Big data & Intelligence artificielle

Chaque jour, les entreprises créent et manipulent un nombre considérable de données. Celles-ci constituent ainsi une véritable richesse, autrefois largement sous-exploitée par les organisations. Mais pour en profiter, encore faut-il pouvoir recueillir, visualiser et analyser cet énorme volume d’informations. Le terme « big data » a d’ailleurs été inventé pour témoigner de la quantité colossale de données circulant dans notre monde numérique.

Pour répondre à ce défi, les progrès en data science, ou science des données, sont incontournables, tant sur le plan des concepts scientifiques, des infrastructures numériques (calcul et cloud) que des méthodes de déploiement et d’industrialisation. Les ambitions sont nombreuses : améliorer la qualité des données récoltées, mettre au point des méthodes de visualisation et d’analyse de grandes quantités d’informations, optimiser les flux au sein des entreprises… Pour des applications dans absolument tous les secteurs concernés par les grandes transitions : numérique, industrielle, environnementale, sociétale…

Ce domaine de recherche est souvent associé au domaine de l’intelligence artificielle. En effet, l’IA offre de nouvelles perspectives en matière d’analyse automatique des données et des connaissances. Si les premiers travaux à ce sujet remontent aux années 1950, avec notamment les premiers réseaux de neurones artificiels, ce sont les récents progrès technologiques qui ont permis l’essor de la data science et de l’IA. Aujourd’hui, des techniques d’apprentissage automatique telles que le machine learning et le deep learning sont donc des réalités dans de nombreux secteurs applicatifs. Cependant, il reste encore énormément de problèmes à résoudre. Quels algorithmes sélectionner en fonction des situations à traiter ? Comment généraliser et utiliser dans différents contextes les modèles appris ? Comment rendre intelligibles et expliquer les résultats issus de ces différents modèles ? Comment intégrer les techniques d’apprentissage automatique avec des techniques de raisonnement symbolique, de graphes de connaissances pour construire des systèmes hybrides ? Comment intégrer l’intelligence artificielle dans des systèmes embarqués (ou « edge computing ») ? De quelle façon optimiser la puissance de calcul, et donc la consommation d’énergie, associée ?

Mais les enjeux actuels de l’IA vont au-delà des problématiques scientifiques et technologiques. Il est en effet nécessaire de s’interroger sur les impacts de ces nouvelles technologies sur la société et de réfléchir à la façon dont une machine « intelligente » peut véritablement venir en aide aux individus. Les sciences humaines et sociales ont donc ici un rôle essentiel à jouer, en vue d’une intégration réussie auprès des utilisateurs.

C’est pourquoi la pluridisciplinarité du Carnot Télécom et Société numérique, s’appuyant sur la thématique phare Data analytics & AI de l’Institut Mines-Télécom, représente un atout majeur. Nos chercheurs couvrent ainsi un large champ de compétences autour du big data et de l’intelligence artificielle : apprentissage machine et science des données, traitement du signal et des images, raisonnement symbolique et représentation des connaissances, décisions autonomes, agents autonomes et assistants, optimisation et satisfaction de contraintes, modélisation guidée par les données, IA responsable et impacts de l’IA incluant droit, économie et sociologie de l’IA…. Et leurs résultats permettent à de nombreuses entreprises, dans divers secteurs (de la santé à l’industrie 4.0 en passant par les transports, l’énergie), de reprendre la main sur leurs données, d’améliorer leur compréhension et d’en tirer véritablement profit.