Les thèmes

Ce thème explore de nouvelles approches et architectures d’apprentissage inspirées des mécanismes d’apprentissage « naturels » ou « biologiques » : les humains et les autres animaux peuvent apprendre des informations complexes à partir de données peu nombreuses et souvent bruitées. Une autre piste concerne l’extension de techniques de génération automatique de données pour l’apprentissage, pour qu’elles puissent passer à l’échelle et s’appliquer à d’autres problèmes que ceux sur lesquels elles  ont été testées jusqu’à présent. Un autre défi concerne la définition de méthodes de représentation compactes de données à grandes dimensions, adaptées à l’apprentissage profond.

L’ambition est aussi de développer un cadre unifié permettant d’harmoniser des données multi-sources, multi-modales, multi-échelles et temporellement dynamiques, en une représentation sémantique cohérente pour l’apprentissage profond. Nous appliquerons par exemple le calcul bayésien approximatif aux problèmes d’algorithmes d’extraction de propriétés cachées (décrites dans un espace latent) dans de telles données. Des applications sont envisagées dans le domaine de la télédétection, des transports et de la biologie.

Axe 1 : Apprentissage avec peu de données

Axe 2 : Apprentissage des représentations

Axe 3 : Données multi-source, multi-échelle

Porteurs de chaires : Nicolas Dobigeon, Fabrice Gamboa, Jean-Bernard Lasserre, Thomas Serre, Thomas Schiex, Rufin van Rullen

Ce thème concerne  le développement d’architectures matérielles et logicielles et la validation de systèmes embarqués critiques intégrant des algorithmes d’IA, afin de permettre à ces systèmes de fournir des résultats conformes aux exigences de certification ou des normes du domaine par exemple dans l’avionique ou l’automobile.

Le thème aussi explore différents moyens de vérifier les modèles d’apprentissage intégrés dans les systèmes critiques afin de garantir un haut niveau de sécurité du système.

L’un des objectifs est aussi de contribuer à la définition de la certification des normes pour le développement de systèmes critiques utilisant des algorithmes d’IA.

 Axe 1 : Architectures IA embarquées

 Axe 2 : Sélection et vérification de modèles IA

 Axe 3 : Assurance des Systèmes d’IA

  Porteurs de chaires : Serge Gratton, Joao Silva Marques, Claire Pagetti

Ce thème vise à définir des techniques avancées de détection, diagnostique et prognostic d’anomalies ou d’événements extrêmes.

Le premier objectif est de comprendre comment les approches basées sur des modèles et des données peuvent se compléter de façon efficace. Le second objectif est de pouvoir abstraire des classificateurs de données et les mettre en correspondance avec des modèles symboliques ou analytiques adaptés au raisonnement pour le diagnostic, afin d’obtenir une meilleure explicabilité et acceptabilité des résultats.

Différents cas d’usage seront considérés pour valider les techniques proposées couvrant, par exemple, la maintenance prédictive et le diagnostic de cartes électroniques, de cobots ou de systèmes industriels représentés par des jumeaux numériques, la détection de crues par simulation numérique augmentée par des techniques d’apprentissage machine.

 Axe 1 : Détection, diagnostic et prognostic d’anomalies et d’événements extrêmes

 Axe 2 : Représentation de données pour la détection d’anomalies           

Porteurs de chaires : Jean-Michel Loubès, Serge Gratton, Jean-Bernard Lasserre, Louise Travé-Massuyès

Ce thème étudie trois approches pour améliorer l’explicabilité des algorithmes d’apprentissage. La première utilise une représentation d’un algorithme d’apprentissage par un ensemble de clauses logiques de premier ordre, à partir desquelles diverses notions d’explications peuvent être étudiées dans un cadre logique général. Le principal défi est de faire évoluer ces méthodes.

La deuxième, utilise des techniques statistiques qui consistent à perturber les intrants et à mesurer l’effet sur les classifications, indiquant ainsi les paramètres d’apprentissage clés. Cette méthode est efficace mais ne garantit pas formellement les résultats.

La troisième classe consiste à construire des combinaisons hybrides des deux méthodes afin d’améliorer la
qualité de l’explication et la performance d’obtention de cette explication.

 Axe 1 : Explicabilité par des méthodes logiques

 Axe 2 : Explicabilité par des méthodes statistiques

 Axe 3 : Hybridation – combiner des approches logiques et statistiques

Porteurs de chaires : Leila Amgoud, Joao Silva Marques, Jean-Michel Loubes, Thomas Schiex, Louise Travé-Massuyès

L’objectif est de développer de nouvelles méthodes permettant de détecter puis d’éliminer les biais indésirables dans les jeux de données d’apprentissage, de validation et de test ou dans les distributions de probabilités associées à une architecture d’apprentissage, que l’utilisateur final peut spécifier.

Ce thème examine également comment ces méthodes répondent aux exigences légales et éthiques des systèmes d’IA.

Un intérêt particulier est porté à l’application de ces méthodes à des applications industrielles critiques pour lesquelles des biais peuvent provenir d’une représentation déséquilibrée des conditions de fonctionnement et d’environnement, d’un étiquetage erroné ou d’une description incomplète des données conduisant à des corrélations erronées.

Axe 1 : Analyse de biais pour la fairness

Axe 2 : Analyse de biais dans les données et algorithmes pour des systèmes critiques certifiables           

Porteurs de chaires : Leila Amgoud, Celine Castets-Renard, Fabrice Gamboa, Jean-Michel Loubès, Claire Pagetti, Joao-Marques Silva.

Il s’agit d’examiner les relations entre les modèles analytiques, dits modèles physiques, décrivant l’évolution de processus complexes (physiques, chimiques, biologiques, …) et les modèles issus d’apprentissage et comment ils peuvent se renforcer mutuellement, notamment pour les modèles de simulation.

L’objectif est d’accélérer la simulation de ces modèles pour améliorer l’apprentissage de modèles profonds sous contraintes physiques, en combinant des approches de mathématiques pures (algèbre, topologie, géométrie), des mathématiques appliquées (statistiques, méthodes numériques) et des données

Axe 1 : Accélération de la simulation et optimisation de modèles physiques par des modèles d’apprentissage et des approches statistiques et géométriques

Axe 2 : Apprentissage avec des contraintes physiques

Porteurs de chaires : Serge Gratton, Fabrice Gamboa, Thomas Schiex, Jérôme Bolte, Nicolas Dobigeon

Ce thème traite des défis liés à l’acceptabilité socio-économique, juridique ou éthiques des applications d’IA, en répondant à des questions telles que “comment l’IA affecte-t-elle la compétitivité économique, les plateformes économiques ? “Comment pouvons-nous utiliser l’IA pour impliquer davantage le grand public dans les décisions sociales/gouvernementales ? comment les systèmes d’IA autonomes sont perçus par le grand public, comment évaluer les risques associés et comment pouvons-nous les rendre plus acceptables ?

Les travaux sont aussi liés aux préoccupations et responsabilités juridiques et à la protection de la vie privée.

 Axe 1 : Acceptabilité sociale et application de l’IA

 Axe 2 : Responsabilité juridique et éthique

 Porteurs de chaires : Jean-François Bonnefon, Bruno Jullien, Cesar A. Hidalgo, Céline Castets-Renard

Ce thème vise à apporter des contributions majeures dans le domaine de l’extraction d’informations sémantiques à partir de textes dans des domaines semi-fermés (c’est-à-dire qui portent sur un sujet particulier comme les logs de maintenance ou de production) ou de conversations bruitées.

Non seulement la sémantique lexicale sera exploitée, mais aussi la sémantique codée dans les relations entre les clauses ou la structure du discours. Cette dernière est importante pour saisir, par exemple, les raisons pour lesquelles une opération a été ou n’a pas été effectuée, les exceptions aux exigences, les descriptions plus détaillées des propositions ou des opérations effectuées, mais aussi les opinions et les commentaires.

Sont aussi étudiés les fondements mais aussi l’apprentissage de la représentation multimodale. La compréhension de l’interaction de sources d’information multimodales dans la conversation sera également cruciale pour améliorer les performances des robots/cobots et des assistants de conversation qui ont accès à des données visuelles et linguistiques. L’état de l’art actuel n’exploite pas les informations multimodales ou seulement de manière très primitive. Ces avancées dans la modélisation du dialogue et de la conversation seront aussi exploitées pour produire des systèmes conversationnels réalistes qui sont intégrés dans un environnement physique.

Axe 1 : Sémantique de données bruitées

Axe 2 : Langage et multi-modalités

Axe 3 : Modélisation de dialogue/conversations            

Porteurs de chaires : Rachid Alami, Leila Amgoud, Thomas Serre, Rufin VanRullen

Ce thème vise la fertilisation croisée entre les neurosciences et les techniques d’intelligence artificielle. Deux objectifs principaux sont visés : 1) utiliser des méthodes d’apprentissage automatique pour surveiller dans des environnements à risque, des comportements d’utilisateurs interagissant entre eux et avec des agents artificiels (charge de travail, fatigue, stress, risque d’erreur) ; 2) utiliser les connaissances sur les modes de fonctionnement du cerveau pour améliorer les algorithmes d’intelligence artificielle et les architectures des réseaux de neurones, en particulier pour l’apprentissage par renforcement.

Axe 1 : IA pour monitorer et comprendre l’activité cognitive

Axe 2 : IA Neuro-inspirée pour améliorer les algorithmes     

Porteurs de chaires : Rachid Alami, Frédéric Dehais, Nicolas Mansard, Thomas Serre, Rufin VanRullen

Ce thème vise à étudier les fondements théoriques de différentes techniques d’optimisation et de la théorie de jeux afin de optimiser les méthodes d’apprentissage automatique basées sur des réseaux de neurones et de mieux comprendre d’un point de vue théorique leurs conditions de convergence, de stabilité et de robustesse, ainsi que leur capacité de généralisation. Ce sujet est aussi central pour la certification de systèmes IA utilisés dans des systèmes critiques.

 Axe 1 : Optimisation pour l’IA

 Axe 2 : Robustesse

 Axe 3 : Théorie des jeux pour l’IA

 Porteurs de chaires : Jerôme Bolte, Serge Gratton, Jean-Michel Loubes, Jean-Bernard Lasserre, Jérôme Renault, Marc Teboulle

   Ce thème a pour objectif de réduire la complexité et améliorer le passage à l’échelle (par exemple, résoudre avec garantie des problèmes de décision/optimisation sur des modèles graphiques discrets pondérés avec contraintes permettant de capturer à la fois des problèmes de raisonnement logique propositionnels simples (type SAT/CSP/NP-complet) et le développement et l’expérimentation de techniques et algorithmes de compilation de connaissance  pour l’optimisation en ligne de problèmes traitant des préférences et/ou des incertitudes.

         Les applications incluent par exemple l’optimisation de la conception de molécules et protéines dans le domaine de la santé ou du développement durable, ainsi que des problèmes de planification temporelle (ordonnancement) et d’optimisation de configuration dans le domaine de l’industrie du futur 4.0.

 Axe 1 : Algorithmes et complexité

 Axe 2 : Application à des systèmes complexes

Porteurs de chaires : Leila Amgoud, Daniel Delahaye, Hélène Fargier, Joao Silva Marques, Thomas Schiex, Louise Travé-Massuyès

Le thème porte sur des robots avancés, avec des jambes et des bras, devant réaliser des tâches comme la marche, attraper un objet, ouvrir une porte, etc. le tout en étroite collaboration avec l’humain, dans des espaces similaires dans le cadre de tâches conjointes.

En plus des défis concernant le développement de l’autonomie fonctionnelle
et les capacités de prise de décision nécessaires pour effectuer des tâches dans l’environnement physique et en présence d’incertitudes, les sujets couvrent l’analyse et la génération de mouvements, la planification de mouvements et de tâches et collaborations homme-robot à l’aide de méthodes d’IA hybrides.

Ce thème comprend également des recherches sur les aspects liés à l’architecture et à la vérification des robots autonomes ainsi que leur impact sociétal.

 Axe 1 : Planification et contrôle de mouvement

 Axe 2 : Capacités cognitives et communication

 Axe 3 : Architecture, décision et interaction

Axe 4 : Aspects sociaux et sociétaux des interactions Humain-Robot           

Porteurs de chaires : Rachid Alami, Céline Castets-Renard, Frédéric Dehais, Nicolas Mansard, Claire Pagetti, Thomas Serre, Rufin VanRullen