Appel à projet de la MSH : projets en sciences des données, Intelligence Artificielle et société

L’objectif est de promouvoir des projets de recherche à fort potentiel sur le numérique, portés par des chercheurs issus d’unités et de disciplines différentes du territoire saclaysien.

Le projet sélectionné bénéficiera d’un budget de 160.000 € sur 24 mois, incluant notamment le financement d’un à deux post-doctorants en sciences humaines et sociales.

Les projets déposés

Le programme scientifique de chaque proposition devra aborder explicitement au moins un des quatre axes de recherche esquissés ci-dessous, qui sont les quatre défis interdisciplinaires de DATAIA.

Des données à la connaissance, des données à la décision
- Données hétérogènes, complexes, incomplètes, semi-structurées et/ou incertaines ;
- Fast big data : structuration de la donnée pour pouvoir l’exploiter ;
- Apprentissage en ligne, méthodologie pour les données massives, méthodes efficientes ;
- Amélioration du stockage, calcul et estimation pour la science des données ;
- Modélisation des interactions entre agents (humains ou artificiels) par théorie des jeux ;
- Représentation et algorithmes multi-échelle et multimodaux ;
- Analyse théorique de méthodes heuristiques (théorie de la complexité, géométrie de l’information, théorie des chaînes de Markov) ;
- Coévolution Humain-Machine dans les systèmes autonomes : agents conversationnels, voitures, robots sociaux.

De l'Apprentissage Statistique Profond à l'Intelligence Artificielle
- Nouvelles approches en apprentissage statistique et IA : sens commun, adaptabilité, généralisation ;
- Apprentissage profond et apprentissage adversarial ;
- Apprentissage automatique et hyper-optimisation ;
- Optimisation pour l’apprentissage, e.g., améliorations des méthodes de gradient stochastique, optimisation bayésienne, optimisation combinatoire ;
- Lien apprentissage-modélisation, intégration d’a priori dans l’apprentissage ;
- Reproductibilité et apprentissage robuste ;
- Inférence statistique et validation ;
- Compositionnalité des architectures profondes.

Transparence et Confiance numérique
- Audit des systèmes algorithmiques : non-discrimination, loyauté, biais techniques, neutralité, équité ;
- Mesure de la confiance et de l’appropriation du numérique ;
- Explicabilité par construction ;
- Transparence par construction, équité par construction ;
- Analyse progressive centrée utilisateur (supervision interactive des systèmes de décision : visualisation, tableaux de bord, IHM) ;
- Responsabilité du traitement de l’information et de la prise de décision : contrôle d’usage des données et fact-checking ;
- Découverte causale, traçabilité des inférences à partir des donn.es sources, interprétabilité des architectures profondes.
- Méthodologies éthiquement responsables à travers la transparence et la redevabilité des systèmes algorithmiques ;

Economie, régulation et protection de la donnée
- Responsabilité by-design ;
« Privacy-by-design », régulation générale de la protection des données (RGPD), incluant « differential privacy » ;
- Apprentissage distribué respectueux de la vie privée ; Développement de méthodologies éthiquement responsables, et de technologies pour réguler la collecte, l’usage et le traitement des données personnelles, et l’exploitation des connaissances tirées de ces données ;
- Sécurité informatique des chaînes de traitement de données ;
- Sécurité/cryptographie : blockchain et tiers de confiance.