M2 Data, Knowledge and Hybrid Artificial Intelligence (DKAI)

Fondements et compréhension globale

Développer une compréhension solide des fondements théoriques et méthodologiques de la science des données, de l’ingénierie des connaissances et de l’intelligence artificielle hybride, couvrant les dimensions symboliques et connexionnistes de l’IA.

Compétences en science des données et intelligence artificielle hybride

• Analyser et modéliser des problèmes complexes en mobilisant les méthodes de la science des données, de l’IA symbolique et de l’IA hybride, dans des contextes variés et en lien avec les besoins des utilisateurs.
• Associer une catégorie de problèmes à des approches adaptées : machine learning, deep learning, raisonnement symbolique, intégration de connaissances ou méthodes hybrides, et en évaluer la pertinence en termes de performance, explicabilité et robustesse.
• Identifier les problèmes nécessitant des architectures distribuées ou massivement parallèles, et déployer les outils big data appropriés.
• Concevoir, administrer et exploiter des bases de données relationnelles, graphes de connaissances ou données non structurées, et développer des interfaces de visualisation et d’interaction adaptées à la science des données.
• Développer et déployer des solutions d’IA fiables, explicables et de confiance, intégrant la représentation des connaissances, l’apprentissage et le raisonnement.
• Évaluer et interpréter les résultats des systèmes IA/data complexes selon des critères de performance, scalabilité, robustesse et pertinence des connaissances mobilisées.
• Mettre en œuvre des protocoles de validation et de test garantissant la fiabilité et la conformité des solutions d’IA et de science des données.
• Assurer la maintenance, l’évolution et l’adaptation continue des systèmes IA/data en fonction des avancées technologiques et des besoins applicatifs.
• Modéliser, raisonner sous contraintes et extraire des connaissances par des approches de fouille déclarative et de raisonnement sur graphes.

Compétences transversales

• Mobiliser des connaissances avancées en apprentissage automatique, représentation des connaissances et IA hybride pour développer des approches innovantes.
• Développer une pensée critique vis-à-vis des méthodes d’IA et de data science, notamment sur leurs limites d’interprétation et de généralisation.
• Contribuer à des projets de recherche et d’innovation en IA et science des données, dans des contextes interdisciplinaires et internationaux.
• Assumer des responsabilités scientifiques et techniques pour améliorer les pratiques et la performance des équipes IA/data.
• Communiquer efficacement, à l’oral et à l’écrit, en français et en anglais, pour diffuser, valoriser et vulgariser les résultats de projets IA et data science.
• Intégrer les principes d’éthique, de fiabilité et de responsabilité sociale dans la conception et l’utilisation des systèmes d’intelligence artificielle et de gestion des connaissances.