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 mécanismes “d’intelligences”. On parle alors de raisonnement complexe ou d’hybridation d’intelligences artificielles.

Notre laboratoire est spécialisé dans la construction de systèmes cyber-physiques complexes combinant de manière distribuées différentes approches d’IA.

Le laboratoire est une unité de recherche sous la tutelle de l’Université de Technologie Belfort-Montbéliard (UTBM) et de l’Université de Bourgogne (uB).

Il fait partie de l’Université de Bourgogne-Franche-Comté (UBFC) jusqu’en décembre 2024 (date de disparition de l’UBFC).  

Environ 70 personnes (enseignants-chercheurs, doctorants, ingénieurs, post-doctorants, personnel administratif) travaillent ensemble pour concevoir des Intelligences Artificielles Hybrides, Distribuées et Explicables. Partenaires de nombreux projets de collaboration scientifique avec des institutions ou des entreprises, nous avons développé une méthode de travail nous permettant de produire des systèmes de raisonnement artificiel d’un niveau de maturité 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 théories et de techniques mises en œuvre en vue de réaliser 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 à nos smartphones, équipe nos bâtiments et nos véhicules, révolutionne la médecine…  

Il est difficile d’expliquer le concept de l’intelligence. Mais l’idée réside dans la capacité à permettre à une machine de comprendre la réalité de la même manière qu’un être humain.

De plus, elle doit être en capacité de simuler les mêmes comportements de manipulation de l’intelligence comme apprendre, expliquer et peut être même douter.

Pour expliquer facilement l’IA, on peut avoir recours à de nombreuses métaphores.
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 ingrédient et donc l’identifier au premier regard.

À force d’apprentissage, on peut reconnaître les ingrédients au premier coup d’œil peut importe leur forme ou leur position dans le frigo.

C’est ce que beaucoup de chercheurs développent avec des algorithmes de deep learning pour la vision artificielle par exemple. Avec un peu d’entraînement, 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 résumé, une partie des algorithmes d’IA peuvent être vue comme des ustensiles de cuisine et les données comme des ingrédients. Pour cuisiner les ingrédients de notre frigo (les données), il nous faut des ustensiles de cuisine (les algorithmes). Nous devons donc fabriquer des ustensiles adaptés pour cuisiner nos ingrédients, c’est-à dire créer les algorithmes capables de traiter des données 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 à une autre partie de l’intelligence artificielle, l’ingénierie de la connaissance, qui va modéliser 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 causalité. Par exemple en cuisine, si on souhaite une certaine cuisson, on va choisir le four plutôt que la casserole en fonction du type et du temps de cuisson que l’on souhaite.

 

On peut aussi modéliser cette orchestration de raisonnement sous une forme distribuée. 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

  • Développement de méthodes de perception active basées sur plusieurs capteurs pour le suivi humain et la reconnaissance d’objets, et la saisie d’objets inconnus destinés aux personnes handicapées et aux personnes âgées.
  • Développement d’applications pour faciliter le diagnostic ophtalmologique.
  • Analyse de sources de données de santé.

Smart City

  • Amélioration de la sécurité des passages à niveau par l’intégration 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 intégrant les composants réels des trains.
  • Amélioration de la robustesse d’un système de perception d’objets pour la détection et le suivi dynamique dans des conditions défavorables (mauvais temps, trafic dense) pour des véhicules autonomes.
  • Développement 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 mobilité.
  • Développement d’un système de recommandation associant sémantique et métaheuristique pour résoudre des problèmes d’optimisation combinatoire liés à la combinaison pertinente d’offres touristiques selon un savoir-faire métier.

Industrie 4.0

  • Amélioration 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 réel.
  • 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 réel.
  • Développement d’une plateforme collaborative de partages de savoir-faire.

Nos chiffres clés

53
Number of members
20
Number of permanent researchers
115
Articles in journals ranked by Scimago (2019-2023)
2.6
Average number of journals ranked by Scimago / FTE / year (2019-2023)
129
Papers in conferences (2019-2023)
5.2
m€ from projects (2019-2023)
33
Number of academic projects (2019-2023)
44
Number of not-academic projects (2019-2023)

Notre processus de soutien
à l’innovation

nos partenaires

Nous contacter

Suivez-nous
sur Linkedin et YouTube