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 dont la thématique de recherche fédératrice concerne l'intelligence artificielle et ses applications. Il regroupe plus de 50 membres : chercheurs, enseignants-chercheurs, doctorants et personnels administratifs et techniques.
Le CRIL participe à la Confédération Européenne de Laboratoires en Intelligence Artificielle CLAIRE et à l'alliance régionale humAIn. Il bénéficie du soutien du Ministère de l’Enseignement Supérieur et de la Recherche, du CNRS, de l’Université d’Artois et de la région Hauts de France.
Le CRIL est localisé sur deux sites à Lens : la faculté des sciences Jean Perrin et l’IUT.
Recherches en intelligence artificielle et applications
Actualités (RSS)
Séminaire Éléments d’informatique quantique
Mouny Samy Modeliar
Depuis les années 90, des algorithmes comme celui de Peter Shor [Shor, 1997] ont permis de réaliser le gain substantiel que représenterait la réalisation d’un ordinateur quantique. Dès lors, de grandes entreprises et certains états ont mobilisé de nombreux moyens pour y parvenir. Parallèlement, une recherche très active se développe dans cette éventualité. Tour à tour, les différentes communautés scientifiques s’emparent de ces outils. La communauté RO organise des écoles d’été en lien avec de nouveaux masters (Sorbonne, Master parcours IQ), des liens très forts sont développés en géométrie algébrique [Jaffali, 2020] et des articles comme celui de Montanaro sur le backtracking quantique [Montanaro, 2016] amènent la réflexion à maturité, notamment pour SAT et CSP. Cet exposé est basé sur [Mermin, 2020, Jaffali, 2020, Perdrix, ] et l’école thématique de Montpellier (2-5 novembre 2021). Nous nous intéresserons à la notion de bit quantique, d’intrication et aux particularités des algorithmes quantiques pour la communauté SAT et CSP. Enfin, nous évoquerons quelques perspectives de recherche dans le domaine du ≪ Machine Learning Quantique (QML) ≫.
[Jaffali, 2020] Jaffali, H. (2020). Étude de l’Intrication dans les Algorithmes Quantiques : Approche Géométrique et Outils Dérivés. PhD thesis. 2020UBFCA017.
[Mermin, 2020] Mermin, D. (2020). Calculs et algorithmes quantiques. Number 978-2-271-07017-3. EDP Sciences, cnrs editions edition.
[Montanaro, 2016] Montanaro, A. (2016). Quantum walk speedup of backtracking algorithms.
[Perdrix, ] Perdrix, S. Pépites algorithmiques - informatique quantique.
[Shor, 1997] Shor, P. W. (1997). Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer. SIAM Journal on Computing, 26(5) :1484–1509.
Séminaire Vers des Classifieurs d'images Ontologiquement Explicables
Mourad Bouneffa, Grégory Bourguin, Arnaud Lewandowski et Adeel Ahmad - LISIC, Université du Littoral Côte d’Opale
Depuis presque deux ans l’équipe SysReIC du LISIC a entrepris des travaux de recherche concernant la problématique de l’eXplicabilité des IA avec une approche orientée vers la prise en compte de la terminologie des utilisateurs qui sont souvent des experts d’un domaine donné. Issus des domaines du Génie Logiciel (GL), des Interactions Homme-Machine (IHM) et de l’Ingénierie des Connaissances (IC), les membres de l’équipe SysReIC ont adopté une démarche de mise en œuvre de l’explicabilité mobilisant les savoir-faire et connaissances acquis dans leurs domaines d’origine. Le travail exposé dans ce séminaire entre dans ce cadre en proposant un début de réponse au besoin d’explicabilité́ des IA qui utilisent l’Apprentissage Profond (AP). SysReIC explore les apports et la faisabilité́ d’un processus de création de classifieurs explicables basés sur des ontologies. La démarche est illustrée par l’utilisation de l’ontologie des Pizzas pour créer un classifieur d’images qui fournit des explications visuelles impliquant une sélection de features ontologiques. Elle propose une implémentation en complétant un modèle d’AP avec des tenseurs ontologiques générés à partir de l’ontologie elle-même exprimée avec la Logique de Description. Cela peut en quelque sorte s’assimiler à l’hybridation de modèles d’IA symbolique (logique de description) et d’apprentissage statistique.
Evolution de la structure en axes du CRIL
La structure du CRIL évolue pour passer de deux axes à trois axes.
Un nouvel axe centré sur la notion de données est créé.
Les deux axes historiques du laboratoire centrés sur les notions de connaissances et de contraintes sont conservés.
Les axes du laboratoire deviennent donc :
données
apprentissage, traitements et interrogation de données
connaissances
représentation des connaissances et raisonnements
contraintes
modélisation et résolution de problèmes sous contraintes
La nouvelle structure sera mise en place progressivement en 2022.
Séminaire Enjeux liés aux ressources termino-ontologiques en santé
Fleur Mougin - Université de Bordeaux
On recense un nombre important de ressources termino-ontologiques (RTOs ) en santé, qui sont non seulement volumineuses mais aussi de différents types (classifications, thésaurus, ontologies…). Dans ce séminaire, je décrirai les enjeux liés à l’utilisation des RTOs en santé et j’aborderai plus précisément trois problématiques : l’évaluation de la qualité des RTOs biomédicales, leur interopérabilité sémantique et la conception de nouvelles RTOs.
Séminaire Deep learning appliqué à la génération de matériaux
Arthur Klipfel - Univ Artois
La recherche et développement est un processus particulièrement long et coûteux en science des matériaux. Pour pouvoir l’accélérer, le machine learning est déjà très utilisé pour des tâches de modélisation et de génération. Cependant, même si les techniques utilisant des réseaux de neurones profonds ont déjà fait la preuve de leurs capacités pour les problèmes de classifications en chimie, peu de modèles génératifs convaincants existent. Mais quelles sont les contraintes spécifiques de la génération de matériaux? Comment représenter ces matériaux? Quelles sont les problématiques de recherche actuelles ? Le but de la présentation sera d’explorer les solutions basées sur les Graph Neural Network, de la justification de ce choix d’architecture aux possibilités qu’ils offrent en passant par les résultats déjà connus.