Le CRIL en bref
Le Centre de Recherche en Informatique de Lens (CRIL UMR 8188) est un laboratoire de l’Université d’Artois et du CNRS qui regroupe plus de cinquante membres : chercheurs, enseignants-chercheurs, doctorants et personnels administratifs et techniques.
Recherches en intelligence artificielle et applications
Actualités (RSS)
Séminaire La logique de typicité propositionnelle
**Ivan Varzinczak - CRIL CNRS & Univ Artois **
Dans cet exposé, je présenterai la logique de typicité propositionnelle PTL. Cette logique enrichît la logique propositionnelle classique avec un opérateur unaire permettant de représenter de façon explicite une notion de typicité d’une formule. L’intuition derrière cet opérateur est de capturer les situations les plus typiques (ou normales, ou conventionnelles, en fonction de l’application en question) où une formule donnée est vraie. La sémantique de PTL est en termes de modèles préférentiels, plus précisément les modèles modulaires, étudiés dans l’approche KLM pour le raisonnement non monotone. Cela nous permet de montrer que les conditionnels à la KLM peuvent être simulés directement dans PTL. Je présenterai certaines propriétés intéressantes de PTL, notamment (1) le fait qu’il y a des formules de PTL qui ne peuvent pas être exprimées comme des conditionnels KLM, et (2) le fait que PTL nous permet de simuler la révision de croyances à la AGM directement dans le langage objet. Cela fait de PTL un formalisme à la fois simple et suffisamment puissant pour servir de framework dans lequel analyser des approches pour le raisonnement non monotone en logique propositionnelle. Je finirai avec une discussion à propos de différentes notions de conséquence logique non monotones dans le cadre de PTL et j’en proposerai trois candidates appropriées.
Pour plus de détails : https://arxiv.org/abs/1809.10946
Séminaire Calcul heuristique de sous-groupes intéressants dans des données étiquetées
Jean-François Boulicaut Equipe DM2L, LIRIS, UMR CNRS 5205 INSA de Lyon
Depuis une vingtaine d’années, nous travaillons au LIRIS à la fouille de nombreux types de données (matrices ou tenseurs, séquences d’événements, graphes éventuellement attribués et/ou dynamiques) pour le calcul efficace de collections de motifs (ensembles d’entités, séquences, sous-arbres ou sous-graphes) qui satisfont des types de contraintes variés et donc non limitées à la classique fréquence minimale. Nous avons une expertise spécifique sur le développement d’algorithmes génériques exhaustifs : tous les motifs qui satisfont les contraintes, et eux seulement, sont retournés. La généricité vient de l’exploitation des propriétés des contraintes pour obtenir des énumérations complètes faisables.
Plus récemment, nous nous sommes intéressés à la fouille de données étiquetées. Par exemple, la découverte de sous-groupes consiste à calculer des motifs qui caractérisent des sous-ensembles d’objets ayant une répartition des valeurs de classes remarquables. La découverte de sous-groupes est très souvent hors d’atteinte des méthodes exhaustives et dans ce séminaire, nous voulons présenter deux des résultats récemment obtenus au cours des études doctorales de Guillaume Bosc et Romain Mathonat sous les directions de Mehdi Kaytoue et de moi-même.
Nous présentons d’abord un travail sur la découverte de sous-groupes à partir de données séquentielles (séquences d’itemsets) par échantillonnage puis optimisation locale. C’est une démarche heuristique plutôt facile à mettre en oeuvre mais qui ne donne pas lieu à des garanties sur la qualité des solutions retournées. Nos premiers résultats vont être publiés dans (1) où nous nous comparons à des méthodes de référence comme les recherches en faisceau. Nous présentons ensuite un travail plus mature (2, 3) sur la découverte de sous-groupes dans des données transactionnelles (itemsets). Nous avons proposé un cadre générique qui vise à améliorer la qualité des sous-groupes calculés et notamment la diversité avec des garanties. Nous exploitons une technique basée sur les arbres de recherche de Monte Carlo développés en intelligence artificielle pour le contexte des jeux à deux joueurs. Nos résultats expérimentaux sont très intéressants. Cependant, l’extension de l’approche vers d’autres types de données reste un problème ouvert et a priori difficile.
(1) R. Mathonat, J-F. Boulicaut, M. Kaytoue. Découverte de sous-groupes pour données séquentielles : échantillonnage et optimisation locale, Actes Extraction et Gestion de Connaissances EGC 2019, Metz (F), janvier 2019, 12 pages, In Press.
(2) G. Bosc, J-F. Boulicaut, C. Raïssi, M. Kaytoue. Découverte de sous-groupes avec les arbres de recherche de Monte Carlo. Actes Extraction et Gestion de Connaissances EGC 2017, janvier 2017, Grenoble (F). pp. 273-284.
(3) G. Bosc, J-F. Boulicaut, C. Raïssi, M. Kaytoue. Anytime Discovery of a Diverse Set of Patterns with Monte Carlo Tree Search. Data Mining and Knowledge Discovery 32(3):604-650, 2018, Springer.
Séminaire Raisonnement qualitatif à base de relations binaires hétérogènes / Algorithmes pour jouer et apprendre à jouer aux jeux à information parfaite
**Quentin Cohen-Solal **
Dans une première partie, je présenterai les travaux de ma thèse qui se focalisent sur les formalismes qualitatifs (le raisonnement à base de relations qualitatives) dans le cadre du raisonnement (temporel) multi-échelle, du raisonnement spatio-temporel et des combinaisons de formalismes. J’exposerai les différentes formalisations effectuées (raisonner avec des points et des intervalles à différentes échelles de temps, raisonner avec des régions mobiles dont la taille est constante au cours du temps, …), mes résultats de NP-complétude concernant la décision de la cohérence dans certains de ces contextes, le cadre formel que j’ai développé, unifiant les raisonnements multi-échelles, spatio-temporels et combinés, permettant d’identifier des fragments traitables, ainsi que les résultats de complexité polynomiale qui en découlent.Dans une seconde et plus courte partie, je présenterai l’état courant de mes travaux récents sur les algorithmes de jeux et l’apprentissage d’heuristiques sans utilisation de connaissances (autres que les règles du jeu) ainsi que les perspectives de recherche associées.
Séminaire Fouille de Motifs Graduels Fermés Fréquents Sous Contrainte de la Temporalité
Jerry Lonlac - CRIL CNRS UMR 8188
Les motifs graduels qui capturent les corrélations d’ordre de la forme “plus/moins X, plus/moins Y” jouent un rôle primordial dans plusieurs applications du monde réel où le volume de données numériques à gérer est important, c’est le cas de données biologiques, ou de données médicales. La fouille de motifs graduels a pour but la découverte de co-variations simultanées fréquentes entre attributs numériques dans une base de données.
Dans cet exposé, Je commencerai par dresser un état de l’art des approches existantes d’extraction de motifs graduels. Je présenterai ensuite une nouvelle approche permettant d’extraire ces motifs dans des bases de données dont les objets sont munis d’une
contrainte d’ordre temporel. Je terminerai en montrant l’intérêt de l’approche proposée à travers des connaissances apportées par les motifs graduels fermés fréquents extraits des données paléoécologique.
Séminaire Les implications juridiques et éthiques du développement de l'intelligence artificielle
Nathalie Nevejans (Université d’Artois)
Depuis plusieurs années, les progrès de l’intelligence artificielle sont prodigieux. Ses impacts en termes économiques, sociaux, juridiques et éthiques sont considérables… et pourtant souvent méconnus, spécialement concernant ses implications juridiques et éthiques.
Les systèmes autonomes ont attiré l’attention du législateur européen, comme en témoigne la Résolution européenne sur les règles de droit civil sur la robotique du 16 février 2017. Sous prétexte de régler les problèmes de responsabilité en cas de dommage causé par un tel système, ce texte suscite plus de difficultés qu’il n’en résout, et fait surtout craindre que l’on finisse par considérer les agents autonomes comme des personnes d’un point de vue juridique. Pourtant, les véritables questions de fond à se poser aujourd’hui en IA ne sont pas celles concernant la responsabilité. En réalité, ce sont surtout les problématiques éthiques qu’elle génère qui imposent une profonde réflexion. A côté des difficultés liées à la confiance dans les algorithmes, ce sont peut-être surtout les usages qui méritent une grande attention. En effet, le développement de l’IA risque d’impacter les droits humains. Que restera-t-il de notre société fondée sur les droits de l’homme si les machines que nous utilisons nous traitent de manière inhumaine ? Quelle éthique en IA ? Les solutions existent-elles déjà ou doivent-elles être inventées ?
Les scientifiques ne peuvent pas ignorer ces interrogations fondamentales, car ce sont eux qui sont au cœur de ces technologies.
Nathalie Nevejans:
Nathalie Nevejans est maître de conférences en droit privé à l’Université d’Artois, habilitée à diriger les recherches (HDR), et membre du Comité d’éthique du CNRS (COMETS). Auteure de nombreux articles, participant à des manifestations provenant tant du monde académique que du secteur industriel, elle est l’une des rares spécialistes en France du droit et de l’éthique de la robotique, de l’intelligence artificielle et des technologies émergentes. Elle est aussi membre du Centre de recherche Droit, Ethique et Procédures (EA n° 2471), ainsi que de l’Institut pour l’Etude des Relations Hommes-Robots (IERHR). Son livre « Traité de droit et d’éthique de la robotique civile », LEH éditions (1232 pages) est paru en 2017.