Le centre de Lille à la pointe de l’apprentissage automatique

Entre le centre Inria de Lille et l’intelligence artificielle, l’histoire remonte au début des années 2000. Dès cette époque plusieurs équipes-projets spécialisées en apprentissage automatique se forment au sein du centre. Elles attirent alors de nombreux chercheurs et chercheuses venus explorer ce champ de l’IA. « Beaucoup d’entre eux sont toujours là aujourd’hui. Ils travaillent au sein des équipe Links, Magnet, Bonus, Sequel…, explique Philippe Preux, fondateur et responsable de l’équipe-projet Sequel, et délégué scientifique adjoint du centre. On peut dire que depuis les années 2000, Lille a acquis une reconnaissance importante, nationale et internationale, dans le domaine de l’apprentissage automatique. » Aujourd’hui, deux équipes lilloises sont entièrement spécialisées dans l’apprentissage automatique. Et plusieurs autres équipes mènent des recherches liées à l’IA.

Magnet et Sequel : au cœur de l’IA

L’équipe-projet Magnet* étudie l’apprentissage automatique dans le contexte des graphes et réseaux et des données en langue naturelle. Des travaux mis en œuvre, par exemple, dans des applications de recommandations aux internautes : avec qui se connecter sur les réseaux sociaux ? Quel article ou produit est susceptible de les intéresser ? etc. L’équipe Magnet met l’accent également sur les problématiques liées à la vie privée et à la propriété des données. Comment faire de l’apprentissage automatique et des recommandations dans un contexte de protection des données personnelles ? Les textes en langage naturel constituent une source importante d’information étudiée par les chercheurs et chercheuses de Magnet. Ce sujet mobilise notamment l’équipe associée LEGO qui rassemble des chercheurs de Magnet et de l’université de Californie du Sud. « Nous entraînons les machines à générer des représentations de mots dans l’espace pour leur permettre de faire des rapprochements sémantiques entre les mots, d’étudier la syntaxe des phrases et ainsi, de comprendre le sens des textes et même les émotions, les sentiments associés », explique Aurélien Bellet, chercheur au sein de Magnet et LEGO.

Créée en 2006, l’équipe-projet Sequel* est, quant à elle, spécialisée dans l’apprentissage séquentiel. Au lieu de considérer que les données sont disponibles (dans une base de données par exemple), Sequel va traiter des données qui arrivent en flux, les unes après les autres. « Cela permet d’aborder un grand nombre de problèmes, indique Philippe Preux. Au sein de l’équipe nous analysons plus particulièrement la prise de décision séquentielle. C’est par exemple ce qui se passe dans un jeu de plateau, ou de nombreux jeux de cartes. Chacun joue alternativement, puis décide de son prochain coup en tenant compte de ce qu’il s’est passé. » Ces travaux sont par exemple appliqués dans le e-commerce et la publicité en ligne. Mais l’équipe travaille sur d’autres sujets comme la conduite d’un véhicule autonome et réfléchit à des travaux visant la médecine personnalisée ou des applications en écologie et pour le développement durable. En médecine, « l’idée serait de se baser sur des historiques et des profils de patients pour, par exemple, recommander le type d’examen qu’il faudrait pratiquer, en prenant en compte le compromis entre l’utilité et l’efficacité de l’examen et son coût (financier, humain, ...) ». Une partie de Sequel se penche sur l’acquisition du langage : comment des agents apprennent-ils à parler entre eux en langue naturelle ? C’est notamment l’objet du projet GuessWhat ?! Pour cela, des agents virtuels (des logiciels) participent à un jeu consistant à trouver un objet dans une image en se posant des questions et en y répondant en anglais. Sequel s’intéresse également  à l’éducation et au e-learning en développant des méthodes automatiques et personnalisées d’apprentissage qui vont par exemple proposer à un ou une élève une suite d’exercices adaptée à ses connaissances et compétences.

Modal et Links : statistiques et traitement de données

L’équipe-projet Modal* est spécialisée en statistique pour l’analyse de données dites « complexes » mais très répandues aujourd’hui (descripteurs de types mélangés, données fonctionnelles, données manquantes, haute dimension). Modal s’intéresse en particulier à des problématiques de clustering (regroupement de données en fonction de leur ressemblance) et de visualisation de données. Ce sont des types d’apprentissage que l’on qualifie souvent de non supervisés car ils ouvrent la possibilité de faire émerger des connaissances jusqu’alors inconnues car enfouies dans la masse des données. Les applications de ces travaux sont nombreuses, l’étape de clustering permettant par exemple de flexibiliser des tâches de prédiction (qualité, rendement...) pour la maintenance prédictive notamment. L’équipe-projet Links*, de son côté s’intéresse surtout aux bases de données liées comme celles disponibles sur Internet. Ces dernières sont très nombreuses et il s’agit d’en extraire l’information pertinente pour répondre à une requête. C’est par exemple ce que tape un utilisateur ou une utilisatrice dans un moteur de recherche sur Internet. « Comment le moteur de recherche fait-il pour répondre le mieux possible à une question posée ? Où chercher l’information ? Quel type d’information ? C’est d’autant plus difficile que les bases de données sont complexes, ont des structures différentes, et évoluent au fil du temps. Pour cela, il faut prendre en compte la sémantique, comprendre l’information portée par les données. Ce sont des problématiques très importantes pour l’intelligence artificielle », précise Philippe Preux.  

Inocs et Bonus : optimisation

Très proches, les équipes Bonus et Inocs travaillent sur des problématiques d’optimisation. Il s’agit de trouver le plus rapidement possible une solution parmi un très grand ensemble de solutions. De nombreux problèmes d’intelligence artificielle se formulent comme des problèmes d’optimisation ; par exemple, oj retrouve des problèmes de clustering. Du côté de l’équipe Bonus*, les chercheurs réfléchissent à la résolution de problèmes d’optimisation dans lesquels un compromis entre plusieurs, voire beaucoup d’objectifs doit être trouvé ; par exemple, aller de Lille à Bordeaux en consommant le moins de carburant possible. En collaboration avec l’ONERA et le CNES, Bonus étudie notamment la conception de véhicules spatiaux faisant appel à plusieurs logiciels de simulation. « Cela nécessite énormément de ressources de calcul. » C’est pourquoi, l’optimisation assistée par l’apprentissage statistique (métamodélisation) et basée sur le calcul haute performance est au cœur des activités de l’équipe. Pour sa part, l’équipe Inocs* s’intéresse aux méthodes d’optimisation connues sous le nom de programmation mathématique pour la résolution de problèmes à plusieurs niveaux. L’équipe travaille notamment sur des méthodes de gestion de livraison en collaboration avec une entreprise au sein d’un laboratoire commun : Colinocs. L’idée est de trouver comment gérer dynamiquement les colis transportés par une flotte de véhicule. Ils ont également une activité sur l’optimisation des prix, comme par exemple les tarifs de l’électricité.

Et aussi : Defrost, Fun et Loki

L’équipe-projet Defrost* conçoit des robots mous. Les chercheurs développent des travaux sur la simulation et le contrôle de ce type de robots déformables. Pour résoudre des tâches complexes, le comportement du robot doit pouvoir adapter son comportement aux conditions qu’il rencontre. Pour cela, une piste à l’étude concerne l’utilisation de méthode d’apprentissage par renforcement avec l’équipe Sequel dont c’est la spécialité.
L’équipe-projet Fun quant à elle est spécialisée dans l’Internet des objets. Elle a par exemple développé des travaux pour le suivi des containers avec la start-up TRAXENS tout au long de leur périple (cargo, camion, entrepôts...). Chaque container est équipé de tag qui permet de suivre son trajet. « Derrière cette technologie il y a des problématiques de gestion de tags qui nécessitent de l’intelligence artificielle. » 
Enfin, dernière équipe faisant partie des forces IA du centre, citons Loki*. Elle mène des recherches en interaction humain-machine, un domaine qui explore entre autres l'utilisation de l'IA pour rendre les interfaces des ordinateurs plus adaptées aux usages, besoins et capacités de leurs utilisateurs. Loki travaille aussi sur la visualisation de données, qui intéresse les chercheurs en IA. « Les techniques d’apprentissage automatique que nous étudions à Lille sont basées sur les données, que nous avons besoin de visualiser. Et l’équipe Loki travaille sur ce sujet », indique Philippe Preux.

*l’équipe-projet Magnet est commune entre Inria, le CNRS, l’Université de Lille − sciences humaines et sociales et l'Université de Lille − sciences et technologies. Au sein de l'UMR 9189 CNRS-Centrale Lille-Université de Lille − sciences et technologies, CRIStAL.

*l'équipe-projet Sequel est commune entre Inria, le CNRS, l'Université de Lille − sciences et technologies et l'Université de Lille − sciences humaines et sociales. Au sein de l'UMR 9189 CNRS-Centrale Lille-Université de Lille − sciences et technologies, CRIStAL.

 *l'équipe-projet Modal est commune entre Inria, le CNRS, l'Université de Lille − sciences et technologies et l'Université de Lille − droit et santé. Au sein de l'UMR 8524 CNRS-Université de Lille − sciences et technologies, Laboratoire Paul Painlevé, et de l'EA 2694 "Santé Publique : épidémiologie et qualité des soins" de l'Université de Lille − droit et santé.

*l'équipe-projet Links est commune entre Inria, le CNRS, l'Université de Lille − sciences et technologies et l'Université de Lille − sciences humaines et sociales. Au sein de l'UMR 9189 CNRS-Centrale Lille-Université de Lille − sciences et technologies, CRIStAL.

*l'équipe Inocs est commune entre Inria, Centrale Lille et l’Université Libre de Bruxelles. Au sein de l'UMR 9189 CNRS-Centrale Lille-Université de Lille − sciences et technologies, CRIStAL.

*l'équipe Bonus est commune entre Inria, l'Université de Lille − sciences et technologies. Au sein de l'UMR 9189 CNRS-Centrale Lille-Université de Lille − sciences et technologies, CRIStAL.

*l’équipe-projet Defrost est commune entre Inria, Centrale Lille, l’Université de Lille – sciences et technologies, le CNRS. Au sein de l'UMR 9189 CNRS-Centrale Lille-Université de Lille − sciences et technologies, CRIStAL.

*l'équipe Loki est commune entre Inria, le CNRS et l'Université de Lille − sciences et technologies. Au sein de l'UMR 9189 CNRS-Centrale Lille-Université de Lille − sciences et technologies, CRIStAL.