Le programme de recherche du DataIA-Cluster porte sur l’IA-Cœur, c’est-à-dire le socle scientifique de l’IA comme les algorithmes fondamentaux, l’apprentissage automatique et profond, les modèles probabilistes et statistiques, le traitement automatique du langage naturel (NLP), la vision par ordinateur ou encore les méthodes symboliques et logiques. Les travaux se concentrent sur des applications ciblées autour de 3 axes interdisciplinaires que sont les mathématiques, la physique et la médecine :
 

IA & Mathématiques : les mathématiques sont le socle de l’IA (statistiques, probabilités, optimisation, géométrie, logique). La recherche ici vise à inventer de nouvelles méthodes fondamentales pour rendre l’IA plus fiable, plus robuste et plus explicable.  
Exemple : créer de nouveaux modèles probabilistes capables de gérer l’incertitude dans les données.
 

IA & Physique : il s’agit d’utiliser l’IA comme outil pour explorer des systèmes physiques complexes, mais aussi de s’inspirer de la physique pour inventer de nouveaux modèles d’IA.  
Exemple : créer des modèles hybrides IA–équations physiques (« physics-informed AI ») capables de mieux prédire des phénomènes (climat, dynamique des fluides, matériaux).
 

IA & Médecine : c’est l’IA appliquée aux sciences de la vie et de la santé, mais avec une vraie recherche fondamentale pour garantir fiabilité, transparence et acceptabilité clinique.  
Exemple : développer des modèles d’IA pour le diagnostic médical à partir d’images (radiologie, histologie).

Ces recherches s’articulent autour de trois problématiques scientifiques :

Comment apprend l’IA ? (paradigmes d’apprentissage)  
Paradigmes d’apprentissage = comment les machines apprennent-elles vraiment ? Nos travaux veillent à explorer de nouvelles façons d’entraîner l’IA, d’inventer des apprentissages plus sobres et plus efficaces, pour aller vers une IA moins gourmande en données et en énergie.

Comment utiliser ce que l’on connaît déjà ? (équations connues)  
Équations connues = comment l’IA collabore avec les lois de la science ? Les projets de recherche visent à intégrer directement dans l’IA les équations de la physique, de la biologie, de l’économie etc... Dans ces disciplines, les équations sont le langage universel pour exprimer la connaissance. Le cœur de cette problématique consiste en créer des modèles hybrides qui respectent à la fois les données et les théories Établies dans les autres domaines.  L’objectif est de développer des IA capables de prédictions plus fiables et interprétables.

Peut-on avoir confiance dans les résultats ? (fiabilité)  
Fiabilité = comment être sûr qu’une IA est digne de confiance ? Il s’agit de développer des IA robustes, capables de communiquer à quel point, quand elles produisent un résultat, l'utilisateur peut faire confiance.Développer une IA fiable est a aussi de travailler sur l’explicabilité, pour comprendre les choix d’un algorithme, si les choix ont été bousculés pour des biais ou pas, concevoir des tests et garanties, un peu comme des contrôles qualité pour les systèmes d’IA. C’est indispensable dans beaucoup de domaines comme la santé, la justice, l’énergie ou la sécurité — où une erreur peut avoir des conséquences graves. Bref, il s’agit de construire une IA en laquelle on peut avoir confiance.

Pour toute question, merci de prendre contact avec : Demian Wassermann (demian.wassermann@inria.fr)
Directeur adjoint recherche de l’Institut DataIA, Directeur de Recherche Inria (équipe MIND)