L’équipe MosAIk a été créée en 2024 au Loria pour faire suite aux équipes Bird, K, Orpailleur et Synalp.

L’objectif principal de MosAIk est d’étudier les techniques/modèles/systèmes d’IA ainsi que les manières dont ils sont construits. Cela nécessite une compréhension et une expertise des différents aspects de l’IA. Autrement dit, notre objectif est de nous appuyer sur notre compréhension et sur la confrontation des propriétés de la diversité des approches de l’IA, de leurs forces et faiblesses, de leurs conditions d’application, et de la façon dont elles évoluent, afin à la fois d’améliorer cette compréhension et de progresser vers des systèmes d’IA plus efficaces, plus performants et plus robustes.

Pour atteindre cet objectif, les méthodologies déployées au sein de MosAIk doivent considérer les systèmes et approches d’IA à la fois du point de vue fondamental (descendant, « top-down ») et du point de vue applicatif (ascendant, « bottom-up »). Autrement dit, il fait partie des objectifs de MosAIk d’étudier, à la fois, les caractéristiques des systèmes, techniques et modèles d’un point de vue théorique et formel, et de mieux comprendre les conditions dans lesquelles ces systèmes, techniques et modèles peuvent être utilisés pour résoudre des problèmes complexes et difficiles issus d’autres disciplines. Pour cette raison, les travaux de recherche menés au sein de MosAIk se situent dans le quadrant formé par deux axes : l’un allant du purement théorique au purement applicatif, et l’autre considérant les deux principaux paradigmes de l’IA, à savoir les approches centrées sur la représentation explicite des connaissances traitées de manière automatique (IA symbolique), et les approches fondées sur l’apprentissage à partir de grandes quantités de données (apprentissage automatique). Nous reconnaissons cependant que cette dichotomie est approximative, et qu’une grande partie des travaux au sein de MosAIk tire sa force de la combinaison des paradigmes symbolique et d’apprentissage automatique, ainsi que des objectifs théoriques et applicatifs.

  – IA symbolique, théorie : Au sein de MosAIk, nous considérons les formalismes de représentation des connaissances, souvent fondés sur les logiques et intégrant des aspects complexes tels que l’incertitude, la temporalité ou le changement, ainsi que les divers paradigmes de raisonnement qu’ils permettent (qu’ils soient déductifs ou hypothétiques, par exemple le raisonnement à partir de cas, le raisonnement analogique).

  – IA symbolique, pratique : Le pendant pratique de l’IA symbolique s’intéresse à l’étude de moyens efficaces de construire des systèmes reposant sur la représentation explicite et formelle des connaissances. Cela inclut le domaine de l’ingénierie des connaissances, y compris l’ingénierie des ontologies, les graphes de connaissances et la création de systèmes de web sémantique. Cela concerne également des considérations pratiques relatives à l’applicabilité des processus de raisonnement, notamment leur efficacité et leurs performances.

  – Apprentissage automatique et apprentissage profond, théorie : Plusieurs aspects sont considérés dans le cadre de la théorie de l’apprentissage automatique au sein de MosAIk, notamment les fondements mathématiques des propriétés des modèles et algorithmes d’apprentissage automatique, la caractérisation de leurs comportements, ou encore les aspects méthodologiques de leur utilisation. Si une partie de ce travail théorique s’applique à des méthodes d’apprentissage automatique classiques et spécifiques telles que les SVM ou les modèles d’apprentissage profond, d’autres se concentrent plus généralement sur les aspects méthodologiques de l’entraînement, du raffinement et de l’application des modèles d’apprentissage automatique en général.

  – Apprentissage automatique et apprentissage profond, pratique : Du côté applicatif de l’apprentissage automatique et de l’apprentissage profond, les recherches menées au sein de l’équipe MosAIK portent sur des techniques et des méthodes permettant de résoudre des catégories spécifiques de problèmes, notamment la recommandation, la fouille de texte, le traitement de données ou la génération. La recherche dans ce domaine est guidée par des collaborations avec des experts de domaines d’application spécifiques, apportant des problèmes complexes qui nécessitent la conception de nouveaux modèles, approches et techniques en apprentissage automatique et apprentissage profond.