Andrej Karpathy, l’expert en apprentissage profond et en vision par ordinateur qui a été embauché il y a cinq ans en tant que directeur de l’IA de Tesla et dirigeait l’équipe de vision du pilote automatique, quitte officiellement l’entreprise.
Karpathy était en congé de quatre mois, alimentant de nombreuses spéculations quant à son retour.
Dans un tweet publié mercredi après-midi, Karparthy a écrit : « Ce fut un grand plaisir d’aider Tesla à atteindre ses objectifs au cours des 5 dernières années et une décision difficile de se séparer. À cette époque, Autopilot est passé du maintien de voie dans les rues de la ville et j’ai hâte de voir l’équipe Autopilot exceptionnellement forte poursuivre sur cette lancée.
Karpathy a déclaré qu’il n’avait aucun plan concret pour ce qu’il pourrait faire ensuite, ajoutant qu’il cherchait à passer plus de temps à « revisiter mes passions à long terme autour du travail technique dans l’IA, l’open source et l’éducation ».
Des sources ont précédemment déclaré à TechCrunch que Karpathy envisageait d’investir dans du capital-risque.
L’annonce de Karpathy intervient alors que Tesla a déclaré dans un dossier réglementaire californien qu’il licenciait 229 employés d’annotation de données qui font partie de la plus grande équipe de pilote automatique de l’entreprise et fermait le bureau de San Mateo, en Californie, où ils travaillaient.
Avant de rejoindre Tesla en 2017, Karpathy était chercheur chez OpenAI, l’organisation à but non lucratif d’intelligence artificielle soutenue par Elon Musk. Il possède une vaste expérience dans les domaines liés à l’IA et a été le créateur de l’un des les cours d’apprentissage en profondeur les plus respectés enseignés à l’Université de Stanford.
Son rôle chez Tesla, où il s’est concentré sur le système de vision par ordinateur conçu pour prendre en charge le système avancé d’aide à la conduite Autopilot, lié à son précédent travail de thèse. Dans sa thèse, Karpathy s’était concentré sur la création d’un système dans lequel un réseau neuronal pouvait identifier plusieurs éléments discrets et spécifiques dans une image, les étiqueter en utilisant le langage naturel et les signaler à un utilisateur. Il s’agissait notamment de développer un système qui fonctionne en sens inverse. Cela permettait à un modèle d’utiliser des descriptions en langage naturel (par exemple, « robe noire ») et de trouver cet objet dans une image donnée.