Connaissance & Intelligence
Artificielle Distribuées

l’Intelligence Artificielle
est partout autour de nous !

Vous souhaitez inclure
dans vos produits
des aspects innovants ?

Vous souhaitez développer
de nouvelles opportunités
de croissance
dans des systèmes
intelligents ?

Systèmes intelligents
Villes Intelligentes
Transports Intelligents

Internet of Things
Food Tech, Industrie 4.0
eHealth et Services

qui sommes nous ?

Le laboratoire CIAD (Connaissances et Intelligence Artificielle Distribuées) est un laboratoire public de recherche en intelligence artificielle qui s’intéresse aux stratégies de raisonnement artificiel.

Le raisonnement est parfois une articulation de plusieurs mĂ©canismes “d’intelligences”. On parle alors de raisonnement complexe ou d’hybridation d’intelligences artificielles.

Notre laboratoire est spĂ©cialisĂ© dans la construction de systèmes cyber-physiques complexes combinant de manière distribuĂ©es diffĂ©rentes approches d’IA.

Le laboratoire est une unitĂ© mixte de recherche sous la tutelle de l’UniversitĂ© de Technologie Belfort-MontbĂ©liard (UTBM) et de l’UniversitĂ© de Bourgogne (uB).

Il fait partie de l’UniversitĂ© de Bourgogne-Franche-ComtĂ© (UBFC).  

Environ 70 personnes (enseignants-chercheurs, doctorants, ingĂ©nieurs, post-doctorants, personnel administratif) travaillent ensemble pour concevoir des Intelligences Artificielles Hybrides, DistribuĂ©es et Explicables. Partenaires de nombreux projets de collaboration scientifique avec des institutions ou des entreprises, nous avons dĂ©veloppĂ© une mĂ©thode de travail nous permettant de produire des systèmes de raisonnement artificiel d’un niveau de maturitĂ© technologie de 7 (TRL7).

Depuis 2020, le laboratoire est membre du réseau d’excellence français « Institut Carnot ARTS », pour accélérer l’innovation et relever les défis de l’industrie du futur.

qu’est-ce qu’une
Intelligence Artificielle ?

L’intelligence artificielle, c’est l’ensemble de thĂ©ories et de techniques mises en Ĺ“uvre en vue de rĂ©aliser des machines capables de simuler l’intelligence  humaine.  

C’est l’un des rêves le plus ambitieux de l’Homme, construire des machines avec un esprit semblable au sien.

L’intelligence artificielle ne s’incarne pas uniquement dans des robots intelligents, elle est partout autour de nous. Elle donne la parole Ă  nos smartphones, Ă©quipe nos bâtiments et nos vĂ©hicules, rĂ©volutionne la mĂ©decine…  

Il est difficile d’expliquer le concept de l’intelligence. Mais l’idĂ©e rĂ©side dans la capacitĂ© Ă  permettre Ă  une machine de comprendre la rĂ©alitĂ© de la mĂŞme manière qu’un ĂŞtre humain.

De plus, elle doit ĂŞtre en capacitĂ© de simuler les mĂŞmes comportements de manipulation de l’intelligence comme apprendre, expliquer et peut ĂŞtre mĂŞme douter.

Pour expliquer facilement l’IA, on peut avoir recours Ă  de nombreuses mĂ©taphores.
Notre préférée est celle de la recette de cuisine en 3 étapes :
Les ingrédients, la préparation et la recette !

Les Ingrédients

On peut considérer le frigo comme un vaste environnement de stockage de données. Chaque ingrédient présent dans notre frigo représente une ou plusieurs données.

Lorsque l’on ouvre le frigo, il faut choisir le bon ingrĂ©dient et donc l’identifier au premier regard.

Ă€ force d’apprentissage, on peut reconnaĂ®tre les ingrĂ©dients au premier coup d’Ĺ“il peut importe leur forme ou leur position dans le frigo.

C’est ce que beaucoup de chercheurs dĂ©veloppent avec des algorithmes de deep learning pour la vision artificielle par exemple. Avec un peu d’entraĂ®nement, les algorithmes d’une machine peuvent analyser, traiter et comprendre des images d’un seul coup.

La Préparation

Si on sélectionne un poulet, il faut parfois le découper, juste pour récupérer les blancs en vue de les cuisiner.

Pour séparer le blanc de la carcasse, on utilise un processus de raisonnement qui va nous permettre de classifier les morceaux du poulet. En IA, cette classification peut être réalisée par des algorithmes de machine learning, c’est-à-dire que la machine va apprendre seule, sans connaissance préalable, grâce à l’apprentissage de ses expériences passées.

Bien entendu, le choix du bon algorithme, pas forcément de machine learning, est primordial pour obtenir le résultat souhaité, car on ne découpe par un poulet avec un rouleau à pâtisserie !

 

En rĂ©sumĂ©, une partie des algorithmes d’IA peuvent ĂŞtre vue comme des ustensiles de cuisine et les donnĂ©es comme des ingrĂ©dients. Pour cuisiner les ingrĂ©dients de notre frigo (les donnĂ©es), il nous faut des ustensiles de cuisine (les algorithmes). Nous devons donc fabriquer des ustensiles adaptĂ©s pour cuisiner nos ingrĂ©dients, c’est-Ă  dire crĂ©er les algorithmes capables de traiter des donnĂ©es dans le but d’en extraire de la connaissance.

La Recette

Quand on cuisine, on coordonne souvent un ensemble d’actions pour réaliser un plat particulier, par exemple un poulet aux olives. En IA, cela revient à combiner les bons algorithmes entre eux pour construire une chaîne complète de raisonnement. C’est comme pour une recette, il nous faut plusieurs produits, plusieurs ustensiles et plusieurs actions, le tout coordonné pour réaliser le plat.

 

Pour cela, il est possible de faire appel Ă  une autre partie de l’intelligence artificielle, l’ingĂ©nierie de la connaissance, qui va modĂ©liser le savoir-faire de l’expert (dans notre cas, le chef cuisinier). Cette partie va se charger des connaissances et raisonner sur les relations de causalitĂ©. Par exemple en cuisine, si on souhaite une certaine cuisson, on va choisir le four plutĂ´t que la casserole en fonction du type et du temps de cuisson que l’on souhaite.

 

On peut aussi modĂ©liser cette orchestration de raisonnement sous une forme distribuĂ©e. Dans ce cas, on parle d’agents qui raisonnent et qui coopèrent dans l’objectif d’atteindre un but commun.

Ces approches d’IA se classent dans le domaine des systèmes multi-agent.

 

L’intelligence artificielle est un vaste champ d’étude qui permet de créer des machines capables de raisonner, tout comme nous le faisons quand nous cuisinons !

nos verrous scientifiques

Vérité
et valeur

Notre premier défi scientifique est de certifier le bien fondé des données. En s’appuyant sur le fruit de nos recherches, nous évaluons le bien fondé des données à notre disposition pour garantir que nos systèmes raisonnent avec justesse. La véracité des données reste néanmoins subordonnée au contexte dans laquelle elles sont utilisées.

Dans un monde où nous disposons d’une multitude de données, notre objectif réside également dans le fait de créer de la valeur. Notre défi est donc de dire quelles sont les données utiles et pertinentes pour le contexte de raisonnement, pour travailler sur les données qui comptent vraiment.

Interopérabilité
du raisonnement

Notre second défi est de créer des systèmes de raisonnement capables d’interopérabilité, c’est à dire des systèmes ayant une manière de raisonner différente mais qui se complète pour travailler ensemble et atteindre un objectif commun.
Nous nous appuyons notamment sur les principes théoriques des systèmes multi-agents et sur les systèmes formels de raisonnement.

Système
prescriptif

Notre troisième défi est de développer des systèmes prédictifs capables d’aider à la prise de décision et de prescrire des actions à mener dans le but d’améliorer la performance.

nos champs d’applications

E-santé

  • DĂ©veloppement de mĂ©thodes de perception active basĂ©es sur plusieurs capteurs pour le suivi humain et la reconnaissance d’objets, et la saisie d’objets inconnus destinĂ©s aux personnes handicapĂ©es et aux personnes âgĂ©es.
  • DĂ©veloppement d’applications pour faciliter le diagnostic ophtalmologique.
  • Analyse de sources de donnĂ©es de santĂ©.

Smart City

  • AmĂ©lioration de la sĂ©curitĂ© des passages Ă  niveau par l’intĂ©gration de systèmes permettant la gestion et la conception proactive de ses infrastructures. 
  • Construction d’un simulateur de train sur une plate-forme de simulation cyber-physique intĂ©grant les composants rĂ©els des trains.
  • AmĂ©lioration de la robustesse d’un système de perception d’objets pour la dĂ©tection et le suivi dynamique dans des conditions dĂ©favorables (mauvais temps, trafic dense) pour des vĂ©hicules autonomes.
  • DĂ©veloppement d’un outil logiciel pour l’assistance au diagnostic de pannes pour les locomotives.
  • Construire un système de recommandation pour l’apprentissage en situation de mobilitĂ©.
  • DĂ©veloppement d’un système de recommandation associant sĂ©mantique et mĂ©taheuristique pour rĂ©soudre des problèmes d’optimisation combinatoire liĂ©s Ă  la combinaison pertinente d’offres touristiques selon un savoir-faire mĂ©tier.

Industrie 4.0

  • AmĂ©lioration de la vision informatique classique et les systèmes d’apprentissage en profondeur en prenant en compte les informations contextuelles de l’environnement et en effectuant un raisonnement en temps rĂ©el.
  • Profilage dynamique du comportement des internautes dans un environnement e-marketing de BigData.
  • Elaboration d’un profilage dynamique d’internaute sur le web et recommandation publicitaire en temps rĂ©el.
  • DĂ©veloppement d’une plateforme collaborative de partages de savoir-faire.

Nos chiffres clés

58
Number of members
20
Number of permanent researchers
107
Articles in journals ranked by Scimago (2019-2023)
2.4
Average number of journals ranked by Scimago / FTE / year (2019-2023)
118
Papers in conferences (2019-2023)
5.2
m€ from projects (2019-2023)
32
Number of academic projects (2019-2023)
44
Number of not-academic projects (2019-2023)

Notre processus de soutien
Ă  l’innovation

nos partenaires

Nous contacter

Suivez-nous
sur Linkedin et YouTube