À propos

Déconstruire l’intelligence, un algorithme à la fois

Je m’appelle Nils Schaetti. Je suis chercheur et enseignant en intelligence artificielle, installé près de Genève. Mon travail explore les frontières entre apprentissage automatique, cognition et compréhension du monde numérique — ce lieu instable où la machine cesse d’être un outil pour devenir un interlocuteur.

Artificialis, un laboratoire d’idées

Artificialis est né de cette conviction : comprendre l’IA n’est pas un luxe technique, mais une nécessité culturelle. Le projet réunit recherche, enseignement et diffusion scientifique. On y parle de modèles de langage et de contrastive learning, mais aussi de ce que ces systèmes disent — ou taisent — de notre propre intelligence. L’objectif n’est pas de simplifier l’IA, mais de la rendre intelligible, d’en dévoiler la logique interne et les conséquences sociales.

De la technique à la recherche

J’ai commencé par les machines, littéralement. Formé en Suisse comme informaticien CFC puis technicien ES, j’ai d’abord appris à démonter les ordinateurs avant de vouloir comprendre ce qui se passait à l’intérieur de leurs modèles. Ce goût pour la rigueur et la complexité m’a conduit à poursuivre un double diplôme franco-suisse en informatique entre l’Université de Franche-Comté et Unidistance Suisse, en parallèle d’une activité professionnelle à plein temps. J’y ai obtenu un Bachelor puis un Master en informatique avancée et applications, tous deux avec les plus hautes distinctions. Mon mémoire de master, consacré aux Echo State Networks, posait déjà les bases de ce qui allait devenir mon fil conducteur : comment l’information se propage, s’oublie ou se transforme dans un réseau.

Penser les réseaux de neurones

De 2016 à 2020, j’ai mené ma thèse de doctorat à l’Université de Neuchâtel, consacrée à l’application des réseaux de neurones récurrents à l’analyse d’auteur. À travers des tâches d’attribution, de profilage et de vérification, j’ai cherché à comprendre comment un style — quelque chose d’aussi humain et impalpable que la manière d’écrire — pouvait être modélisé par une architecture artificielle. Cette recherche a montré que la sophistication n’est pas toujours synonyme d’intelligence : des modèles simples, bien entraînés, peuvent rivaliser avec des structures plus massives, pour peu qu’on les comprenne vraiment.

Enseigner, transmettre, continuer à apprendre

Aujourd’hui, je poursuis mes travaux au sein du Data Mining and Machine Learning Group (DMML) de la Haute École de Gestion de Genève. J’y étudie l’apprentissage auto-supervisé (SSL) et l’usage de données synthétiques pour la segmentation sémantique d’images — autrement dit, comment une machine peut apprendre à percevoir un monde qu’on ne lui a jamais entièrement montré.
J’y enseigne également le Machine Learning, convaincu que transmettre la connaissance, c’est aussi la mettre à l’épreuve.

Une trajectoire ancrée dans la pratique

Avant la recherche, il y a eu l’industrie : Brady PLC, EPFL, Kudelski Group.
Des logiciels de trading aux clusters de calcul haute performance, j’ai traversé plusieurs formes de complexité : la technique, l’organisationnelle et l’humaine. Ces expériences m’ont appris que la technologie n’est jamais neutre ; elle porte toujours une intention, même implicite.

Partager pour comprendre

En 2022, j’ai créé les chaînes Artificialis et Artificialis Code pour prolonger cette démarche hors des laboratoires. Le but n’est pas seulement de vulgariser, mais de créer un espace critique autour de l’IA — un lieu où la recherche, la culture et la société dialoguent.

Engagement et humanisme numérique

Je suis également co-président du mouvement HTTPS (Humanisme, Transparence, Technologie, Participation et Solidarité). Cet engagement politique découle directement de mon travail scientifique : la technologie doit être un instrument d’émancipation, pas de dépossession. Penser un numérique rationnel et inclusif, c’est défendre la possibilité d’un futur où la compréhension prime sur la fascination.

Publications

  • Thèse:  » An Empirical Comparison of Recurrent Neural Network Models on Authorship Analysis Tasks « 
  • UniNE at CLEF 2017: TF-IDF and Deep-Learning for Author Profiling, Notebook for PAN at CLEF 2017
  • Comparison of Neural Models for Gender Profiling
  • Character-based Convolutional Neural Network and ResNet18 for Twitter Author Profiling : Notebook for PAN at CLEF 2018
  • Bidirectional Echo State Network-based Reservoir Computing for Cross-domain Authorship Attribution : Notebook for PAN at CLEF 2018
  • Character-based Convolutional Neural Network for Style Change Detection : Notebook for PAN at CLEF 2018
  • Behaviours of Deep Echo State Network-based ReservoirComputing Models on Classification of Textual Documents
  • Authorship Attribution using Echo State Network-basedRecurrent Neural Models