Automated modeling and extraction of information for decision-makers - AIME-DM Program

  1. Home
  2. Scientific programs
  3. Automated modeling and extraction of information for decision-makers - AIME-DM Program

Automated modeling and information extraction for decision-makers

Scientific program Automated Information Modeling and Extraction for Decision-Makers (AIME-DM)

The Automated Information Modeling and Extraction for Decision-Makers (AIME-DM) scientific program focuses on automating information modeling and extraction to facilitate decision-making in complex environments.

Situational awareness is central to the decision-making process, both for human cognitive mechanisms and for decision-support information systems. It enables us to model and extract the information essential to understanding decision-making issues and their contexts.

Situational awareness is based on two main principles:

  • the matching of information to a clearly defined and assessable business need, through the modeling of complex systems in their contexts;
  • automating the extraction and contextual interpretation of information from massive, heterogeneous data flows.

 

AIME-DM program objectives

The AIME-DM program offers contributions and events focusing on tools for characterizing business needs, capitalizing on expertise, and Artificial Intelligence (AI) methods for automated extraction of exploitable information by induction or deduction. It draws on work carried out in the fields of situational awareness, model and knowledge engineering, and artificial intelligence systems dedicated to the automated analysis and interpretation of multimodal and heterogeneous data. The program aims to share its contributions with the model- and knowledge-based systems (IEEE,) and AI (NeurIPS, ICML, PFIA) communities. Its members are also active in the MaDICS and RADIA GDRs.

 

Applications industrielles et cas d’usage

Le programme scientifique bénéficie également d’une grande synergie pour placer ses contributions au regard de la recherche appliquée du laboratoire. Il pourra contribuer par exemple dans : 

  • l’axe FLOWS, à l’extraction d’indicateurs de performance et de leur évolution s’agissant de systèmes de systèmes (ex. maintenance prédictive, prévision des ventes…),
  • l’axe DiSCS, à améliorer la connaissance situationnelle des acteurs de la gestion de crise,
  • l’axe TRACE, à la représentation en temps-réel d’un système spatio-temporel et des interactions entre les différentes infrastructures,
  • l’axe WHOPS, à l’extraction automatisée d’informations utiles à la meilleure prise en charge des patients. 

 

Verrous scientifiques du programme 

Le programme s’articule selon une boucle de mise en sens contextuel de la donnée en quatre étapes : 

  • Modélisation des besoins informationnels 

Méta-modélisation de systèmes complexes (type boucles d'autoconsommation collectives, bioraffineries virtualisées, situations de crise) afin de représenter la typologie d'information métier nécessaire à la compréhension/supervision dudit système et de/dans son environnement, notamment dans le cadre d’écosystèmes soumis aux incertitudes.

  • Pilotage de l’extraction d’information dans des flux de données 

Construire des IAs neuro-symboliques adaptables à la volée aux contextes et besoins informationnels.

  • Extraction des concepts et informations dans les flux de données 

Construire des IAs frugales et/ou auto-supervisées dans des contextes de pénurie de données.

  • Découverte de contextes décisionnels 

Construire des IAs neuro-symboliques permettant d’instancier et faire évoluer des méta-modèles.