'échelle d'Internet.

Collaboration avec Andrew Ng et Greg Corrado

Ce projet était une collaboration entre Jeff, Andrew Ng, professeur à Stanford, et Greg Corrado, chercheur chez Google. Andrew Ng a apporté la vision de l'apprentissage profond, tandis que Jeff a fourni l'expertise en infrastructure nécessaire à sa mise en œuvre. Ils ont conçu un système appelé DistBelief, précurseur de TensorFlow. Ce système était conçu pour distribuer un unique réseau neuronal sur des milliers de cœurs de processeur, une idée révolutionnaire pour l'époque.

Premières étapes importantes dans la mise à l'échelle des réseaux neuronaux

Le moment « eurêka ! » le plus célèbre est survenu avec l'expérience « Cat Paper » en 2012. 16 000 processeurs ont été connectés pour visionner 10 millions de vidéos YouTube aléatoires. Sans aucune intervention humaine pour définir ce qu'était un chat, un « neurone » spécifique du réseau s'est activé à chaque fois qu'il voyait un visage de chat.

Je me souviens en avoir entendu parler et avoir trouvé un peu absurde tout cet effort juste pour trouver des chats ? Mais le plus important n’était pas le chat ; c’était le modèle. savant Un concept à part entière. Cela a prouvé que l'apprentissage profond avait simplement besoin de plus de données et de plus de puissance de calcul pour devenir performant.

TensorFlow : Intelligence artificielle open source

Une fois que Google Brain a prouvé l'efficacité de ces modèles, il leur fallait une meilleure méthode pour les construire. En 2015, ils ont remplacé Dist Belief par Écoulement du tenseur Et, fait surprenant, il l'a offert gratuitement au monde entier.

Favoriser l'adoption mondiale des frameworks d'apprentissage automatique

En rendant TensorFlow open source, Jeff et son équipe ont fondamentalement établi la norme pour l'ensemble du secteur. Je l'ai utilisé dans des dizaines de projets et, bien que son apprentissage ait été ardu au départ, il a transformé notre façon d'envisager le code. Il a fait passer l'intelligence artificielle du statut de spécialité réservée aux docteurs à celui de compétence accessible à tout ingénieur logiciel. Il a créé un langage commun permettant aux chercheurs et aux développeurs de partager leurs travaux.

Faciliter les processus de la recherche à la production

Le véritable atout de TensorFlow réside dans sa capacité à s'adapter à une utilisation en production. Il permet ainsi d'entraîner un modèle sur un cluster de grande envergure, puis de le déployer sur un téléphone Android ou un navigateur web. Pour un chef d'entreprise, c'est un avantage considérable : la transition d'une idée prometteuse à un produit fonctionnel est beaucoup plus rapide.

TPU (Unités de traitement tensoriel) : Matériel d’IA personnalisé

À mesure que les modèles devenaient plus complexes, même l'immense parc de processeurs de Google ne pouvait plus suivre. Jeff comprit que pour continuer à dominer le domaine de l'IA, il leur fallait concevoir leurs propres puces, et non se contenter de puces standard.

Optimisation de la physique : le besoin de silicium spécialisé

Il a été le fer de lance du développement de l'unité de traitement tensoriel (TPU). Alors qu'un processeur est comparable à un couteau suisse (il peut tout faire, mais n'excelle dans aucun domaine en particulier), une TPU est comme un mixeur haute vitesse conçu pour une seule tâche : la multiplication matricielle. Les réseaux de neurones étant fondamentalement constitués de millions d'équations mathématiques impliquant des matrices, cette spécialisation était un coup de génie.

Gains d'efficacité de 30 à 80 fois supérieurs à ceux des processeurs traditionnels

Les résultats étaient stupéfiants. Les premières TPU étaient environ 15 à 30 fois plus rapides que les CPU et GPU de l'époque. Plus important encore, elles étaient 30 à 80 fois plus économes en énergie. J'explique souvent que sans les TPU, des services comme Google Traduction ou la reconnaissance vocale de Gboard seraient soit beaucoup plus lents, soit bien trop coûteux à exécuter. Jeff n'a pas seulement conçu un meilleur logiciel ; il a littéralement transformé le matériel utilisé dans le monde entier pour l'IA.

Façonner l'avenir de l'IA générative et de Gemini

Ces dernières années, la course à l'IA est passée de « est-ce possible ? » à « à quelle vitesse pouvons-nous déployer cette technologie ? ». Jeff Dean est au cœur de cette transformation. Si beaucoup le connaissent pour l'infrastructure qui a permis de bâtir le web moderne, il est aujourd'hui l'architecte qui veille à ce que Google ne se contente pas de participer à l'ère de l'IA générative, mais qu'il la définisse.

La naissance de Gemini : la fusion du cerveau et de DeepMind

Début 2023, Google a opéré un virage stratégique majeur en fusionnant Google Brain et DeepMind en une seule entité. Le nom « Gemini », suggéré par Jeff lui-même, me semble particulièrement approprié car il symbolise l'union de jumeaux. Cette décision stratégique visait à mettre fin à la concurrence interne et à concentrer tous les talents de Google sur un objectif unique : créer le système le plus performant. grands modèles linguistiques (LLM) dans le monde. Cette fusion était la dernière pièce manquante pour une intégration profonde Intégration de l'IA dans la recherche, permettant à Google d'aller au-delà de la simple correspondance de mots clés et d'utiliser des modèles génératifs pour comprendre la véritable intention d'un utilisateur.

Co-direction du développement de modèles multimodaux

Le rôle de Jeff en tant que directeur scientifique signifie qu'il n'est pas un simple observateur ; il est le responsable technique de la gamme Gemini. Ce qui distingue Gemini des modèles précédents, c'est sa conception multimodale intégrée dès le départ. J'ai travaillé avec des modèles où il fallait ajouter un composant de vision externe, mais Jeff avait pour vision une architecture unique et unifiée, capable de traiter nativement le texte, le code, les images, l'audio et la vidéo simultanément.

Positionnement concurrentiel face à OpenAI et GPT-4

Le monde de la tech raffole des rivalités, et le débat Gemini contre GPT-4 est actuellement le combat de titans du moment. La stratégie de Jeff consiste à miser sur les atouts uniques de Google : une puissance de calcul massive et une intégration verticale. Grâce aux TPU de Google, Gemini peut traiter beaucoup plus de données, et plus efficacement, que ses concurrents qui utilisent du matériel standard. J’ai remarqué que Google positionne Gemini comme le choix « scientifique » et « intégré », celui qui alimente tout, de votre téléphone Android à la recherche complexe en découverte de médicaments.

L'architecture du transformateur et au-delà

Il est facile d'oublier que la technologie qui sous-tend la quasi-totalité des IA modernes, l'architecture Transformer, est issue de Google Research, alors que Jeff dirigeait cette division.

Supervision de la percée de 2017 « L'attention est tout ce dont vous avez besoin »

Bien qu'il n'ait pas été l'un des principaux auteurs du célèbre article « Attention Is All You Need », Jeff a supervisé l'environnement qui a rendu sa publication possible. Il a fourni les ressources et la culture axée sur l'infrastructure qui ont permis aux chercheurs d'expérimenter le mécanisme d'attention. Je dis souvent que le Transformer est l'invention la plus importante en informatique de ces dix dernières années ; il a remplacé les méthodes plus anciennes et plus lentes par une approche pouvant être entraînée en parallèle, soit précisément le type d'efficacité que Jeff a recherché tout au long de sa carrière.

Développement de la traduction automatique sans exemple et du traitement automatique du langage naturel

L'une des innovations les plus fascinantes de cette époque est la traduction automatique sans exemple. Je me souviens avoir été stupéfait lorsque Google a annoncé que ses modèles pouvaient traduire entre deux langues (comme le coréen et le japonais) même sans avoir jamais vu d'exemple direct de ces deux langues ensemble. En trouvant une « langue interne » ou « interlangue » commune, les équipes de Jeff ont prouvé que les réseaux neuronaux développaient une compréhension plus profonde de la communication humaine, et ne se contentaient pas de mémoriser des schémas.

Philosophie, éthique et les « faits sur Jeff Dean à rechercher sur Google »

Au-delà du code et des immenses centres de données, Jeff Dean est devenu une véritable icône culturelle au sein de la communauté tech. Il est rare qu'un ingénieur logiciel atteigne un tel niveau de notoriété qu'on fasse l'objet de blagues du genre « Chuck Norris », mais l'influence de Jeff sur la culture interne de Google est si profonde qu'il est devenu une légende.

La légende de Jeff Dean : au cœur de la culture d'ingénierie de Google

Si vous fréquentez la Silicon Valley ou les forums d'ingénierie, vous finirez forcément par entendre parler de la « culture de Jeff ». C'est un mélange d'une compétence technique hors pair et d'une attitude étonnamment accessible et collaborative. J'ai toujours pensé que les entreprises les plus performantes ne reposent pas uniquement sur le talent, mais aussi sur un langage commun d'excellence, et chez Google, ce langage a été en grande partie façonné par Jeff.

L'origine des « faits sur Jeff Dean », une expression ironique

Les « faits sur Jeff Dean » ont commencé vers 2007 comme une blague interne chez Google. Ce sont des affirmations courtes et ridicules sur ses compétences en programmation. Ma préférée est probablement : « Le clavier de Jeff Dean possède une touche « Attendre », mais il ne l’utilise jamais. » Ou, « La vitesse de la lumière dans le vide était autrefois d'environ 35 km/h. Puis Jeff Dean a passé un week-end à optimiser la physique. » Bien qu'il s'agisse de plaisanteries, elles témoignent d'un réel respect pour sa capacité à résoudre des bugs « impossibles » en un seul après-midi. Cela crée une norme que les autres ingénieurs de l'entreprise s'efforcent d'atteindre.

Ingénierie collaborative : La fameuse culture des machines à café

Malgré son statut de chercheur principal et de scientifique en chef, Jeff est réputé pour son incroyable accessibilité. On raconte une anecdote célèbre sur la quantité de travail accompli dans les micro-cuisines de Google. Jeff croit fermement à l'effet « machine à café », où un ingénieur de l'équipe Recherche et un ingénieur de l'équipe Android se croisent, prennent un café et résolvent un problème interdépartemental. J'ai essayé de reproduire ce modèle dans des équipes plus petites ; l'objectif est de décloisonner les services pour que les connaissances en systèmes distribués puissent aider un développeur en apprentissage automatique.

IA éthique et responsabilité sociale

L'IA étant passée du stade de projet de recherche à celui d'outil influençant des milliards de vies, Jeff a recentré son attention sur la manière dont nous pouvons utiliser ce pouvoir de façon responsable. Il milite activement pour que l'intelligence artificielle ne se contente pas de créer de meilleures publicités, mais qu'elle contribue réellement au bien-être de l'humanité.

Application de l'apprentissage automatique aux soins de santé et au changement climatique

Je trouve son travail dans le domaine de la santé particulièrement pertinent. Jeff a piloté des projets utilisant les réseaux neuronaux pour détecter la rétinopathie diabétique à partir d'examens oculaires et prédire l'évolution de l'état de santé des patients hospitalisés. Concernant le changement climatique, il a milité pour l'utilisation de l'IA afin d'optimiser la consommation énergétique des centres de données de Google, qui sont extrêmement énergivores. Grâce à l'apprentissage par renforcement, ils sont parvenus à réduire de 40 % la consommation d'énergie nécessaire au refroidissement de leurs centres. C'est un exemple concret d'utilisation des outils des géants de la tech pour résoudre des problèmes d'envergure mondiale.

Principes d'équité et de transparence dans le développement de l'IA

Jeff a également joué un rôle déterminant dans la rédaction des Principes d'IA de Google. Ces principes stipulent que Google ne développera pas d'IA pour la fabrication d'armes ou pour la surveillance en violation des droits humains. Il évoque souvent la nécessité d'une « interprétabilité », c'est-à-dire de s'assurer que nous comprenions. why Un modèle comme Gemini ou PaLM a pris une décision précise. D'après mon expérience, la transparence est le plus grand défi de l'IA, mais l'intérêt que porte Jeff à l'apprentissage fédéré (qui conserve les données sur votre appareil plutôt que dans le cloud) montre qu'il prend au sérieux les questions de confidentialité et d'éthique.

Prix, reconnaissance et héritage philanthropique

Bien que l'influence de Jeff Dean soit surtout visible dans le code qui s'exécute sur les serveurs de Google, la communauté informatique reconnaît officiellement son impact depuis des décennies. Au-delà des distinctions techniques, il s'est également attaché à mettre son succès au service des autres grâce à d'importantes actions philanthropiques.

Mention spéciale en informatique

Il est difficile de trouver un prix majeur dans le monde informatique que Jeff n'ait pas remporté. Ce ne sont pas de simples « trophées de consolation », mais la reconnaissance par l'industrie du rôle déterminant qu'il a joué dans la construction des fondements d'Internet.

Prix ​​ACM en informatique et médaille von Neumann de l'IEEE

En 2012, Jeff et son collaborateur de longue date, Sanjay Ghemawat, ont reçu le prix ACM en informatique (anciennement prix de la Fondation ACM-Infosys). Ce prix récompensait leurs travaux sur MapReduce et BigTable, qui ont véritablement transformé la manière dont le monde gère les données à grande échelle. Plus récemment, en 2021, il a reçu la médaille John von Neumann de l'IEEE, une distinction prestigieuse qui récompense les « réalisations exceptionnelles dans le domaine des sciences et technologies informatiques ». La liste des lauréats précédents met en lumière les personnes qui ont façonné le monde moderne.

Élection à l'Académie nationale d'ingénierie

En 2009, Jeff a été élu à l'Académie nationale d'ingénierie. Pour un ingénieur, c'est l'une des plus hautes distinctions professionnelles. Cette reconnaissance saluait son travail sur les systèmes distribués et l'évolutivité remarquable de l'infrastructure qu'il a conçue. J'ai toujours trouvé impressionnant qu'il ait été reconnu si tôt, bien avant que l'« intelligence artificielle » ne devienne un terme à la mode.

La Fondation Hopper-Dean

Jeff et sa femme, Heidi Hopper, ont également eu un impact considérable grâce à la Fondation Hopper-Dean, qu'ils ont créée en 2011. Je respecte vraiment la précision de leurs dons : ils ne se contentent pas de donner de l'argent à des causes générales ; ils se concentrent sur des domaines spécifiques où ils peuvent avoir un impact systémique.

Soutenir la diversité dans l'enseignement des STIM

Une part importante de leurs dons philanthropiques est consacrée à la diversité dans les STIM (sciences, technologies, ingénierie et mathématiques). Ils financent des programmes visant à encourager davantage de femmes et de personnes issues de groupes sous-représentés à se tourner vers l'informatique. J'ai pu constater l'efficacité de certains de ces programmes, comme le programme « Berkeley CS Scholars », et les résultats sont concrets. Il ne s'agit pas seulement d'une bourse d'études ; il s'agit aussi d'offrir un mentorat et un réseau de soutien permettant aux étudiants de persévérer dans leurs études, notamment face aux difficultés.

Subventions importantes au MIT et à l'UC Berkeley

La fondation a octroyé des subventions de plusieurs millions de dollars à certaines des meilleures universités techniques du monde. En 2016, elle a versé un million de dollars à l'UC Berkeley et au MIT (et par la suite plusieurs millions supplémentaires à des établissements comme Stanford, Carnegie Mellon et l'Université de Washington) afin de soutenir des initiatives en faveur de la diversité au sein de leurs départements d'informatique. Elle ne se contente pas de financer la prochaine génération d'ingénieurs ; elle veille à ce que cette génération reflète la diversité du monde qu'elle contribue à bâtir.

Rédacteur de contenu expérimenté, fort de 15 ans d'expérience dans la création de contenu engageant et optimisé pour le référencement, dans divers secteurs d'activité. Expert dans la rédaction d'articles, d'articles de blog, de contenus web et de supports marketing percutants, il génère du trafic et améliore la visibilité de la marque.