Post Doc 2025

Sélection 2025

Analyse juridique des apports des systèmes d'IA de tri des déchets ménagers pour les collectivités et les entreprises

Directeur :

• Nathalie Nevejans
• Christian Mathieu

Laboratoire(s) d'accueil :

• CDEP (UArtois)

Résumé

• La gestion des déchets constitue un défi technique, administratif et humain. La règlementation européenne et française relative au tri des déchets, qui a pour objectif de mettre en place une circularité de la matière dans l’optique du « zéro déchet », se heurte à la pratique. En effet, il appert que le tri et le recyclage en France ne répondent pas aux objectifs fixés par l’Union européenne, engendrant systématiquement un malus de l’ordre de 1,5 milliard d’euros (2023). L’objectif est d’encourager les collectivités territoriales à déployer sur leur territoire des systèmes d’IA qui permettront l’amélioration du processus de tri des déchets ménagers, et d’inciter les entreprises à concevoir et/ou utiliser des SIA lors de leurs prestations de service en matière de déchets. Les résultats attendus de ce projet consisteront en la publication d’un ouvrage comportant une méthodologie relative à l’intégration de l’IA dans la gestion des déchets ménagers, une clarification du cadre juridique de la mise sur le marché d’un SIA de tri de déchets au regard de la règlementation applicable, et une proposition de pistes concernant le sort des données collectées par un SIA de tri de déchets. Sur ce dernier point, nous pensons que deux pistes, potentiellement cumulables, seront intéressantes à explorer, à savoir une piste éthique (ex : option pédagogique sur le tri : formation de la population, formation des collectivités locales, formation des producteurs) et une piste coercitive (ex : redevance incitative pour les entreprises et les particuliers pour appliquer strictement le principe pollueur-payeur).

Raisonnement et explications sur données incertaines

Directeur :

• Florent Capelli
• Grégory Bourguin

Laboratoire(s) d'accueil :

• CRIL (UArtois)
• LISIC (ULCO)

Résumé

• Nous nous proposons d’étudier des systèmes de classification où la fonction de classification est écrite par des experts à l’aide de règles logiques et de raisonnements, mais où l’objet que l’on souhaite classifier n’est que partiellement connu, ou bien certaines de ses propriétés ne sont données qu’avec un certain intervalle de confiance. Par exemple, l’identification d’une espèce animale peut être déterminée quasiment sans ambiguïté par un expert disposant de suffisamment d’informations, en utilisant une base de connaissances existante. Cependant, si cet expert n’a accès qu’à une photo de l’animal, une partie des informations nécessaires peut être indisponible — par exemple, une partie de l’animal est cachée, ou il faut utiliser des données non représentées sur des images, comme des propriétés de l’ADN — ou incertaine — par exemple, la qualité de la photo ne permet pas de capturer un détail avec suffisamment de précision pour trancher avec certitude. Dans ce cas, il devient important d’être capable de raisonner de façon probabiliste sur la base de connaissances, afin de trouver la ou les espèces les plus probables en fonction des incertitudes et des inconnues. Dans ce projet, nous considérerons que l’extraction des concepts présents dans l’image est réalisée à l’aide d’un algorithme statistique (par exemple un réseau de neurones spécifiquement entraîné pour cette tâche) et que la base de connaissances est représentée par une ontologie mise au point par des experts. Nous nous proposons de combiner à la fois des outils issus de la compilation de connaissances et des ontologies. Les premiers permettront d’encoder, lors d’un prétraitement (preprocessing), la base de connaissances dans une structure de données permettant de trouver rapidement le ou les modèles les plus probables correspondant aux données partielles dont on dispose, afin de se ramener au cas où l’information est non ambiguë. La seconde permettra ensuite de reconstruire un raisonnement et d’expliquer à l’utilisateur pourquoi l’image a été classée ainsi. Cette approche permettra d’obtenir des outils interactifs et efficaces qui pourront être implémentés directement dans le système Ontoclassifier développé par Grégory Bourguin et Arnaud Lewandowski au LISIC et à l’ULCO.