L’objectif du projet ALLIES est d’encourager et de démontrer le développement de systèmes autonomes, capables de maintenir une performance durable dans le temps selon un scénario d’apprentissage donné. Un scénario d’apprentissage définit l’importance accordée à la performance sur les données “passées” et “présentes” dans le processus d’optimisation (ou d’évaluation). En définissant le scénario d’apprentissage, un superviseur humain (SH) permet ou interdit au système d’oublier. Dans ALLIES, un système autonome est totalement non supervisé et adapte progressivement ses modèles ainsi que leur structure, afin d’apprendre ou d’oublier des événements en fonction du scénario d’apprentissage donné et des données qu’il collecte automatiquement dans le temps. Les systèmes non supervisés actuels optimisent leur performance pour un seul ensemble de données. Après ALLIES, les systèmes autonomes optimiseront leurs performances dans le temps en considérant ensemble les données passées et présentes.

• ICASSP 2021: Speaker Embedding for Diarization of Broadcast data in the ALLIES Challenge, Anthony Larcher, Ambuj Mehrish, Marie Tahon, Sylvain Meignier, Jean Carrive, David Doukhan, Olivier Galibert, Nicholas Evans
• IberSpeech 2021: Active correction for speaker diarization with human in the loop, Yevhenii Prokopalo, Meysam Shamsi, Loïc Barrault, Sylvain Meignier, Anthony Larcher