The use of interactive systems has undergone remarkable changes in recent years, due to the emergence of new hardware and software platforms, the adoption of digital tools by increasingly broad categories of the population (in particular people with disabilities) and the emergence of new environments and contexts of use. Interaction situations that were once static and fixed have become open and dynamic. Today, users need to interact with their digital systems everywhere, at any time, and using all the devices available to them. They typically have limited knowledge of the inner workings of their systems, yet demand that their systems be able to learn and anticipate their evolving needs. This is why the AMI group focuses on post-WIMP interaction paradigms and on the exploitation of unconventional Human-System interaction modalities.
L’algorithmique et le calcul touchent à tous les aspects théoriques et pratiques, logiciels et matériels de l’informatique. Depuis une décennie, l’intelligence artificielle et l’apprentissage s’intéressent à la conception automatique d’algorithmes et de processus de calcul, guidée par les données, l’expert, l’utilisateur et/ou l’environnement.
S'appuyant sur l'expertise en apprentissage automatique (ML) et en optimisation stochastique de l'équipe du projet précédent TAO, l'équipe TAU vise à s'attaquer à l'imprécision des objectifs du Big Data.
En partant du principe que des données (suffisamment) volumineuses peuvent, dans une certaine mesure, compenser le manque de connaissances, le Big Data est censé remplir tous les engagements de l'intelligence artificielle.
L’apprentissage automatique (Machine Learning, ML) fournit un ensemble de méthodes de traitement de l’information ouvrant des perspectives importantes pour les sciences expérimentales en général, et pour la recherche en mécanique des fluides en particulier
