Enseignant-chercheur contractuel F/H IA pour l'industrie

Mission en enseignement

La personne recrutée assurera une charge d’enseignementde 64 heures équivalent TD par an afin de renforcer les activités pédagogiques dans les domaines de la science des données, de l'intelligence artificielle et des systèmes interactifs intelligents (par exemple : apprentissage automatique, IA fiable, aide à la décision basée sur l'IA, IA centrée sur l'humain, systèmes pilotés par les données, perception intelligente, IA explicable).

Elle contribuera aux cours existants et pourra en développer de nouveaux. Les activités d’enseignement cibleront principalement les programmes de niveau Master, en synergie avec le nouveau programme ERASMUS MUNDUS European Master in Sustainable Systems Engineering (UTC, Université de Gênes, Universitat Politècnica de Catalunya, et Université Polytechnique de Tirana). La personne recrutée aura également l’opportunité de contribuer au cursus du cycle ingénieur en informatique de l’UTC, tant pour les étudiants en formation initiale que pour ceux en alternance.

La personne recrutée intégrera le laboratoire Heudiasyc. Ce poste s’inscrit dans le cadre du programme CAP (Collaborative Acceleration Program) « AI for Industry and Risk Management », porté par le consortium PostGenAI@Paris de Sorbonne Université.

Objectifs :

Le projet aborde un enjeu central de l’IA industrielle moderne : passer de systèmes prédictifs performants à des systèmes d’IA fiables, auditables et adaptés aux analyses de risque, pour un déploiement dans des environnements opérationnels critiques.

Les technologies actuelles d’IA ont démontré des performances remarquables dans des domaines tels que la vision par ordinateur, la maintenance prédictive, la détection d’anomalies, le contrôle qualité, la prévision, ou encore l’aide à la décision. Toutefois, leur adoption dans les contextes industriels reste limitée en raison de plusieurs limitations structurelles :

• une interprétabilité limitée du comportement des modèles,
• des garanties insuffisantes en matière de robustesse et de fiabilité,
• une caractérisation insuffisante de l’incertitude en prédiction,
• un manque de robustesse face aux changements de distribution, aux événements rares et aux conditions adverses,
• un manque de traçabilité et d’auditabilité requis par les normes industrielles et réglementaires.

Le projet vise donc à établir un nouveau cadre méthodologique pour une IA industrielle de confiance, combinant rigueur statistique, explicabilité des prédictions et modélisation de l’incertitude, permettant une supervision informée par l’humain.

La personne recrutée rejoindra le laboratoire Heudiasyc et contribuera à un ou plusieurs axes scientifiques du projet. L’objectif ne se limite pas à une vision purement technique des outils de prédiction, mais inclut également la conformité réglementaire et la confiance opérationnelle (acceptation industrielle, amélioration de la supervision humaine).

De la simple prédiction vers une aide à la décision fiable:

• estimation des niveaux de confiance associés aux prédictions,
• identification des situations sortant du domaine de validité opérationnelle,
• aide à la décision industrielle sensible aux risques, avec communication de l’incertitude aux opérateurs humains.

Explicabilité et interprétabilité des systèmes d’IA:

• développement de modèles dont le comportement peut être analysé, interprété et audité par des experts métiers,
• apprentissage automatique explicable, techniques d’explication post-hoc,
• méthodes d’attribution,
• approches fondées sur le raisonnement causal et symbolique,
• représentations compréhensibles par l’humain des prédictions produites par l’IA.

Quantification et propagation de l’incertitude dans les environnements industriels (capteurs bruités, dégradation des capteurs, processus de production évolutifs, événements rares, jeux de données incomplets…):

• quantification des incertitudes épistémiques et aléatoires,
• détection des situations anormales ou imprévues, domain shift,
• calibration des estimations de la confiance,
• propagation de l’incertitude dans les chaînes de traitement IA.

Ces directions de recherche pourront être explorées à l’aide de différentes approches, telles que l’apprentissage bayésien, l’apprentissage évidentiel (evidential learning), ou la prédiction conforme, afin de doter