Appréhender le réel par les données

Le déploiement massif de systèmes de mesure communicants et précis, couplé à des solutions efficaces de stockage de données, rend réaliste l’approche d’observation externe des systèmes complexes. Les techniques d’apprentissage statistique sont particulièrement efficientes. Les fonctionnalités qu’elles proposent s’avèrent à la fois robustes, parcimonieuses et passant à l’échelle. Ces techniques permettent une modélisation efficace du fonctionnement des systèmes, que ce soit à des fins de classification, de détection, de prédiction ou de recherche de causalité. Enfin, elles s’appliquent sur une large typologie de données (signaux, images, vidéos, textes, paroles, données relationnelles, graphes, données log, données dynamiques, séquences, etc.).

Enjeux

Les entreprises doivent relever le défi de la création de valeur par l’exploitation des données disponibles en s’intéressant à l’optimisation des processus internes et à la création de nouveaux services pour leurs clients. 

Positionnement de l’IRT SystemX

L’IRT SystemX place la science des données et l’intelligence artificielle au coeur de ses projets de R&D. Dans les systèmes industriels et les services, l’ingénierie de la donnée et les mécanismes d’apprentissage apportent une aide à la décision dans les phases de conception et d’exploitation, en étant intégrés dans les chaînes de traitement. Un second prisme est celui de l’hybridation des solutions d’apprentissage, avec des modèles de connaissance ou avec des modèles physiques. Enfin, l’institut porte un intérêt spécifique à la confiance et à la robustesse des systèmes intégrant de l’IA, en particulier dans le contexte des systèmes critiques.

Feuille de route

Défis scientifiques et technologiques Verrous associés
Ingénierie des données et des modèles d’apprentissage

• Cycle de vie des données et des modèles
• Traçabilité/répétabilité des modèles
• Ingénierie de l’élaboration des données d’apprentissage
• Acquisition, gestion et utilisation des connaissances
• Embarquabilité des modèles et algorithmes
Hybridation des modèles d’apprentissage

• Avec des modèles physiques
• Avec des connaissances métier
• Avec la théorie des graphes
• Avec la théorie du contrôle
• Avec la simulation multi-agents
• Système à composants hybrides 
Confiance et robustesse des modèles d’apprentissage • Interprétation des modèles et explication des décisions
• Caractérisation du domaine opérationnel couvert par les données
• Évaluation des modèles d’apprentissage avec des métriques applicatives et fonctionnelles
• Modèles d’apprentissage robustes
Apprentissage en contexte spécifique

• Apprentissage fédéré ou distribué
• Apprentissage préservant la vie privée
• Apprentissage incrémental
• Apprentissage de représentation
• Modèles génératifs et approches non supervisées
• Transfer learning et ses conditions d’applicabilité 

 

Téléchargez la fiche de présentation du domaine Science des données et IA 

– À voir aussi

Replay des Seminar@SystemX

– ABONNEMENT NEWSLETTER

Inscrivez-vous à la newsletter de l’IRT SystemX

et recevez chaque mois les dernières actualités de l’institut :

S'abonner à la newsletter