> Offres de formation > Offres de thèses

Simplifier l'intelligence artificielle : apprendre des représentations interprétables

Défi technologique : Data intelligence dont Intelligence Artificielle (en savoir +)

Département : Département Systèmes et Circuits Intégrés Numériques (LIST)

Laboratoire : Laboratoire Intelligence Artificielle Embarquée

Date de début : 01-10-2022

Localisation : Saclay

Code CEA : SL-DRT-22-0305

Contact : laurent.soulier@cea.fr

Le domaine de l'intelligence artificielle est aujourd'hui dominé, en volume, par la recherche sur les réseaux de neurones profonds. En effet, il y a une dizaine d'années, ces derniers ont permis d'améliorer le traitement de problèmes réputés difficiles, notamment en vision par ordinateur et ont, depuis, suscité beaucoup d'engouement et d'espoirs. Or, si cette tendance est toujours présente, force est de constater que le passage du laboratoire à l'application reste limité pour plusieurs raisons. Une de ces raisons est le coût de mise en ?uvre de ces techniques qui reste élevé en termes de mémoire, calcul et puissance consommée (des centaines de watts contre de l'ordre de 15 W pour le cerveau humain). De plus, ce sont des algorithmes dits « boîte noire » : quand ils (ne) fonctionnent (pas) il est pratiquement impossible d'expliquer pourquoi, ce qui est un frein, d'une part à leur conception mais aussi à leur adoption dans des systèmes critiques. Une autre voie, dite symbolique, existe, essentiellement à base de règles écrites par des experts mais, si elles ont l'avantage de l'interprétabilité, elles ne passent pas à l'échelle pour des problèmes « de grande taille ». Pour adresser une partie des critiques ci-dessus, notre approche vise à utiliser le meilleur des deux mondes en exploitant l'état de l'art du « machine learning », non pas pour traiter directement un problème donné, mais pour générer un algorithme symbolique, sous forme d'automate, qui pourra adresser le problème de manière explicable et vertueuse en termes de ressources. Ainsi, une piste préliminaire envisageable serait de « disséquer » un réseau profond entraîné pour une certaine tâche, d'en extraire les primitives (une couche d'un CNN) auxquels la fonction de coût optimisée est la plus sensible et les relations entre ses primitives (comment un classifieur, par exemple un réseau « fully connected », combine les primitives pour aboutir à une réponse). Les résultats de ces travaux pourront être mis en valeurs dans un robot autonome et/ou un système de vision. Le doctorant devra posséder de solides base en machine learning et un goût pour la recherche dans un contexte pluridisciplinaire.

Voir toutes nos offres Télécharger l'offre (.zip)

Email Bookmark and Share