ARIAC

Applications et Recherche pour une Intelligence Artificielle de Confiance

"ARIAC by DigitalWallonia4.ai" est un projet regroupant les cinq universités francophones et quatre centres de recherche agréés wallons (CRA) en vue d’accélérer le développement des technologies d’intelligence artificielle en Wallonie.

ARIAC

Applications et Recherche pour une Intelligence Artificielle de Confiance

"ARIAC by DigitalWallonia4.ai" est un projet regroupant les cinq universités francophones et quatre centres de recherche agréés wallons (CRA) en vue d’accélérer le développement des technologies d’intelligence artificielle en Wallonie.

L’initiative TRAIL (Trusted AI Labs) a été lancée fin 2020 et s’inscrit plus dans le cadre du programme régional DigitalWallonia4.ai qui a pour objectif d’accélérer le développement des technologies d’intelligence artificielle en Wallonie.

TRAIL regroupe les cinq universités francophones et quatre centres de recherche agréés wallons (CRA). Son ambition est de mutualiser les recherches en intelligence artificielle en Fédération Wallonie-Bruxelles.

Cette ambition se traduit aujourd’hui concrètement au travers du projet de recherche "ARIAC by DigitalWallonia4.ai", basé sur une convention entre la Région wallonne et les acteurs formant le consortium TRAIL.

Le projet ARIAC (Applications et Recherche pour une Intelligence Artificielle de Confiance) a été conçu par les partenaires de TRAIL pour être proposé dans le cadre du programme DigitalWallonia4.ai. Il doit s’étaler sur 6 ans et est articulé autour de 5 WP (Work Package) :

Interaction humain-IA
Les relations entre intelligence artificielle et experts humains ou simples utilisateurs offrent de nombreux avantages et ouvrent des perspectives quant à l’application de l’IA dans des domaines sensibles (médecine, justice, etc.). Ainsi, ces interactions humain-IA permettent d’améliorer les performances des algorithmes d’IA, d’aider à l’optimisation de processus complexes ou à la prise de décision consensuelle, tout en jouant un rôle important dans le développement de mécanismes de confiances envers l’IA et l’extraction de nouvelles connaissances. Il s’agit alors de fournir des explications, intelligibles par un expert du domaine d’application, au sujet des décisions et prédictions suggérées par un algorithme « boîte noire ». Toutes ces interactions peuvent se décliner sous différentes formes qui sont étudiées dans ce work package.

Mécanismes de confiance pour l’IA
Tandis que l’IA se fait de plus en plus omniprésente et pénètre des domaines où elle était encore inconnue jusque récemment, il devient évident qu’une relation de confiance doit être établie entre les utilisateurs et celle-ci. Qu’elles soient expertes ou non, les personnes confrontées à l’IA sont en droit d’attendre certaines garanties (fiabilités, respect de la confidentialité des données, stabilité et cohérence des décisions, etc.). Le work package cherche à répondre à ce besoin sous différents angles.

Intégration modèles-IA
L’essor qu’a connu l’IA ces dernières années est largement dû aux succès obtenus par l’application de techniques issues du machine learning. Ces succès sont le résultat de la
combinaison de trois facteurs : (1) le développement d’algorithmes novateurs, notamment pour l’entraînement de réseaux de neurones artificiels profonds, (2) la disponibilité
pléthorique de données dans de nombreux domaines et, (3) l’augmentation de la puissance de calcul et le développement de hardware dédié qui permet l’entraînement de ces modèles. La combinaison de ces trois facteurs a mené à des avancées impressionnantes en IA dans de nombreux domaines d’applications (robotique, vision par ordinateur, traitement du langage naturel, jeux, etc.). Ces succès et la facilité de mise en œuvre de ces méthodes donnent parfois à tort l’impression que ces approches purement dirigées par les données sont la solution universelle à tous les problèmes. Leurs limitations sont pourtant bien connues : elles sont extrêmement gourmandes en termes de données et de temps de calcul pour l’entraînement et elles mènent à des solutions parfois peu robustes, qui présentent des comportements erratiques, dans des situations de plus difficiles à caractériser. Ces défauts sont particulièrement préjudiciables dans les (nombreux) domaines d’application où les données sont moins pléthoriques et/ou il existe des attentes fortes en termes de robustesse (pour des questions de coûts ou de sécurité par exemple).
Une solution à ces deux limitations est d’intégrer à ces techniques dirigées par les données toutes connaissances a priori disponibles sur le processus qu’on cherche à modéliser. Ces connaissances peuvent être exprimées sous des formes très diverses, allant de simples contraintes sur les prédictions attendues à des modèles mathématiques complexes, en passant par une intuition d’expert sur la manière de découper le problème
en sous-tâches. Inversement, dans des contextes où des modèles ou simulateurs préexistent, l’apprentissage automatique apporte aussi des solutions élégantes pour analyser et exploiter les données générées par ces modèles/simulateurs. Dans ce contexte, ce workpackage vise au développement de stratégies novatrices combinant IA et modèles ou connaissances, pour l’obtention de solutions plus efficaces et robustes.

Implémentations optimisées de l’IA
Le développement fulgurant des technologies d’intelligence artificielle résulte en partie de la disponibilité récente de grandes quantités de données, associée à des moyens de calcul très performants (GPU) et massivement parallèles. Il n’en reste pas moins que dans de nombreux cas, il est souhaitable d’entraîner des modèles avec peu de données ou de les faire tourner sur des systèmes possédant des ressources de calculs limitées. Le work package s’intéresse à cette problématique, sous les angles suivants :

  • Les algorithmes de Transfer Learning
  • L’implémentation de l’IA sur des système embarqués au plus près du capteur qui fournit la donnée
  • Les algorithmes de Self-Supervised Learning
  • L’adaptabilité des IA (lifelong learning)

TRAIL Factory
Le Work Package a pour objectifs de guider et de participer à la montée en maturité de la recherche menée dans les autres work packages ainsi que d’animer un écosystème d’innovation, la TRAIL Factory, où les apports successifs d’ARIAC par l’interaction avec les entreprises prestataires de l’IA et celles qui utilisent l’IA vient nourrir des nouveaux défis de recherche.
Pour ce faire, le Work Package servira de liant pour aligner les orientations de la recherche sur les problématiques R&D applicatives du tissu socio-économique wallon dans les secteurs prioritaires définis par la Déclaration de Politique Régionale (DPR) du Gouvernement wallon :

  • Répondre aux futurs besoins industriels au travers de la définition et la mise en œuvre de défis R&D collectifs ;
  • Lancer la TRAIL Factory (version beta) et l’alimenter de briques technologiques développées dans les autres Work Packages ;
  • Fournir les outils logiciels nécessaires aux chercheurs pour faciliter la mise en œuvre de leurs développements sur une infrastructure et des ensembles de données plus volumineux afin de franchir une première étape de montée en maturité technologique pour les préparer à une future exploitation ou appropriation par le tissu socio-économique ;
  • Contribuer au rayonnement de la recherche et valider les développements, notamment au travers de démonstrateurs en laboratoire fournissant des réponses aux défis R&D collectifs.

Pour en savoir plus : https://www.digitalwallonia.be/fr/publications/ariac-by-dw4ai