Ce programme a pour but d’étudier les fondements des modèles d’apprentissage automatique pilotés par les données, leurs propriétés, ainsi que les interactions entre les modèles pilotés par les données et les modèles analytiques, par exemple pour la simulation efficace de processus physiques complexes.

Les sujets abordés comprennent la robustesse, l’optimisation, la vérification des garanties de performance, la proposition d’une approche IA hybride pour l’accélération de la simulation de modèles physiques, et la conception et la validation d’architectures certifiables de systèmes autonomes critiques (par exemple dans le domaine aéronautique).

En particulier, ces sujets de recherche sont traités en partie dans le cadre du projet de recherche collaborative DEEL (DEpendable Explainable Learning) associant des partenaires d’ANITI, qui est mené en collaboration avec des partenaires canadiens : IVADO (The Institute for Data Valorization) et CRIACQ (Consortium pour la recherche et l’innovation en aérospatiale au Québec), dans le but de développer des briques technologiques permettant la mise en œuvre de systèmes critiques d’IA fiables, robustes, explicables et certifiables.

Les thèmes

  • Développement sûr et embarquabilité
  • Explicabilité
  • Fair Learning
  • IA certifiable
  • IA et Modèles physiques
  • Optimisation et théorie des jeux pour l’IA
  • Raisonnement automatique et décision

Coordination


Serge Gratton


Gregory Flandin

fr_FRFrench