Informatique, BioInformatique, Systèmes Complexes

Le surrisque des usagers de deux-roues motorisés (2RM) est toujours très important : le risque d’être tué pour un conducteur de 2RM est 22 fois plus élevé que celui d’un conducteur de véhicules de tourisme. Hors agglomération, les motocyclistes décèdent en courbe dans 49 % des cas. Lors de la prise de virage, les conducteurs alternent entre des prises d’informations visuelles de court terme pour le contrôle de la trajectoire et l’anticipation des aléas dans l’environnement routier. Du fait de la dynamique complexe des 2RM toute perte de stabilité liée à une manœuvre d’urgence peut entraîner une perte de contrôle et conduire à un accident. Le passage des conducteurs aux 2RM électriques pose des questions de sécurité routière liées à la modification de la signature sonore et à la modification de la dynamique du véhicule. L’absence de bruit entraîne une difficulté supplémentaire pour apprécier sa vitesse à l’approche d’un virage ou une distraction supplémentaire du fait de regards plus fréquents sur l’afficheur de vitesse, ces deux points rendant le contrôle de la trajectoire plus complexe. La dynamique des propulsions électriques, différente de celle des propulsions thermiques avec des couples très importants dès les faibles régimes moteur, est problématique lors des phases de réaccélérations en sortie de virage, et lors de manœuvres à basse vitesse, comme par exemple le démarrage au feu et la réalisation d’une manœuvre de tourner à droite. Dans ces deux cas il y a des risques de perte d’adhérence et donc de trajectoire. Ces éléments sont défavorables pour la sécurité routière. Le projet eMC2 propose de combler les lacunes sur la connaissance des difficultés rencontrées par les conducteurs de 2RMs électriques en les comparant à celles rencontrées par les usagers de 2RMs thermiques. Sur la base des résultats acquis le projet ambitionne de proposer un ensemble de mesures d’accompagnement pour un passage « sûr » des conducteurs des 2RM thermiques aux 2RM électriques.

La qualité audio est une caractéristique importante qui transporte une information intrinsèque sur le procédé de création d'une oeuvre musicale depuis son enregistrement jusqu'au mastering en studio. Récemment, nous avons proposé une méthode innovante permettant de détecter la liste d'effets appliqués à un signal ainsi que la décennie de création d'une oeuvre. Ainsi, le projet AQUA-RIUS vise une étude exhaustive de la qualité audio avec une méthodologie d'apprentissage profond à travers 3 questions scientifiques: 1) l'analyse et la modélisation de la qualité audio, 2 )la simulation de la qualité audio pour l'augmentation de données dans un cadre d'apprentissage machine pour améliorer la robustesse des modèles entraînés et 3) l'ingénierie inverse pour permettre la restauration de signaux et le contrôle de la qualité audio. L'expertise en traitement du signal et en apprentissage profond des 3 partenaires du projet (IBISC, IRCAM, Telecom Paris) est le principal atout de ce projet.

Animé par un consortium transdisciplinaire (informatique, interaction humain-machine, mécanique, mathématiques, philosophie, psychologie, physiologie, médecine), le projet MASTERS a pour but de concevoir des méthodes pédagogiques innovantes destinées aux forces de l’ordre. Ces méthodes visent à les aider à garder une bonne maîtrise d’eux-mêmes en toutes circonstances, y compris lorsqu’ils sont soumis à de fortes contraintes et à un stress intense (d’origine psychologique, sociale, etc.) attachés à des contextes dynamiques difficiles. L’approche proposée s’appuiera sur des analyses de terrain et sur le développement de deux environnements virtuels de formation, lesquels répliqueront des situations socio-émotionnelles qui seront soumises à une scénarisation personnalisée et sujettes à une adaptation dynamique. Le premier environnement visera à entraîner la flexibilité attentionnelle ; le second, la maîtrise de soi via des scènes réalistes en zones urbaines et des interactions multimodales avec "l’autre". Ces environnements, aux caractéristiques paramétrables (à travers les différentes modalités d’incarnation de "l’autre", et les possibilités d’ajustement des niveaux de difficulté, d’ajout de stresseurs, et de feedbacks multimodaux, etc.), s’adapteront aux besoins des apprenants grâce à l’usage de signaux psychophysiologiques en temps-réel. Les modélisations effectuées et l’évaluation des apprentissages permettront de proposer des recommandations pour améliorer les formations existantes et la conception des dispositifs de formation immersifs, adaptatifs et multimodaux.

La pandémie de Covid-19, en réduisant les échanges physiques, a entraîné des pics inédits en matière d’usages numériques et d’atteintes à la sécurité des données. L'internet des objets, le big data, la mobilité et le télétravail amplifient les risques en terme de cybersécurité. La santé et la Défense présentent des similitudes de contraintes et d'usages digitaux dont le besoin d'assurer la fiabilité et la confidentialité des données. Par une approche transversale (enjeux cognitifs, sociaux, techniques, éthiques et juridiques) de la sécurisation, de la conception jusqu’aux usages, notre objectif est de démontrer l'intérêt de considérer l'homme comme un membre à part entière d'un système complexe devant s'adapter à ses vulnérabilités pour accroître sécurité et résilience des systèmes. Des recommandations visant à mieux intégrer les facteurs humains dès la conception seront proposées ainsi qu'un programme éducatif ciblé immersif permettant de faire évoluer les comportements utilisateurs.

Dans les maladies chroniques telles que les maladies cardiométaboliques (CMD), l'utilisation du microbiote intestinal comme biomarqueur ou nouvelle source de traitement potentiel est suggérée. En tant que "super intégrateur" de l'état du patient, la métagénomique est appelée à jouer un rôle clé dans la médecine de précision. Mais, il existe des obstacles informatiques à son utilisation systématique dans les services médicaux. Les approches de diagnostic métagénomique reposent globalement sur des projections en termes de calcul des données de séquence par rapport à de grands catalogues de référence génomique (>170 millions de gènes pour le dernier UHGP). L'apprentissage profond a révolutionné l'analyse prédictive, en améliorant de nombreux modèles antérieurs impliquant des “pipelines” bioinformatiques lourds pour effectuer des tâches de classification ou de stratification. Il existe peu de littérature sur l'apprentissage profond de bout en bout des données métagénomiques brutes pour prédire les phénotypes des patients. Une première barrière scientifique que DeepIntegrOmics abordera est le développement de modèles pronostic ou diagnostic de routine ("point-of-care") basé sur la métagénomique. Un problème récurrent en médecine de précision est d'intégrer différentes sources de données omiques tout en contrôlant l'équilibre coût/bénéfice. Évaluer l'utilité de demander plus d'examens est de fait critique pour leur utilisation de routine. Bien que les maladies cardiométaboliques soient la principale cause de mortalité dans le monde et sources d'invalidité, la stratification des patients est insuffisante et les signatures moléculaires intégrées qui informent sur la progression des CMD font défaut. Le projet DeepIntegrOmics se concentrera ainsi sur deux questions de recherche dans l'utilisation de l'apprentissage profond pour la médecine de précision basée sur des données omiques multiples 1) atteindre une prédiction fiable à partir de données métagénomiques brutes et 2) améliorer la précision de la classification et la stratification en intégrant d'autres données omiques. Deux autres objectifs appliqués seront de proposer de nouvelles approches pour 1) l'identification des biomarqueurs omiques des stades de CMDs et 2) pour la stratification des patients par l'interprétation de ces architectures de réseaux neuronaux à partir d'une base de données phénotypées uniques. Nous utiliserons les données de 1844 patients issues du projet européen H2020 MetaCardis et, évaluerons la valeur pronostique de la stratification pour prédire la progression de la CMD pour 807 patients parmi les 1844 pour lesquels nous avons caractérisé leur évolution (changements cliniques) pendant 10 ans. Ces objectifs soutiendront la médecine translationnelle et de précision (c'est-à-dire la classification et la nouvelle stratification des patients) dans la perspective du déploiement de ces modèles pour une utilisation de routine dans les centres cliniques. Les résultats attendus sont à la fois dans la stratification de la cohorte MetaCardis, la découverte de signatures de biomarqueurs et la capacité à prédire la transition dans la progression de la maladie. L’enjeu clinique est de contribuer à améliorer la gestion des patients atteints de CMD. D'un point de vue méthodologique, le résultat attendu est à la fois une architecture DL pour l'intégration de données sensibles aux coûts et des embeddings de source ouverte qui fournissent les connaissances compilées pour effectuer une classification multi-omique. En termes d'impact, la classification basée sur les nouveaux marqueurs "omiques" dérivés du microbiote intestinal pourrait générer de nouvelles cibles thérapeutiques. Le consortium possède de très solides compétences en mathématiques, bioinformatique, informatique et clinique, ainsi qu'une collaboration intensive de longue date et des travaux récents sur les preuves de concept des approches proposées.

Certaines maladies cardiovasculaires (par exemple le syndrome congénital du QT long, cLQTS) ou le syndrome du QT long induit par les médicaments (diLQTS), peuvent provoquer une forme particulière d'arythmie ventriculaire appelée Torsade de Pointes (TdP), qui peut dégénérer entraînant la mort. Il existe trois formes principales de cLQTS : le type 1, causé par des mutations dans les gènes des canaux cardiaques conduisant au blocage du courant des IKs; le type 2, blocage des IKr et le type 3, activation des INaL. Sur l'électrocardiogramme (ECG), l'intervalle QT est prolongé dans toutes ces conditions, mais les formes d'onde de l'ECG présentent des spécificités. La plupart des médicaments responsables du diLQTS et éventuellement de la TdP, peuvent être identifiés en évaluant s'ils agissent sur ces mécanismes physiologiques. Les organismes de réglementation exigent que les nouveaux médicaments fassent l'objet d'études approfondies sur l'intervalle QT. Il est cependant établi que l'intervalle QT est peu prédictif de la TdP. La prédiction du risque de TdP et la caractérisation des mécanismes moléculaires impliqués sont d'un intérêt majeur pour les patients suspectés d'être porteurs de cLQTS comme pour les autres patients recevant des médicaments susceptibles de provoquer la TdP. C'est également un problème majeur pour l'industrie pharmaceutique lorsqu'elle développe de nouveaux médicaments. Enfin, la plupart des médecins qui prescrivent ces médicaments sont dans l’incapacité de quantifier correctement l'intervalle QT ou d'évaluer le risque de TdP et n'ont pas un accès immédiat à une consultation d'expert en cardiologie. La prédiction personnalisée automatisée du risque de TdP des patients cLQTS ou diLQTS, peut améliorer la précision de l'évaluation du médecin et réduire le risque d'événements indésirables. Nous visons ici à développer un tel outil utilisant l'intelligence artificielle (IA), qui est en train d'atteindre rapidement la pratique médicale. L'apprentissage profond (AP) en particulier a apporté un changement radical dans le domaine de la reconnaissance des formes et de l'apprentissage machine lui-même, améliorant la plupart des modèles antérieurs telles que la classification des images et le traitement du langage naturel. Plus précisément, en cardiologie, l’AP a récemment été utilisée pour plusieurs applications, notamment la détection de divers types d'arythmies courantes telles que la fibrillation auriculaire, l'infarctus du myocarde, etc. Cependant, son utilisation pour prédire les événements de TdP dans un contexte médicamenteux et congénital n'a pas encore été explorée. Dans ce projet, nous utiliserons ces algorithmes pour améliorer la précision, mais aussi pour fournir aux cliniciens de nouvelles stratification des patients. Enfin, nous rechercherons à améliorer l’interprétabilité des modèles et par conséquent la compréhension des mécanismes moléculaires sous-jacents à la TdP. Au sein du consortium, nous avons déjà exploré l’AP dans ce contexte et nos résultats préliminaires sont très encourageants. L'objectif du projet est de faire progresser ce sujet de recherche et de créer une application translationnelle déployé dans plusieurs services de cardiologie pilotes. Ce projet impliquera 5 équipes. Les équipes 1,4 sont des experts en IA et en interprétabilité et les équipes 2,3,5 sont des experts en cardiologie (cLQTS, diLQTS et TdP). De plus, ils disposent de données uniques. Le projet durera 42 mois. Les principaux résultats comprendront (i) dépôt intégré de données, (ii) des modèles DL prédisant la TdP, (iii) la stratification amélioré des patients et l'interprétabilité des modeles et (iv) une application clinique. Ce projet est en parfaite cohérence avec les objectifs du gouvernement et de l'ANR d'accélérer les applications translationnelles basées sur l'IA en médecine et renforcera très probablement la position de la France sur la scène internationale.

Traditionnellement, les internes en médecine sont formés sur la base du modèle compagnonnage en s’entrainant sur les patients au cours des stages hospitaliers encadrés par des experts. Cependant, pour des raisons éthiques et de sécurité des patients, comme conclut par le rapport de la Haute Autorité de Santé 2012 "jamais la première fois sur le patient", le développement de nouveaux programmes et techniques de formation médicale innovants basés sur la simulation devient un nécessité et une urgence. Pour assurer cette transition, les simulateurs basés sur les technologies de la réalité virtuelle peuvent jouer un rôle important. Cependant, le développement de ces technologies est complexe et potentiellement coûteux. Il est donc nécessaire de concentrer leur conception et leur utilisation sur les besoins réels de formation des professionnels de santé. L'objectif du projet Show-Me est de concevoir des techniques d'interaction multimodales et collaboratives et des interfaces utilisateurs innovantes permettant à un tuteur expert de partager ses compétences, de superviser et de guider un apprenant à travers un environnement de formation collaboratif en réalité virtuelle pour un meilleur transfert des compétences médicales techniques . Les techniques et interfaces proposées serviront à développer des espaces et des outils de télé-mentorat collaboratifs et multimodaux qui correspondent mieux aux besoins de formation actuels des praticiens. Pour atteindre ces objectifs, une approche de conception centrée-utilisateur sera utilisée avec l’implication de toutes les parties prenantes (experts, instructeurs, et apprenants) tout au long du processus de conception. Cela sera facilité par la collaboration au niveau local avec un centre de simulation médicale et des hôpitaux universitaires. Pour favoriser le développement de cette recherche à la fois localement et au niveau national et international, le projet Show-Me sera coordonné par un expert en conception de systèmes de formation collaborative et médicale, qui sera accompagné par une équipe de chercheurs bien établis avec diverses expertises complémentaires (conception d'interaction, environnements virtuels collaboratifs, interactions multimodales, études utilisateurs, facteurs humains) ainsi qu’un expert clinicien et chercheur en formation médicale et son équipe, dont la contribution est d'une grande importance pour cette recherche. Cette recherche servira à améliorer notre compréhension des interactions entre le tuteur et l’apprenant, du processus de transfert des compétences médicales techniques et plus généralement, de la communication multimodale dans les environnements virtuels. La réussite de ce projet favorisera le développement d'une nouvelle génération de systèmes et de méthodes de formation médicale innovants. Cela devrait améliorer la qualité de la formation des étudiants en médecine. À long terme, cela aura également un impact plus large sur la sécurité des patients, la prestation des soins et les coûts des soins en santé. En plus de la formation médicale, les résultats serviront à extraire des lignes directrices pour la conception de systèmes de télé-mentorat multimodaux pouvant être utilisés dans d'autres domaines d'application, tels que l'industrie.

Le développement de contrôleurs performants et fiables pour les véhicules connectés et autonomes (CAVs) nécessite la connaissance en temps réel de nombreuses variables. Des exemples de variables nécessaires pour le contrôle sont : distances longitudinales, vitesses et accélérations des véhicules à proximité ; position latérale du véhicule sur sa propre voie ; angle de lacet du véhicule ; angle de glissement ; angle de braquage ; accélération latérale ; et angle de roulis. Il y a aussi des variables environnementales qui doivent être mesurées, comme le coefficient de friction pneu-route, les plaques de neige et la présence d'obstacles inattendus. Mesurer toutes les variables ci-dessous nécessite des coûts très élevés. En effet, certaines de ces variables, telles que les angles de glissement et de roulis, peuvent être très coûteuses, nécessitant des capteurs de plusieurs milliers d’euros. Par exemple, le capteur optique « Datron » qui mesure l’angle de glissement coûte plus de 10k€. De plus, plusieurs variables ne peuvent pas être mesurées en raison de l’absence de capteurs à tout prix. Un CAV nécessite des capteurs et des actionneurs très fiables. La défaillance d’un capteur, la présence de cyber-attaques ou de manque d’information, peuvent mener à des accidents désastreux. Par conséquent, des modules fiables de diagnostic et de gestion des défauts sont nécessaires. De tels systèmes ne peuvent pas utiliser la redondance des capteurs, qui nécessite un coût élevé. Ces systèmes doivent donc s’appuyer sur des algorithmes d’estimation et une redondance analytique. Pour cela, le développement d’algorithmes d’estimation intelligents est très important. Dans ce projet, nous proposerons des idées originales et nous développerons des algorithmes d’estimations efficaces reconstruisant les variables d’état nécessaires pour le contrôle et le diagnostic. Les problèmes considérés sont le suivi de véhicules, l’estimation des défauts de capteurs et d’actionneurs, ainsi que la détection de cyber-attaques. Notre objectif est de proposé une nouvelle approche pour le suivi de véhicules dans les autoroutes ainsi que dans les routes urbaines. L’idée que nous explorerons est le développement d’observateurs non linéaires basés sur l’apprentissage. Plusieurs éléments dans un véhicule (comme les pneus) ont des modèles très complexes dont les paramètres varient dans le temps. Ce projet utilisera une approche de modélisation combinant des équations différentielles physiques et des réseaux de neurones adaptatifs basés sur l’apprentissage en ligne. En particulier, des phénomènes bien connus comme les rapports de force, le mouvement mécanique de Newton, la traînée aérodynamique, la résistance au roulement, la pente, les termes d’accélération combinés pour les accélérations latérale et de roulis et l’influence de l’angle d’inclinaison de la route seront modélisés par des équations différentielles. Les modèles de pneus pour les forces latérales et longitudinales, le cercle de frottement, les moteurs et les caractéristiques de rigidité et d’amortissement de la suspension seront modélisés par des réseaux de neurones dont les pondérations peuvent être initialement obtenus par la méthode de rétro-propagation. Les paramètres du modèle basé sur les réseaux de neurones et une partie des paramètres des équations différentielles physiques seront également mis à jour en ligne lors de l’utilisation régulière du véhicule. Des algorithmes plus sophistiqués et intelligents seront développés pour faire face aux défauts de capteurs, aux cyber-attaques et à la perte de données. Toutes les architectures complexes possibles de cyber-attaques seront étudiées. Bien que ce projet soit axé sur la recherche fondamentale, des développements expérimentaux sont au programme avec notre partenaire industriel FAAR. FAAR mettra à disposition du projet, une plateforme d’innovation haute technologie pour la validation des développements réalisés.

L'objectif de ce projet est de concevoir et implanter un agent générique pour les enchères (GAP). Cet agent pourra comprendre et raisonner à propos des règles governant une enchère. Les agents automatiques sont aujourd'hui largement utilisés dans les enchères ; toutefois, ces agents sont le plus souvent dédiés à un type d'enchère (enchère ascendante par exemple). Ces agents ne peuvent passer aisément à d'autres types d'enchères. Ce projet part d'une perspective différente basée sur le raisonnement stratégique: une enchère est définie par un ensemble de règles et un agent enchérisseur a pour objectif d'interpréter celles ci (ex: comment le vainqueur est déterminé ?). Afin d'établir sa stratégie, l'agent doit pouvoir raisonnner à propos de ses informations privées (le prix qu'il souhaite payer) et de ses croyances à propos des informations concernant les autres joueurs. Les capacités concernant le raisonnement stratégique sont donc les éléments fondateurs de GAP. Ce projet s'appuie sur une définition en logique de ces agents génériques. En effet la logique permet de définir clairement ce qu'est une stratégie et de pouvoir raisonner à son propos. Qui plus est, la logique permet de décrire précisément les notions clefs en jeu dans les concepts hérités de la théorie des jeux et applicables aux enchères comme les notions de rationalité, incertitude ou équilibre. L'objectif de ce projet est de démontrer que le raisonnement stratégique est implémentable dans un agent artificiel. Pour cela, nous allons nous appuyer sur un langage simple et pratique permet de décrire des jeux: Game Description Language (GDL). Ce langage sera adapté et étendu afin (i) de pouvoir décrire les notions spécifiques aux marchés d'enchères et (ii) mettre en oeuvre les principes généraux du raisonnement stratégique. Pendant ce projet, nous allons développer un langage basé sur GDL et intitulé "Auction Description Language" (ADL) et permettant de décrire les règles régissant une enchère. Objectif principal ------------------ Spécifier et implanter des moyens permettant d'interpréter correctement les règles régissant une enchère. Cet agent raisonnement de manière stratégique sur ces propres actions (enchérir) en considérant ses propres buts et les buts des autres agents impliqués dans l'enchère. Principaux livrables -------------------- 1. un langage logique (ADL) dédié à la description d'une enchère et basé sur GDL: ce langage permettra d'introduire les notions d'enchérisseur, offre, ... ; 2. une spécification modulaire d'une enchère à l'aide d'un ensemble de règles: détermination du vainqueur, calcul du paiement, offres possibles... ; 3. une représentation à l'aide d'ADL du raisonnement stratégique et permettant à un agent GAP d'enchérir dans différents types d'enchères. Le raisonnement stratétique doit permettre de vérifier si l'enchère est à veracité garantie. 4. un prototype GAP pouvant participer à des compétitions d'agents courtiers électroniques (Trading Agent Competitions) et permettant d'évaluer son caractère général. Principaux apports ------------ Ce projet apprtera plusieurs contributions. Tout d'abord le projet AGAPE est pionner dans l'implantation du raisonnement stratégique. Celui-ci est principalement été abordé d'un point très général (théorie des jeux) et AGAPE apportera une concrétisation. Cette concrétisation est complexe et soulève de nombreuses questions sur la représentation des stratégies (représentation compacte). Ensuite, ce projet permet de soulever de nombreuses questions quand à la faisabilité du raisonnement stratégique: quelles sont les concessions à effectuer pour que la complexité de calcul soit "raisonnable" ? quel type de croyances d'ordre supérieur sont nécéssaires ? Enfin, en considérant une approche modulaire du raisonnement stratégique, ce projet mettra en évidence l'équilibre qui doit être établi entre l'implantation de concepts généraux et l'usage de connaissances spécifiques liés à un domaine..

Ce challenge vise à développer et expérimenter des solutions de localisation précise pour des agents d’intervention d’urgence, de forces de l’ordre ou de forces armées opérant à l’intérieur de bâtiments ou plus généralement dans des conditions où les systèmes de positionnement par satellite ne fonctionnent pas de manière satisfaisante. L’objectif de ce challenge est donc de progresser dans le domaine de la localisation autonome (trajectographie) dans un environnement perturbé. Des fonctions secondaires comme l’orientation de l’agent et la cartographie 3D des lieux visités sont également attendues. Notre Projet LOCA-3D (Localisation, Orientation et CArtographie 3D) vise à pallier ce manque de connaissance sur les aspects techniques et technologiques de la localisation indoor tout en respectant les contraintes définies dans ce challenge. Notre solution basée sur la combinaison de plusieurs capteurs (notamment inertiel et optique) permet d’exécuter la fonction primaire de localisation mais également les fonctions secondaires (orientation et cartographie 3D). Le concept repose sur un système inertiel avancé permettant de calculer la trajectographie de l’agent. Une partie des dérives de la centrale inertielle est compensée ponctuellement par le système vision qui génère parallèlement des nuages de points. La recomposition de la trajectoire du repère en mouvement permet alors de référencer ces nuages de points dans un repère global. De manière transversale, la solution s’appuie sur des méthodes robustes de reconstruction 3D à partir de nuages de points et en particulier sur le filtrage du bruit de mesure pour conserver la partie cohérente de l’information. La cartographie 3D sera effectuée par reconstruction hors ligne et progressive. Le consortium proposé se veut complémentaire. Chaque partenaire apportera une solide valeur ajoutée au développement de la solution globale.

Au cours des dernières années, les systèmes dits data-aware (DaS) ont été proposés comme un cadre global pour modéliser processus métier complexes en considérant les données et les processus comme des composantes de la meme importance dans la description du système. Ce paradigme est particulièrement adapté à modéliser les enchères et les méchanismes basés sur les enchères dans le commerce électronique. Le projet SVeDaS vise à faire progresser l'état-de-l'art dans la modélisation, l'analyse et le déploiement de systèmes data-aware en utilisant une approche nouvelle, compositionelle et basée sur des agents dans leur spécification et vérification. Les objectifs principaux du projet Svedas peuvent être résumés comme suit: 1. introduire des modèles computationnels basés sur les agents pour les systèmes data-aware, qui soient capables d'exprimer des processus métier complexes, y compris les enchères dans les marchés électroniques; 2. explorer des langages formels pour la spécification des comportements stratégiques d'agents autonomes (y compris la robustesse contre les comportements malveillants, ainsi que la manipulabilité et la collusion dans les ventes aux enchères) qui concernent les processus métier ainsi que les agents qui y agissant; 3. analyser les propriétés formelles de ces modèles data-aware, en particulier les questions relatives à la vérification formelle dans des contextes d'information imparfaite; 4. répérer des classes de systèmes data-aware ainsi que des fragments logiques expressifs, qui aient un problème de model checking décidable, et qui prêtent également à des methodes de vérification efficace; 5. développer des outils et des techniques de model-checking pour la vérification et la validation des systèmes data-aware dans des scénarios multi-agents, en mettant l'accent sur les mécanismes aux enchères. Nous prévoyons que les résultats du projet SVeDaS contribueront de manière significative à notre compréhension des systèmes data-aware, améliorant ainsi la conception et la gestion des processus métier par le biais de la vérification formelle par model checking. À son tour, ces contributions contribueront à la construction de systèmes plus surs et fiables, ainsi qu'à la réduction des coûts des défauts dans les mécanismes basés sur enchères pour le commerce électronique et l'e-business.

Traditionnellement, la conception et l'analyse d'algorithmes supposent qu'un algorithme a la connaissance parfaite et complète sur des données. Cependant, dans de nombreux contextes, les données sont révélées en ligne au fil du temps sous forme des requêtes, et l'algorithme a besoin de prendre des décisions irrévocables sans la connaissance du futur. Tels contextes apparaissent dans plusieurs situations, de l'ordonnancement des tâches en ligne, la gestion du portefeuille des actions à la prédiction de la météo, etc. Ainsi, la question principale dans l'algorithmique en ligne est d'obtenir de bonnes performances dans un contexte d'incertitude due aux données arrivant séquentiellement. En outre, l'émergence des problèmes de données massives nécessite des algorithmes qui résolvent les problèmes avec un seul passage sur les données dans le sens de l'algorithmique en ligne. L'algorithmique en ligne est un domaine actif et bien établi. De nombreux algorithmes intéressants avec performance garantie, de nombreuses techniques profondes ont été conçus. Toutefois, l'ensemble actuel des techniques ne fournit pas de moyens efficaces pour étudier les problèmes dans lesquels la nature est non-linéaire ou bien non-convexe comme la minimisation de l'énergie en optimisation combinatoire ou l'optimisation des fonctions sous-modulaires en apprentissage. Le développement des nouvelles méthodes est crucial pour l'avancement du domaine. L'autre aspect principal, bien identifié en l'algorithmique en ligne, est la faiblesse de l'analyse du pire des cas. Résumer le comportement d'un algorithme en se basant sur une instance pathologique ne reflète pas nécessairement sa performance. De nombreux algorithmes comportant très bien en pratique admettent paradoxalement une garantie théorique médiocre et vice versa. Plusieurs modèles ont été introduits avec le but de donner des mesures plus précises sur les algorithmes au-delà de l'analyse du pire des cas. Chaque modèle réussit à expliquer les performances des algorithmes dans certains contextes, mais rencontre des difficultés dans d'autres. Un point commun de ces modèles est qu'ils ne possèdent pas d'outil approprié et en général utilisent les mêmes outils comme dans l'analyse du pire des cas. L'absence d'outils appropriés est un obstacle majeur pour le développement de ces modèles. Dans le projet, notre premier objectif est d'établir de nouvelles méthodes pour la conception et l'analyse d'algorithmes en ligne au-delà des techniques actuelles. Nous visons à développer des approches pour étudier les problèmes convexes et non convexes. Le deuxième objectif est d'étudier de nouveaux modèles mesurant précisément les performances des algorithmes au delà de l'analyse du pire cas. En particulier, nous sommes intéressés à la fondation d'un modèle général de l'augmentation des ressources unifié des modèles précédents qui semblent non-reliés. Afin de réaliser ces deux objectifs, nous proposons de nouvelles approches basées sur le paradigme de la dualité de la programmation mathématique comme un outil traversal. A côté des intérêts théoriques, l'avancement du projet apporterait des idées et des améliorations dans la conception d'algorithmes de manière significative dans le domaine du développement durable (par exemple, la minimisation d'énergie en ordonnancement) et dans le contexte des données massives (par exemple, l'optimisation des fonctions sous-modulaires).