Centre de Recherche en Intelligence Artificielle

Axes de recherche

Au CRIA, nos chercheurs développent des solutions innovantes d’intelligence artificielle pour résoudre des problèmes fondamentaux du traitement automatique du langage naturel, de la planification, de l’apprentissage machine, des sciences de données, de l’extraction des connaissances, de l’informatique cognitive et du web sémantique.

La programmation scientifique du centre s’articule autour de quatre axes chacun donnant lieu à une équipe de recherche.

• Axe-1: Science des données.

  Nous continuerons nos recherches sur l’AM (profond ou non), la découverte de connaissances, etc. L’accent sera mis sur les méthodes capables d’accommoder des sources de connaissances hétérogènes et d’y appuyer le processus de découverte de régularités. À plus long terme, nous étudierons l’intégration des composants d’une méthode d’AM dans des structures de connaissances afin de faciliter la trace des étapes du processus d’apprentissage et augmenter son intelligibilité, voire permettre une explication.

• Axe-2: Ingénierie des connaissances, Architectures cognitives, Raisonnement.

  Une théorie de la cognition justifie les principes du fonctionnement du cerveau. Nous avons contribué depuis quelques années à la construction d'architectures cognitives implémentant les théories les plus populaires. Dans la perspective de notre vision, il s'agira de revisiter les architectures les plus prometteuses pour tenter d’y fonder une ‘plausibilité cognitive’ pour les processus d'AP. Celle-ci ne vise pas à réduire l’IA à des modèles explicables de point de vue cognitif mais plutôt d’édifier un cadre de recherche où les sciences cognitives et l’IA se côtoient mutuellement au bénéfice de l’avancement des théories de la cognition humaine et du développement des modèles d’IA cognitivement plus efficace. Par ailleurs, nous allons poursuivre nos travaux en ingénierie des connaissances (construction, restructuration et maintien d’ontologies, hiérarchies de sujets, etc.) dans une optique hybride, par exemple, en y intégrant des méthodes d’AM où les données aident à raffiner les représentations

• Axe-3: Planification automatique et Aide à la décision.

  La planification automatique fournit aux machines la capacité de prendre des décisions complexes de façon autonome, ce qui est essentiel en robotique mobile, les jeux, etc. La recommandation exploite pour cela des donnés historiques liées à la consommation, l’évaluation ou la résolution de problèmes à l’aide d’algorithmes de découverte de régularité qui en grande parties proviennent de l’AP. Au niveau fondamental, nous chercherons à étendre les modèles de planification sous incertitude par l’intégration des techniques d’AM par renforcement qui permet une amélioration automatique en présence de retour. En outre, les bénéfices de l’insertion de connaissances sur le domaine dans un moteur de recommandation ainsi que la modélisation du consommateur du point de vue cognitif seront investigués.

• Axe-4: Traitement automatique de la langue (TAL).

  Le TAL telle que nous le pratiquons mélange les ontologies, les modèles cognitifs et les statistiques. Les problématiques concrètes incluent la traduction automatique, l’analyse des médias sociaux, l’analyse des sentiments et la fouille d’émotions, les agents conversationnels, etc. La recherche en extraction d’information se focalise sur la découverte d’informations structurées depuis de textes afin de supporter la construction de graphes de connaissances (knowledge graphs). Sur cet axe, nous allons investiguer les façons d’insérer des connaissances sur le domaine dans les techniques du TAL et de l’EI à inspiration statistique. Inversement, nous travaillerons à outiller les techniques langagières afin de mieux supporter la construction et le maintien de larges structures de connaissances corporatives.

---