Laboratoire Interdisciplinaire des Sciences du Numérique

RECAF aborde de manière originale une question clé de la biologie évolutive : comment le sexe façonne-t-il la diversité génétique ? La reproduction sexuée par le biais de la méiose crée de la variation génétique, mais de nombreuses espèces ont tendance à se reproduire de manière asexuée. En fait, la plupart des organismes unicellulaires, peuvent alterner entre reproduction sexuée et asexuée en fonction du stress environnemental et de la disponibilité des nutriments. Cependant, nous ignorons toujours comment cet équilibre influence les résultats de l'évolution. Je propose d'explorer le rôle du caractère facultatif du sexe, qui permet aux organismes de passer d'un mode de reproduction à l'autre. Mon hypothèse est que la fréquence de la reproduction sexuelle - connue sous le nom de « fréquence méiotique » - est cruciale pour façonner la diversité génétique, en particulier lorsque les taux de recombinaison et les pressions de sélection varient. En utilisant S. cerevisiae, une espèce sexuée facultative où la méiose ne se produit qu'une fois toutes les 50 000 générations, RECAF étudiera comment la recombinaison, la sélection et la conversion génétique biaisée vers GC façonnent la diversité génomique. Le projet remettra en question les modèles actuels de génétique des populations et offrira de nouvelles perspectives sur la manière dont les stratégies de reproduction et la structure génétique influencent l'évolution. RECAF combinera des modèles théoriques, l'apprentissage automatique et la bio-informatique pour découvrir comment le sexe et la liaison génétique agissent sur la diversité. RECAF permettra d'approfondir notre compréhension de l'évolution et d'améliorer les prévisions relatives à la diversité génétique en cas de changements environnementaux. Les résultats permettront également d'élaborer des stratégies de conservation pour les espèces menacées, contribuant ainsi à la gestion de la biodiversité et à la viabilité à long terme des populations.

L'objectif du projet EQUATION est de proposer des approches interprétables et robustes pour générer des réponses à partir de questions sur des documents complexes multimodaux. Nous travaillerons sur des systèmes capables de traiter conjointement du texte et des images, en particulier en travaillant sur des diagrammes, des schémas, des frises chronologiques, des tableaux et du texte. Pour l'interprétabilité ou l'explicabilité des modèles, nous poursuivons un objectif double. Pour les utilisateurs du système, il s'agit d'améliorer la compréhension du raisonnement du modèle, ce qui leur permet d'évaluer la fiabilité d'une réponse et donc de renforcer la confiance dans le système. Par exemple, en décrivant les implications successives ou en indiquant les ressources utilisées pour produire la réponse. Pour les chercheurs, il s'agit de découvrir les processus internes du modèle pour rendre ces systèmes plus robustes ou performants. Les travaux envisagés se découperont en deux étapes. La première consistant en la création d'un corpus multi-modale, en partant de ressources scolaires (livres scolaires) mais aussi de données encyclopédiques provenant de Wikipedia. L'étape suivante sera consacrée à l'explicabilité des modèles dans les systèmes de question-réponses. À cette fin, nous explorerons les problèmes d'hallucination (génération d'un contenu erroné), le problème de la source (quelle information est exploitée par le modèle pour produire une réponse), et la question de la robustesse (changements dans la réponse générée lors d'un changement non sémantique dans l'invite ou la question). Un autre objectif sera de rassembler des chercheurs du LISN autour des problématiques de l'apprentissage multimodal et de l'explicabilité des grands modèles de langue.

Les journalistes doivent souvent analyser des quantités massives de données numériques, par exemple, des dizaines de milliers de fichiers (textes, feuilles de calcul, etc.), pour comprendre ce que contiennent les données et en tirer des enseignements (comme pour les Paradise Papers). Actuellement, plusieurs systèmes doivent être utilisés, et les techniques de l’état de l’art sont spécifiques à un seul modèle de données. L'exploitation de plusieurs jeux de données soulève des problèmes d'extraction d'information et de passage à l'échelle. Le projet TopOL (Top of the lake) vise à aider ces utilisateurs sans compétences techniques à explorer et analyser un grand nombre de jeux de données hétérogènes. En répondant à des requêtes en langage naturel, TopOL renverra des entités (des objets complexes et structurés), avec leurs relations, en reflétant les intérêts de l'utilisateur. Nous utiliserons des graphes au niveau conceptuel et logique, ainsi que de l'extraction d'information basée sur des modèles de langage, pour montrer les données sous forme d'entités et de relations. Lors de l'ingestion dans le lac de données, les jeux de données seront automatiquement profilés, organisés et regroupés en fonction des connexions et de leurs similitudes. A l'exploration, les entités et les relations seront récupérées à partir des sources du lac de données et classées en fonction des intérêts de l'utilisateur. Des étapes d'exploration seront recommandées : parcourir une relation, élargir ou restreindre un ensemble d'entités, montrer des motifs inattendus dans les données, etc. Nous mettrons en place un cluster pour héberger les jeux de données et tester nos algorithmes, et aborderons les problèmes de passage à l'échelle. Les cas d'utilisation viseront les journalistes. Le Consortium international des journalistes d'investigation accepte de partager avec nous certains jeux de données. Le résultat de TopOL comprendra du code et des modèles ouverts, ainsi que des jeux de données.

La majorité des personnes sourdes rencontrent des difficultés en lecture et en écriture, ce qui limite leur accès à de nombreuses technologies numériques, telles que la recherche de contenu, la traduction automatique, les assistants vocaux et les chatbots. Pour remédier à cette problématique, le projet GestToSay développera des méthodes d’analyse multimodale vidéo-texte spécifiquement adaptées aux langues visuo-gestuelles, comme la Langue des Signes Française (LSF). Plus précisément, le projet se concentrera sur la reconnaissance et la traduction des gestes linguistiques (capturés par des webcams standard ou des appareils mobiles) en texte, en mettant l’accent sur l’apprentissage des représentations et les modèles neuronaux. Les méthodes neuronales employées, généralement basées sur des architectures de type Transformers, nécessitent de grandes quantités de données, qui font actuellement défaut en France. Une partie du projet sera donc consacrée à la collecte de données gestuelles selon deux approches principales : l’annotation automatique de données audiovisuelles traduites et la collecte de gestes via une plateforme interactive. Une plateforme web interactive sera développée dans le cadre du projet pour faciliter cette collecte de données. Elle permettra notamment d’enregistrer des signes isolés (unités lexicales en LSF) et de courtes expressions, mais aussi de les traduire en texte. De plus, elle offrira la possibilité de rechercher des exemples de signes dans différents contextes et de naviguer dans une collection de signes. Enfin, cette plateforme web sera évaluée à travers des expériences utilisateurs utilisant des méthodes quantitatives et qualitatives, fournissant ainsi des retours précieux pour orienter les choix de conception.

Ce projet de recherche porte sur un sujet d'importance à la fois théorique et pratique : les algorithmes de graphes à la fois distribués et dynamiques. Une longue série de travaux sur les algorithmes de graphes distribués étudie la résolution de problèmes sur des graphes statiques, par exemple la construction d'un arbre couvrant ou d'une coloration des sommets. La théorie des algorithmes de graphes dynamiques étudie quant à elle des structures de données permettant de maintenir des constructions similaires dans des graphes qui évoluent avec le temps, mais de manière centralisée. Notre but est de développer une théorie des algorithmes ayant les deux caractéristiques à la fois : être distribué et être utilisable dans un contexte dynamique.

La magnétohydrodynamique (MHD) étudie les interactions entre les fluides électriquement conducteurs et les champs magnétiques, essentielles pour des applications industrielles et la compréhension de phénomènes comme l'effet dynamo (DyE). Ce dernier implique l'amplification de bruits magnétiques dans des fluides turbulents, comme dans les étoiles ou les noyaux planétaires, ce qui le rend rare et complexe à reproduire. Seules trois expériences, dont celle de Cadarache en France, ont réussi à obtenir un DyE avec du sodium liquide. L'expérience DRESDYN en cours en Allemagne vise à reproduire le DyE à l'aide d'un cylindre en précession. La simulation du DyE est difficile en raison du couplage non linéaire entre les équations de Navier-Stokes et l'équation d'induction, rendant les simulations numériques directes (DNS) très coûteuses en temps calcul. Les modèles réduits (ROM) sont utiles pour simplifier ces simulations, tandis que l'apprentissage automatique (ML) présente un potentiel pour traiter les dynamiques à haute dimension, bien que la capture des événements rares reste un défi. L'assimilation de données (DA) avec ML devient plus accessible, notamment grâce à la plateforme TorchDA. MilaDy vise à faire progresser la recherche en MHD avec deux objectifs principaux : (i) Étudier les inversions de champ magnétique et les phénomènes de dynamo « explosive » grâce à des méthodes basées sur les données pour identifier les caractéristiques clés et développer des ROMs qui reproduisent les dynamiques observées. Le projet étudie si le ML peut améliorer la compréhension des inversions magnétiques et créer des modèles plus rapides qui identifient les phases comme le précurseur, l'inversion et le rebond. (ii) Optimiser le dispositif DRESDYN avec des ROMs paramétriques pour explorer les conditions du DyE, telles que les ratios de fréquences précession/rotation. Les ROMs permettent une exploration efficace des paramètres, aidant les expérimentateurs à gérer ces systèmes complexes.

Artificial intelligence is a pervasive and ubiquitous technology, with fast developments and ever-growing applicative horizons. While achieving outstanding results, estimating the decisions’ reliability is a critical and open problem with strategic outcomes: from estimating uncertainty in numerical simulations to harnessing system reactions in open environments. Uncertainties both in input data and model output should be handled to increase the confidence in AI applications : physics-based models, edge computing, data frugal approaches, interactions with humans, with many applications in energy, climate change adaptation, bioinformatics, engineering, fundamental and material science,… DeMythif.IA is an international doctoral training and career development program driven by UPSaclay, and its 19 research and industrial partners supported by thematic networks to enhance the scientific excellence and career development of 30 PhD fellows in Greater Paris area. The program focuses on 3 interdisciplinary scientific axes 1) handling uncertainties on data and model and quantifying uncertainties on the predictions, 2) managing explainability, so that the trained model outcome can be trusted and explained to a human, and 3) encouraging frugality, both in term of labelled data and energy for training, so that real-life applications (as opposed to proofs-of-concept) emerge. The fellows will benefit from world-class scientific programs, quality supervision and industrial secondments and also from personalized career development activities and transferable skills training (interpersonal, communication, digital, entrepreneurship, open science, gender, ethics). DeMythif.AI’s strength lies in its diversity permitting to fine-tune the content offered to the fellows from a professional perspective. It ultimately allows concretizing dynamic research collaborations and developing strong synergies around the academic and industrial community, opening new perspectives beyond the project.

MANOLO will deliver a complete stack of trustworthy algorithms and tools to help AI systems reach better efficiency and seamless optimization in their operations, resources and data required to train, deploy and run high-quality and lighter AI models in both centralised and cloud-edge distributed environments. It will push the state of the art in the development of a collection of complementary algorithms for training, understanding, compressing and optimising machine learning models by advancing research in the areas of: model compression, meta-learning (few-shot learning), domain adaptation, frugal neural network search and growth and neuromorphic models. Novel dynamic algorithms for data/energy efficient and policy-compliance allocation of AI tasks to assets and resources in the cloud-edge continuum will be designed, allowing for trustworthy widespread deployment. To support these activities a data management framework for distributed tracking of assets and their provenance (data, models, algorithms) and a benchmark system to monitor, evaluate and compare new AI algorithms and model deployments will be developed. Trustworthiness evaluation mechanisms will be embedded at its core for explainability, robustness and security of models while using the Z-Inspection methodology for TrustworthyAI assesment, helping AI systems conform to the new AI Act regulation. MANOLO will be deployed as a toolset and tested in lab environments via Use Cases with different distributed AI paradigms within cloud-edge continuum settings; it will be validated in verticals such as health, manufacturing, and telecommunications aligned with ADRA identified market opportunities, and with a granular set of embedded devices covering robotics, smartphones, IoT as well as using Neuromorphic chips. MANOLO will integrate with ongoing projects at EU level developing the next operating system for cloud-edge continuum, while promoting its sustainability via the AI-on-demand platform and EU portals.

Le projet FIDD répond aux défis contemporains de la fouille de données et de l'IA. Avec l'explosion de la génération de données dans divers domaines, la demande croissante d'approches interactives centrées sur l'utilisateur devient impérative. Les méthodes traditionnelles présentent des limites pour suivre l'évolution des besoins des utilisateurs et l'adaptation aux environnements dynamiques. Elles utilisent généralement trois approches pour gérer les contraintes des utilisateurs : le prétraitement, l'intégration des filtrages et le post-traitement. La programmation par contraintes (CP) est une solution déclarative qui peut s'avérer complexe à mettre en œuvre et exige des compétences d'analyste. De plus, la modélisation manuelle des contraintes est un défi ardu. Une réponse à ce défi émerge dans le domaine en pleine expansion de l'Acquisition de Contraintes (AC), qui se concentre sur l'acquisition directe des contraintes à partir des données. La fouille interactive révolutionne les méthodes traditionnelles en introduisant une approche itérative composée de l'extraction de motifs, de l'interaction avec les utilisateurs pour façonner le processus et de l'apprentissage des préférences des utilisateurs pour guider la recherche. Cependant, les méthodes actuelles comportent des limitations, notamment l'utilisation de descripteurs indépendants et les défis posés par l'hétérogénéité et la nature dynamique des données. Ainsi, une approche itérative et déclarative est indispensable pour relever ces défis. En réponse, FIDD intègre des techniques avancées de fouille de données basée sur les contraintes, d'acquisition de contraintes, d'apprentissage automatique et de fouille interactive des données, visant à fournir un cadre complet et unifié capable de s'adapter aux besoins évolutifs des utilisateurs, d'extraire efficacement des motifs à partir des données et d'améliorer continuellement ses performances grâce aux retours des utilisateurs et à la révision déclarative du modèle.

Le traitement automatique des conversations humaines pose d'importants défis en raison de leur nature multimodale et dynamique. Le projet MINERAL vise à améliorer la compréhension des situations conversationnelles en abordant des problématiques clés : exploiter les indices non verbaux, intégrer l'ancrage sémantique et comprendre la structure discursive dynamique. Situé à l'intersection des modalités textuelles, audio et visuelles, le projet MINERAL s'appuie sur des travaux sur la compréhension de conversations tout en se concentrant sur le domaine largement inexploré de l'analyse conversationnelle multimodale. En exploitant des ensembles de données incluant des données télévisuelles, des réunions multipartites, des enregistrements anonymisés de centres d'appels d'Orange, ainsi qu'un jeu de données axé sur le développement socio-cognitif des enfants, le premier objectif du projet MINERAL consiste à développer des modèles capables d'effectuer des analyses contextuelles multimodales sémantiques, discursives et pragmatiques des conversations humaines à plusieurs participants. Pour aborder la conversation dans sa globalité, nous commencerons par caractériser les actes de communication, c'est-à-dire les plus petites unités de communication au sein de la conversation, qui peuvent être verbales ou non verbales, puis étudier la structure communicative, à savoir les relations entre les actes de communication. Pour évaluer l'efficacité de ces modèles, le deuxième objectif du projet consistera à générer automatiquement un script (sur le modèle de script de film) décrivant le contenu d'une conversation en tenant compte des dimensions sémantiques, discursives et pragmatiques. Nous prévoyons d'évaluer la capacité de généralisation de nos modèles dans différents cas d'utilisation, qu'ils soient industriels (résumé de réunion) ou académiques, grâce à la recherche sur le développement socio-cognitif des enfants.

La conception d'artefacts, tels qu'un site web destiné à communiquer sur la pénurie d'eau ou une interface utilisateur pour une application permettant de visualiser des images de galaxies sur un mur d'écrans, fait appel à de multiples sources d'information qui nécessitent une grande surface d'affichage et des équipes pluridisciplinaires pour les concevoir. Nous étudierons comment améliorer de telles activités de conception en utilisant des écosystèmes d'affichage interactifs qui permettent la conception collaborative sur des sites distribués, en s’adaptant à leurs capacités techniques. Ces écosystèmes vont combiner des écrans affichant de grandes quantités d’informations pour la collaboration colocalisée (murs d'images, tables et environnements d'affichage mixtes) avec des technologies plus légères pour les participants distants (casque de réalité augmentée ou ordinateur de bureau). Nous avons identifié des cas d'usage d'équipes multidisciplinaires réparties sur différents sites pour nous aider à aborder des questions théoriques et conceptuelles autour (i) des moyens que les écosystèmes d'affichage doivent fournir, en termes d'interaction et d'indices de sensibilisation, lors de la conception avec de tels écosystèmes mais aussi pour ces écosystèmes ; (ii) la collaboration distribuée à long terme dans de tels environnements ; (iii) le suivi et la communication de mesures de la qualité de la collaboration, qui doivent être suffisamment flexibles pour s'adapter à différents contextes de collaboration dans le monde réel.

En situations critiques, les opérateurs doivent poser des diagnostics provisoires sur la base d'informations partielles et incertaines pour prendre des décisions. Ce contexte est propice aux « erreurs de fixation », c’est-à-dire le fait de ne pas mettre à jour l'évaluation d'une situation ou de persister dans un plan d'action qui n'est plus approprié. Ces erreurs sont une cause majeure d'événements indésirables et d'accidents dans les domaines de la santé et de l'aviation commerciale. Le projet IDEFIX a pour objectif d'étudier l'apport de l'Intelligence Artificielle et de la Réalité Virtuelle & Augmentée pour aider les opérateurs en situation critique, comme des pilotes d'avion ou des professionnels de santé, à détecter ces erreurs de fixation et à développer des stratégies pour les prévenir et minimiser leur impact. Pour ce faire, nous allons étudier le comportement de pilotes et de soignants dans des environnements simulés, construire une représentation en logique formelle de la situation, développer un assistant informatique capable de d’identifier de possibles erreurs de fixation et mesurer l’impact de l’utilisation de ce dispositif sur la performance des opérateurs. Nous utilisons donc une approche pluridisciplinaire qui combine des recherches en sciences humaines (facteurs humains et psychologie cognitive) et en informatique (intelligence artificielle, interaction humain-machine, réalité virtuelle pour la formation). Nos contributions en SHS portent sur la compréhension des mécanismes d'apparition des erreurs de fixation, à partir d'études terrain. Nos contributions en informatique portent sur la conception d'un modèle formel de diagnostic de l'erreur humaine et son utilisation dans un contexte de formation en réalité virtuelle et augmentée. Ce projet a pour objectif de contribuer à augmenter la sécurité dans les domaines de l’aviation et de la santé.