Le prochain séminaire LISIC sera donné par Romain Orhand, EC contractuel à l’Université de Strasbourg, le jeudi 21 mars 2024 à 14h00 en visio.
Titre :
Vers une Intelligence Artificielle Autonome et Explicable pour des Environnements Incertains
Résumé :
Les tâches à résoudre par les intelligences artificielles, et plus particulièrement par les algorithmes d’apprentissage automatique, sont de plus en plus complexes : ils doivent pouvoir s’adapter et co-évoluer en autonomie avec des environnements complexes, changeants et incertains qui sont à l’image de nos environnements quotidiens. Dans le même temps, il est de plus en plus nécessaire de pouvoir expliquer les comportements de ces algorithmes, ceux-ci pouvant être amenés à prendre des décisions critiques dans des situations qui peuvent profondément impacter la vie d’un individu. Pour répondre à ce double objectif, les concepts d’autonomie et d’explicabilité des intelligences artificielles, ainsi que d’incertitude environnementale, ont été cadrés afin de guider nos choix de conception d’une intelligence artificielle d’abord vers un algorithme d’apprentissage automatique intrinsèquement explicable comme les approches à base de règles, puis vers les systèmes de classeurs à anticipation. Nous avons alors mis en place de nouveaux systèmes de classeurs à anticipation dont le but était de renforcer leurs capacités à évoluer en autonomie et de manière explicable dans des environnements incertains.
Bio:
Après l’obtention d’un diplôme d’ingénieur à TELECOM Nancy et un parcours en entreprise en tant que consultant Recherche Développement et Innovation, j’ai effectué une thèse portant sur la conception d’une intelligence artificielle autonome et explicable pour des environnements incertains au sein d’ICube et de l’Université de Strasbourg. Mes activités de recherche font suite à mes travaux de thèse et s’articulent aujourd’hui autour de trois axes se complétant mutuellement : l’apprentissage par renforcement comme vecteur d’autonomie des modèles d’apprentissage automatique ; l’explicabilité des intelligences artificielles afin d’assurer l’intelligibilité de ces modèles ; et enfin, un dernier axe plus technique qui traite d’une utilisation pratique de modèles d’apprentissage automatique par renforcement explicables afin de résoudre des problèmes d’apprentissage.
