Round 2 - 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

Analyse logique des données pour l'explicabilité en intelligence artificielle.

Directeur :

Saîd Jabbour

Laboratoire(s) d'accueil :

CRIL (UArtois)
MIS (UPJV)

Résumé

Ce projet propose d’exploiter l’analyse logique de données (Logical Analysis of Data, LAD) afin de développer de nouvelles techniques de sélection d’attributs, dans le but d’améliorer l’explicabilité en intelligence artificielle. Les principaux aspects de LAD consistent à identifier les ensembles minimaux d’attributs nécessaires pour expliquer les observations (Minimal Support Sets, MSS) et à révéler les motifs cachés permettant de distinguer les groupes d’observations. Récemment, dans [13], les MSS ont été utilisés pour la sélection d’attributs dans les données binaires. Dans [12], l’algorithme de classification des forêts aléatoires (Random Forest, RF) a été adapté pour choisir aléatoirement des MSSes plutôt que des sous-ensembles d’attributs classiques, qui peuvent inclure des attributs non pertinents pour la construction des arbres de décision. Cette approche a permis de maintenir des performances comparables à celles de l’algorithme RF traditionnel, tout en réduisant le nombre d’attributs utilisés et en générant des explications beaucoup plus concises. Cependant, l’énumération de tout ou un sous-ensemble des MSSes reste coûteuse en raison de leur nombre exponentiel. Dans ce projet, nous nous intéressons à la réduction de la taille des explications en utilisant des approches de sélection d’attributs basées sur les ensembles discriminants de LAD. Le nombre des MSS étant exponentiel dans le pire des cas, notre premier objectif est d’améliorer leur énumération exhaustive ou partielle des en utilisant la Satisfiabilité Maximum (MaxSAT). Dans le cas d’une énumération partielle, nous souhaitons obtenir des ensembles diversifiés afin d’avoir des ensembles pertinents pour la sélection d’attributs. Enfin, l’impact sur les explications sera évalué, dans l’optique de faciliter leur compréhension par un utilisateur ou un expert.

Analyse de métadonnées spectrales par des méthodes d'Intelligence Artificielle, pour la caractérisation des structures moléculaires dans des études métabolomiques. CYTHIA III.

Directeur :

Felipe Artigas

Laboratoire(s) d'accueil :

LOG (ULCO)
LISIC (ULCO)
MIO (Marseille)
CEFAS (Lowestoft, UK)
SYKE (Helsinski, FI)

Résumé

Après avoir bénéficié de deux financements d'initiatives de recherche innovante MAIA (appels 2024 et 2025, correspondant en tout à 6 mois + 2 mois et demi de CDD IE) pour son lancement et sa poursuite, la phase trois du projet CYPHAIA vise à finaliser le travail réalisé jusqu’à présent afin d’apporter à la communauté des utilisateurs de la cytométrie en flux automatisée un outil robuste et transparent d’analyse et de classification pour l’observation, la caractérisation et la surveillance in vivo du phytoplancton marin. Les deux premières phases ont permis la mise en place d’une méthodologie complète d’apprentissage supervisé comprenant des étapes de contrôle qualité des fichiers, de sélection de variables, de modèle et de leurs hyper-paramètres, de vérification de l’absence de sous/sur apprentissage, et de calibration des probabilités du modèle final. Pour démontrer sa faisabilité, l’outil doit toutefois être appliqué à des jeux de données de plusieurs écosystèmes marins européens, construits de manière consensuelle entre différents experts collaborateurs de ce projet. La question de la reconnaissance des sous-parties de chaque grand groupe fonctionnel par application de l’apprentissage non supervisé reste également à traiter. Enfin, la diffusion de l’outil complet via GitHub ainsi que sa valorisation sous forme de publication scientifique doivent être assurés. Le projet CYPHAIA III met l’accent sur la rigueur de sa méthode et sur son utilisation intuitive. Le format R Markdown privilégie la coexistence d’explications pour guider les utilisateurs, généralement non experts de l’IA ou de la programmation, et de morceaux de codes modifiables et exécutables. Le détail des fonctions utilisées dans des scripts dédiés, sourcés depuis les fichiers R Markdown, permet d’autre part aux utilisateurs plus expérimentés d’adapter l’outil à leurs besoins. Le but à atteindre est la possibilité pour tous d’appliquer cet outil aussi bien à des grandes séries de données issues de campagnes océanographiques de mesures sur différents écosystèmes côtiers ou hauturiers via différents capteurs cytométriques automatisés, qu’à des séries de données d’observation sur le long terme et de surveillance de routine dans divers écosystèmes marins.

CRIL - MAIA Data Challenges.

Directeur :

Karim Tabia

Laboratoire(s) d'accueil :

CRIL (UArtois)

Résumé

Un Data challenge est une compé<<on en science des données visant à répondre à des problématiques spécifiques sur des données mises à disposition avec une méthodologie d’évaluation. Il s’inscrit dans une démarche de science ouverte et participative à travers le partage de données et de solutions (généralement sous forme de notebooks). A travers cet événement, nous visons principalement la mise en place d’une action d’animation et de communication pour le CRIL et pour le projet MAIA ainsi que la collecte de jeux de données réelles et de solutions à partager publiquement après la fin de la compétition dans une optique de science ouverte et participative. L’organisation d’une telle compétition nécessitera de trouver des fournisseurs de données et de problématiques réelles sur ces données, de mePre en place une méthodologie et des outils d’évaluation des proposi<ons, et enfin d'ouvrir une plateforme en ligne pour le challenge (mePre à disposition les données, recueillir les propositions et maintenir un leaderboard). Pour les données et les problématiques réelles, nous envisageons les domaines d’application du projet MAIA, à savoir la santé, la chimie et l’environnement. Les données et les propositions des participants auront vocation à rester partagées publiquement après la fin de la compétition.

Peut-on sauver l' Hélix de Corse grâce à l' IA? Une nouvelle ère pour la conservation écologique.

Directeur :

Annie Guiller

Laboratoire(s) d'accueil :

CRIL (UArtois)
MAIA (UArtois)
CPIE (Ajaccio)
Conservatoire d'espaces naturels de Corse

Résumé

Dans le cadre du projet MAIA, ce programme de recherche interdisciplinaire vise a d´ evelopper un modèle d’ intelligence artificielle permettant d’identifier les variables écologiques, biologiques et génétiques déterminant la présence et le déclin de l’escargot corse Helix ceratina. En combinant.... données écologiques, génétiques, climatiques et d’observation de terrain, l’objectif est de comprendre les pressions qui s’exercent sur l’esp ece, et de proposer des actions concrètes pour étendre son aire de répartition.