Thèses 2024

Contexte

Le projet MAIA (Maitrise des applications de l'IA) vise à développer des solutions de recherche originales et génériques pour faire avancer l'applicabilité 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, Université Picardie Jules Vernes et Université du Littoral Côte d'Opale) ainsi que la région Hauts de France (HdF)

Parmi les appels récurrents (annuels) du projet figure celui concernant le cofinancement de thèses (50%)

Critères

Cet appel sera ouvert de maniére récurrentes (annuels) aux chercheurs et enseignants-chercheurs de l'alliance A2U travaillant dans l'un des 5 axes du projet MAIA : IA explicable (XAI), IA acceptable (question SHS), application de l'IA en santé, chimie et environnement. Il visera à renforcer les intéractions existantes entre les laboratoires partenires de MAIA et à en promouvoir de nouvelles (notamment, dans une démarche interdisciplinaire). La priorité sera donc donnée aux projets collaboratifs intégrant plusieurs équipes ou laboratoires , ou un établissementexterne (collectivité, entreprise, ...)

Suite à l'appel à projet lancé fin 2023, le projet MAIA co-financera 6 thèses pour l'année 2024.

Sujets retenus pour l'année 2024

Acceptabilité de l'IA en santé : effets des applications et objets connectés en santé intégrant de l'IA sur l'activité professionnelle des soignants et sur la relation patients-soignants.

Directeur :

  • Emile Loup-Escande

Laboratoire(s) d'accueil :

  • UR UPJV CRP-CPO Centre de Recherches en Psychologie - Cognition Psychisme Organisation

Résumé

  • L’IA s’implante progressivement dans le domaine de la santé à travers la « e-santé » dont trois grands domaines co-existent: le premier regroupe l’ensemble des systèmes d’information en santé permettant de collecter des données sur la santé des individus, le second est relatif à la télémédecine regroupant notamment la téléconsultation, le troisième concerne la m-santé (ou santé mobile). Cette dernière regroupe les applications et les objets connectés en santé constituant un ensemble de moyens permettant d’améliorer l’accès aux soins, la qualité des prises en charge ou encore l’autonomie des patients. Une large gamme d’applications et d’objets est aujourd’hui disponible et leur nombre ne fera qu’augmenter dans les années à venir. Toutefois, malgré leurs Certifications Européennes et les référentiels de bonnes pratiques proposés par la Haute Autorité de Santé, ces technologies ne sont pas sans écueils sur la santé du patient (Chaniaud, Sagnier, Mégalakaki & Loup-Escande, 2021) impactant l’acceptation de ces technologies (Loup-Escande & Loup, 2021) par les patients et les soignants. Malgré cela, de nombreux médecins généralistes proposent ces applications et ces objets connectés en santé à leurs patients dans le but de les responsabiliser envers leur santé (Sapci & Sapci, 2019) et de les aider dans la surveillance de leur(s) pathologie(s) (Chaniaud, Cherfouh, Gignon & Loup- Escande, 2022). Ces technologies ont des conséquences sur l’activité professionnelle des soignants et la relation patients-soignants s’en trouve nécessairement impactée (Naïditch & Riveline, 2023). Cette thèse a pour ambition de caractériser l’implantation de ces technologies en Région Haut-De-France à travers trois objectifs : 1) réaliser un état des lieux des applications et objets connectés en santé ayant recours à une IA, suggérés aux patients par les médecins généralistes, 2) étudier leur acceptabilité auprès des soignants, et 3) investiguer leurs effets sur la relation de soin entre les patients et leurs soignants.
Développement d'outils Deep Learning pour la détermination des structures cristalline à partir des techniques de diffraction électronique (DeepCristal)

Directeur :

  • Yaël Fregier (Pr, Université d'Artois)

Laboratoire(s) d'accueil :

  • LML - Université d'Artois
  • LRCS - Université de Picardie Jules Vernes

Résumé

  • Le projet de recherche DeepCristal vise à améliorer la compréhension de la structure cristallographique des matériaux des batteries Li-ion, en particulier leurs changements pendant le cyclage électrochimique, grâce à des méthodes avancées d'apprentissage profond. Le laboratoire LRCS (UPJV) bénéficiera bientôt d'un microscope électronique à transmission (TEM) de nouvelle génération, le Spectra200 ThermoFisher, qui facilitera l'emploi de techniques de caractérisation structurale comme la 3DED (3D Electron Diffraction) et le 4D- STEM (4D scanning TEM). Ces techniques, bien que précieuses, présentent des limites dues aux angles manquants de tomographie pour le 3DED et à la vitesse rapide d'acquisition pour le 4D-STEM
Synthèse de nouveaux dérivés de Cyclodextrines assistée par l'IA.

Directeur :

  • Florence Djedaini-Pilard

Laboratoire(s) d'accueil :

  • LG2A - Université Picardie Jules Vernes
  • UCCS - Université d'Artois
  • CRIL - Université d'Artois

Résumé

  • Le LG2A de l'UPJV et l’UCCS de l’UArtois voient dans le développement de l'IA, en collaboration étroite avec le CRIL, une opportunité pour améliorer le criblage des molécules biosourcées d’intérêt, optimiser leur voie de synthèse et prédire leurs propriétés. Cette approche doit permettre de passer d’un criblage purement chimique vers un criblage informatique, en se basant sur l’analyse d’un maximum de données expérimentales afin d’optimiser le design de nouvelles molécules (les cyclodextrines (CDs) modifiées), les paramètres des procédés de synthèses ou de prévoir la régiosélectivité des synthèses. Ceci nécessite la création de jeux de données expérimentales en synthèse et en caractérisation pour valider les prédictions. L’objectif est d’accélérer non seulement l’accès à de nouveaux dérivés de CDs plus performants mais aussi à des procédés de synthèse moins énergivores et plus durables. Le résultat de ce travail sera un compromis entre la qualité de la prédiction que l’on peut obtenir à l’aide de techniques performantes (faiblement explicables pour l’instant; apprentissage profond) et qui demandent beaucoup de données et des approches plus traditionnelles, nécessitant moins de données, explicables mais quelques fois moins performantes. Toutes les données expérimentales de synthèses et de caractérisations physico-chimiques obtenues sur des CDs modifiées seront compilées, traitées et transformées dans un format « computer friendly » afin d’être intégrées dans une database relative à la prédiction de structures de CDs modifiées. Finalement, la « preuve de concept » sera donnée en évaluant le rôle joué par ces nouvelles CDs lors de processus de catalyse.
Détection d'intrusion dans les capteurs bio-médicaux par les outils d'intelligence Artificielle

Directeurs :

  • Cyril Drocourt
  • David Durand
  • Gil Utard

Laboratoire(s) d'accueil :

  • MIS - Université de Picardie Jules Vernes

Résumé

  • Depuis ces dernières années, la médecine s’appuie sur des technologies innovantes mêlant capteurs connectés, robots, et matériels de soin. Les capacités de calcul ont permis d’améliorer les traitements, notamment grâce à l’apparition de systèmes bio-médicaux intelligents. Le suivi des dossiers patients dans les établissements de santé ou à domicile s’appuie sur l’interconnexion des systèmes où transitent des données sensibles. Nous avons observé en parallèle le développement d’attaques sur ces systèmes, mettant en péril le fonctionnement des établissements et des appareils vitaux pour les patients. La détection d’intrusions et de fraudes utilise des mécanismes de supervision intelligente qui détectent des anomalies connues ou nouvelles ; les identifient pour prendre des mesures rapides (démarche prédictive) ; les résolvent en temps réel — ou dans les meilleurs délais — grâce à des techniques d’apprentissage. La détection d’une situation critique, le plus tôt possible, permet d’appliquer des méthodes qui évitent le dysfonctionnement du SI et la dégradation du service. Ces mécanismes consistent à trouver des signatures dans les données non conformes au comportement attendu. Ils utilisent des jeux de données conséquents, et font intervenir des outils de machine learning. Dans le cas des capteurs bio-médicaux, les ressources disponibles pour lever des alertes sont limitées avec de faibles ressources en calcul, en mémoire, et des capacités de communications moindres.
Vers une compréhension mathématique des modèles de langage

Directeurs :

  • Augustin Cosse
  • Zied Bouraoui

Laboratoire(s) d'accueil :

  • LMPA - Université du Littoral Côte d' Opale
  • CRIL - Université d'Artois

Résumé

  • Le projet se concentre sur l'étude du lien entre données d'entraînement et phénomène d'émergence (voir par exemple (Arora and Goyal), (Narang and Chowdhery) ou encore le papier fondateur (Wei et al.)) dans les modèles de langage de grande taille. On commencera par assembler un corpus de textes simples, semblables aux récits apparaissant dans les livres pour enfants, reprenant un nombre limité de mots et d'interactions entre ces mots. Une première base de données pourra être constituée à l'aide des modèles de langage de type ChatGPT en spécifiant, à la manière du jeu de données TinyStories de (Eldan and Li 2023), une liste de mots simples et en demandant au modèle de générer des histoires autour de ces mots.
Approche comparée de la réglementation de l'intelligence artificielle aux Etats Unis et dans l'Union Européenne.

Directeurs :

  • Sarah Laval
  • Marion Ho-Dac

Laboratoire(s) d'accueil :

  • CDEP Université d'Artois, Faculté de droit
  • LARJ - Université du Littoral Côte d'Opale, Faculté de droit

Résumé

  • La recherche propose de conduire une étude juridique comparative de la règlementation de l’IA entre les Etats-Unis et l’Union européenne. Alors que l’approche nord-américaine est fondée sur l’auto-régulation par l’industrie de l’IA, sans loi fédérale contraignante, la vision européenne d’une IA centrée sur l’humain est ancrée dans des règles de droit contraignantes pour les opérateurs économiques (comme le montre la proposition d’AI Act). La recherche a pour objectif de s’interroger sur les voies de conciliation de ces deux approches normatives a priori antinomiques en vue de construire une régulation transnationale de l’IA. La coopération politico-normative entre ces deux régions du monde est crucial afin de dessiner un leadership transatlantique dans la gouvernance de l’IA fondée sur la garantie des droits fondamentaux, la démocratie et l’État de droit. Il s’agit de la sorte de participer à construire un cadre régulatoire transatlantique de l’IA de confiance.
a2u
artois artois artois artois
france2030 france2030