A&O

Apprentissage et Optimisation

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.

Thèmes de recherche

L’équipe A&O – équipe projet commune Paris-Saclay, CNRS et Inria Saclay – s’intéresse à l’apprentissage de modèles à partir des données, en mettant l’accent sur quatre axes fondamentaux.

  • Le premier concerne l’apprentissage adversarial qui repose sur l’interaction de deux ou plusieurs agents apprenants, remplaçant la fonction objectif inconnue par une approche de type min-max (théorie des jeux) ; cet axe est crucial également pour la validation et la certification des réseaux neuronaux.
  • Le second porte sur la sélection et la configuration d’algorithmes a priori, en fonction des données disponibles, aussi appelée AutoML ; il s’agit non seulement d’une condition nécessaire pour la démocratisation de l’IA, mais aussi d’un défi ouvert depuis 40 ans, lié à la définition des paramètres d’ordre des données.
  • Le troisième s’attaque aux problèmes d’apprentissage de modèles complexes et traite de l’identification des régularités permettant l’augmentation bien fondée des données dans les nombreux domaines d’application où les données sont petites (small data) par rapport à la complexité des modèles cherchés.
  • Enfin, loin de remplacer la connaissance par des modèles purement issus des données, un objectif consiste à dialoguer avec les connaissances du domaine, par exemple exprimées par des équations aux dérivées partielles ; l’enjeu est ici de faire le pont entre Apprentissage et Numerical Engineering, en lien avec le département Mécanique des Fluides-Énergétique.

Coordination

Autres rubriques de l’équipe ParSys