Centre de Recherche en Informatique de Lens

L’intelligence artificielle moderne tire profit de deux grands avantages indéniables : la disponibilité des données et la force de calcul. Les données, vraie mine d’informations, sont maintenant disponibles, souvent en grandes quantités et issues de sources multiples et pouvant être entachées d’imperfections diverses (données manquantes, imprécises, hétérogènes, etc.). La gestion de ces données massives et hétérogènes soulève plusieurs défis à la communauté IA. De la fouille de données à l’apprentissage artificiel, plusieurs problèmes d’actualité nécessitent des solutions efficaces au point de vue calculatoire et pouvant fournir des résultats exploitables, fiables et explicables pour l’utilisateur.

En intelligence artificielle, les systèmes physiques ou virtuels évoluant de manière autonome doivent être pourvus de capacités de représentation de leur environnement et de raisonnement. L’axe thématique « Représentation des connaissances et raisonnements » se consacre à l’étude (l’identification, la modélisation, la représentation et l’implémentation) des différents types d’informations (connaissances, croyances, préférences, actions, etc.) et de raisonnements nécessaires au développement de tels systèmes. Des langages logiques (propositionnels, modaux, pondérés, etc.) et des modèles graphiques (réseaux bayésiens, systèmes d’argumentation abstraits, réseaux conceptuels, etc.) sont utilisés pour représenter les différentes informations (qualitatives ou numériques) disponibles. Le choix du langage de représentation des connaissances est crucial pour obtenir des propriétés désirables en termes d’expressivité, d’efficacité spatiale, de complexité algorithmique, etc. Une fois le langage de représentation fixé et le raisonnement souhaité modélisé, il s’agit de concevoir des méthodes pratiques pour réaliser ce raisonnement, et s’intéresser aux aspects calculatoires de ces méthodes, éléments importants afin de juger de leur utilisation pratique.

L’axe « Contraintes » porte sur la modélisation et la résolution pratique de problèmes combinatoires sous contraintes. Deux formalismes sont principalement étudiés dans l’axe : SAT (Satisfiability Testing), où les variables sont booléennes et CSP (Constraint Satisfaction Problem) où les variables sont définies sur des domaines finis. Ces deux formalismes entrent dans le champ général de la programmation par contraintes (CP pour Constraint Programming). Parmi les problèmes étudiés figurent les problèmes de satisfaction (existence d’une solution), d’optimisation (recherche d’une « meilleure » solution), de comptage (calcul du nombre de solutions), d’énumération (des solutions). Les travaux réalisés dans l’axe vont de développements théoriques (étude de complexité, analyse de propriétés des langages et des algorithmes) jusqu’au développement de logiciels (appelés solveurs) permettant de résoudre en pratique les problèmes abordés.

L’IA explicable est un domaine qui a émergé avec le boom de l’apprentissage automatique et l’opacité des modèles les plus précis (comme les réseaux de neurones profonds). Les utilisateurs humains de systèmes d’IA ont, en effet, besoin de garde-fous pour éviter de tenir pour correctes des prédictions erronées et la capacité à fournir des explications des prédictions réalisées est une voie pour rejeter de telles prédictions. Ce besoin est critique lorsque des composants IA sont utilisés dans des applications sensibles et l’exigence d’explication est une affaire de réglementation en Europe (avec le RGPD depuis 2018 et avec l’AI Act maintenant). Pour ces raisons, nous avions choisi de mettre la thématique de “L’IA explicable” au centre du projet scientifique du CRIL pour le contrat 2020-2024 (étendu à 2025 suite à la pandémie COVID). En effet, il nous semblait que les compétences de l’unité sur les questions de recherche concernant les données, les connaissances et les contraintes, pouvaient être mobilisées avec profit pour créer des synergies et être à l’origine de recherches originales en IA explicable.

Les recherches au CRIL sur “l’IA au service d’autres disciplines” ont été suscitées au départ par la création par l’université d’Artois du domaine d’intérêt majeur (DIM) IA en 2018. Les échanges scientifiques avec des collègues d’autres laboratoires artésiens, relevant de disciplines variées (chimie, santé, sociologie, droit) qui ont eu lieu dans le cadre de ce DIM ont mis en évidence un large ensemble de questions d’intérêt, qu’elles soient théoriques ou appliquées, pour lesquelles les techniques d’IA maîtrisées au CRIL pouvaient être exploitées avec profit. Depuis lors, les travaux à caractère pluridisciplinaire, conduits conjointement avec ces collègues, ont été intensifiés suite au montage du projet ANR VIVAH (“Contrats doctoraux en intelligence artificielle”) répondant à un appel qui s’inscrivait dans le cadre de la stratégie nationale en IA, au retour positif obtenu et aux financements de thèse alloués (et complétés par l’université d’Artois). L’action transverse sur “L’IA au service d’autres disciplines” a pris une ampleur beaucoup plus importante suite au montage et au financement du projet PIA4 ExcellenceS MAIA (“Maîtrise des Applications de l’IA”), porté par l’université d’Artois pour l’alliance A2U (UArtois - ULCO - UPJV).

La cellule R&D MAIA est une structure spécialisée conçue pour faciliter l'interface entre les demandeurs d'applications en intelligence artificielle (IA) et les ingénieurs experts en IA.