Round 1 - 2025

Contexte

Le projet MAIA (Maîtrise des apllications de l'IA) vise à développer des solutions de recherche originales et génériques pour faire avancer l'explicabilité formelle et l'acceptabilité sociétable de l'IA, avec un focus sur trois domaines phares : la santé, la chimie et l'environnement de l'alliance A2U (Université d'Artois, UPJV et ULCO) ainsi que pour la région Hauts de France (HdF) Le finacement d'initiatives de recherche innovantes fera parti des appels récurrents du projet MAIA.

Cadre

Cet appel sera ouvert de façon récurrentes (annuels) aux chercheurs et enseignants-chercheurs de l'alliance A2U travaillant dans l'un des cinq axes du projet MAIA : IA explicable (XAI), IA acceptable (question SHS), application de l'IA en santé, chimie et environnement. Il est résolument ouvert à toute action de recherche et/ou valorisation de courte durée permettant d'initier, développer, soutenir une approche innovante :

• Développement, diffusion ou valorisation commerciale d'un prototype/logiciel innovant
• Investissement pour mise au point de démonstrateur(s)
• Soutien à la production/publication/communication de visibilité internationale exeptionnelle
• Accompagnement d'une activité originale de type expérimental ou de collecte de données
• Soutien à toute autre action originale valorisant le projet MAIA

Sélection 2025

Acceptabilité de l' IA et analyse des utilisateurs de trackers d'activité.

Directeur :

• Anne Corcos

Laboratoire(s) d'accueil :

• LFMI (UPJV)

Résumé

• Ce programme de recherche appréhende les interactions entre les technologies de santé connectée et les comportements individuels. Il se structure autour de deux axes. Le premier axe vise à explorer l'acceptabilité de l'intelligence artificielle dans le domaine de la prévention des risques de santé. Cette analyse porte notamment sur deux dimensions essentielles : la confiance des utilisateurs envers les informations et recommandations générées par l’IA, ainsi que leur consentement à partager des données personnelles sensibles dans ce contexte. Le second axe se concentre sur l’étude des caractéristiques comportementales, psychologiques, et physiques des utilisateurs de trackers d'activité. L’objectif est d’identifier les différences potentielles entre les utilisateurs selon les types 2 et marques de dispositifs (Fitbit, Garmin/Polar, Apple Watch, etc.). Cette analyse permettra de mieux comprendre les motivations et profils des utilisateurs, en lien avec leur adoption et leur utilisation de ces technologies.

Coopération sur les méthodologies de l'IA et de constitution de jeux de données dans le monde l'IoT pour le milieu médical.

Directeur :

• Cyril Drocourt

Laboratoire(s) d'accueil :

• MIS (UPJV)

Résumé

• Le laboratoire MIS travaille depuis de nombreuses années sur les problématiques d’IA et plus spécifiquement d’apprentissage automatique dans de nombreuses thématiques. Parmi les travaux récents, une approche fédérative est en cours de développement pour l’appliquer dans le monde de l’IoT pour le milieu médical avec une thèse de doctorat qui vient de débuter sur le sujet. La plus grande problématique de l’apprentissage automatique est l’accès à des jeux de données pertinents, à savoir de bonne qualité, constitué de nombreuses entrées, et adapté au cadre de l’étude. Dans le contexte du milieu médical, il est extrêmement difficile d’accéder à des jeux de données adaptés et spécifiques à ce cadre d’utilisation. Le laboratoire MATSI de l’Université Mohammed Premier d’Oujda au Maroc commence un travail similaire avec une thèse de doctorat qui vient également de débuter. L’objectif est donc dans un premier temps de comprendre précisément les objectifs de chacun, de définir une feuille de route commune sur le travail de recherche afin de développer des méthodes complémentaires et surtout de constituer des jeux de données issus des travaux antérieurs des deux laboratoires. Ce travail fait suite à des travaux initiés dans ce sens avec l’Université Alioune Diop de Bambey au Sénégal

Analyse de métadonnées spectrales par des méthodes d'Intelligence Artificielle, pour la caractérisation des structures moléculaires dans des études métabolomiques. Deuxième phase : Proposition et conception d'un outil d'analyse (CYPHIA-II)

Directeur :

• Luis Felipe Artigas

Laboratoire(s) d'accueil :

• LOG (ULCO)
• LISIC (ULCO)

Résumé

• Le projet CYPHAIA II vise à finaliser la construction et proposer un outil d’analyse et de classification automatisée transparent, optimisé, reproductible et prêt à appliquer à la communauté des utilisateurs de la cytométrie en flux automatisée pour l’observation, la caractérisation et la surveillance in vivo du phytoplancton marin. Ayant précédemment bénéficié d’un financement d'initiatives de recherche innovante MAIA (appel 2024) pour son lancement, la première phase du projet CYPHAIA a visé à établir une méthodologie robuste et optimisée de classification automatisée, par la sélection de variables les plus importantes, les tests de différentes tailles de jeu d’apprentissage, la comparaison de différents modèles et le réglage de leurs paramètres, etc... L’objectif de cette nouvelle demande de financement (CYPHAIA II) est de finaliser ce travail exploratoire par la complétion, les nouvelles séries de tests (démonstration de faisabilité), et la diffusion de l’outil via GitHub ainsi que sa valorisation sous forme de publication scientifique. A la différence d’autres outils et logiciels existants, celui-ci sera libre et transparent sur sa méthode, ses analyses seront reproductibles et modifiables en fonction des besoins des utilisateurs. Il s’affranchira de l’incertitude sur la fiabilité des analyses qui peut être relevée avec d’autres outils « boîtes noires » existant pour lesquels il n’est pas possible de vérifier la qualité et la pertinence des calculs. Il sera également accompagné d’explications qui guideront les utilisateurs à travers les scripts permettant ainsi à la majorité d’utilisateurs non experts de l’IA ou de la programmation de pouvoir utiliser l’outil et comprendre ce qu’ils font. Le soutien au projet CYPHAIA II permettrait la finalisation, les derniers tests et modalités de partage de l’outil, en accord avec les principes d’accessibilité du contenu numérique dans un objectif inclusif, de reproductibilité de la science et de l’explicabilité de l’IA. Cet outil pourra être aussi bien appliqué à des grandes séries de données issues de campagnes océanographiques de mesures sur différents écosystèmes côtiers ou hauturiers via différents capteurs cytométriques automatisés ainsi qu’à des séries de données d’observation sur le long terme et de surveillance de routine dans divers écosystèmes marins.

Directeur :

• Bastien Casier

Laboratoire(s) d'accueil :

• UCCS
• CRIL

Résumé

• La plupart des modéles de Machine Learning appliques a la chimie quantique (Quantum Machine Learning – QML) repose sur des bases de donnees impliquant des calculs issus de la DFT (Density Functional Theory). Or cette méthode, bien que traitant le probléme de la corrélation électronique, présente de fortes limitations. Par exemple, les fonctionnelles ne sont pas toujours transférables entre les systèmes. Le projet FCIdata propose donc de réaliser une nouvelle base de données moléculaires présentant un niveau de théorie d’une très grande précision : la théorie FCI (Full Configuration Interaction). En effet, cette dernière est exacte dans le cadre d’une base de fonctions donnée pour d´ecrire la structureb électronique. De plus, elle permettra l’accés à la fonction d’onde électronique ; objet physique permettant de calculer l’intégralité des propriétés physico-chiques. Enfin, cette base de données permettra également d’initier de nouveaux modèles de ML pour le développement de fonctionnelles DFT de nouvelle génèration basées, par exemple, sur la notion d’entropie quantique.