Modélisation et extraction automatisées d'informations pour les décideurs

Programme scientifique Automated Information Modeling and Extraction for Decision-Makers (AIME-DM)

Le programme scientifique Automated Information Modeling and Extraction for Decision-Makers (AIME-DM) s'attache à automatiser la modélisation et l'extraction d'informations pour faciliter la prise de décision dans des environnements complexes.

La connaissance situationnelle constitue un élément central du processus de prise de décision, à la fois pour les mécanismes cognitifs humains et pour les systèmes d'information d'aide à la décision. Elle permet de modéliser et d’extraire les informations essentielles à la compréhension des problématiques décisionnelles et leurs contextes. 

La connaissance situationnelle s'articule autour de deux axes majeurs : 

• l'adéquation des informations à un besoin métier clairement défini et évaluable à travers la modélisation de systèmes complexes dans leurs contextes ;
• l'automatisation de l'extraction et de l'interprétation contextuelle d'informations issues de flux de données hétérogènes et massifs. 

 

Objectifs du programme AIME-DM

Le programme AIME-DM propose des contributions et des animations autour des outils de caractérisation des besoins métier, de la capitalisation des expertises ainsi que des méthodes d’Intelligence Artificielle (IA) pour l’extraction automatisée d’informations exploitables par induction ou déduction. Il s’appuie sur les travaux menés dans les domaines de la connaissance situationnelle, de l’ingénierie des modèles et des connaissances, ainsi que des systèmes d’intelligence artificielle dédiés à l’analyse et à l’interprétation automatisée de données multimodales et hétérogènes. Le programme souhaite partager ses contributions avec les communautés en systèmes à base de modèles et connaissances (IEEE,) et de l’IA (NeurIPS, ICML, PFIA). Ses membres sont également actifs dans les GDR MaDICS et RADIA.

 

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.