18
Annexe 4 - Description des sujets de recherche disruptifs
Le groupe de travail recherche amont a identifié 36 sujets de recherche disruptifs. Ces sujets ont été
classés en 9 grandes thématiques: perception; collaboration humain machine; intelligence artificielle à large échelle; explicabilité; apprentissage machine; résolution de problèmes; décision,
agents autonomes et intelligence collective; intelligence artificielle générale; enjeux éthique et
sociaux, acceptabilité, et protection de la vie privée.
Chacun de ces sujets de recherche disruptifs et de ces grandes thématiques est détaillé ci-dessous.
Perception
La perception et les informations perceptuelles sont une entrée de beaucoup de systèmes de raisonnement. Par exemple, pour concevoir des robots capables d'interagir avec leur environnement les capacités de perception sont le premier chainon indispensable avant de mener un raisonnement, de prendre
une décision et d’agir. Or beaucoup reste à faire sur ces problématiques liées à la perception.
Les grands défis concernant cette thématique:
Vision
La recherche en vision artificielle connaît des développements sans précédent depuis une quinzaine
d’années sur des aspects en lien avec l’intelligence artificielle. Cette réussite repose à la fois sur des
avancées en termes de modélisation de l’information visuelle et de représentation des connaissances,
sur des méthodes d’apprentissage statistiques exploitant des données massives annotées, et enfin sur
des calculateurs très puissants adaptés aux types de calcul nécessaires (GPU). Les approches de modélisation reposant sur des architectures neuronales profondes, en particulier les réseaux de neurones
convolutionnels, sont aujourd’hui les approches dominantes. De très nombreux champs s’ouvrent dans
la discipline pour revisiter différentes tâches de vision complexes (comme la segmentation sémantique, la détection d’objets, la reconnaissance d'actions) en faisant collaborer ces modèles avec
d’autres approches (comme les modèles graphiques ou plus généralement des méthodes par raisonnement). Il reste également des défis importants concernant la représentation des données visuelles
(géométriques, structurées, etc.) ou multimodales (vision et langage), et l’apprentissage dans des contextes variées (faiblement ou non supervisé) afin de vraiment gagner en généralité dans les applications de vision. La génération automatique de données d'apprentissage est une question ouverte. Enfin,
les méthodes associant apprentissage à partir des données, représentation des connaissances et raisonnement deviennent un défi important, par exemple pour la compréhension globale et de haut niveau de
scènes visuelles (statiques, dynamiques, 3D) intégrant les relations et interactions entre objets.
Parole / Audio / Dialogue
Le traitement automatique du langage parlé (TALP) et le dialogue doivent résoudre des problèmes
spécifiques liés à la nature du signal parlé ou de la communication interactive. L'approche dominante
pour retranscrire le signal s'appuie sur un apprentissage statistique, en particulier les réseaux profonds,
exploitant des données annotées. L'étape de transcription automatique précède généralement l'application de programmes de traitement automatique des langues dédiés à la compréhension, traduction,
analyse de ces énoncés. Les principaux enjeux, outre l'amélioration des méthodes d'apprentissage aux
Annexe 4 - Description des sujets de recherche disruptifs
Le groupe de travail recherche amont a identifié 36 sujets de recherche disruptifs. Ces sujets ont été
classés en 9 grandes thématiques: perception; collaboration humain machine; intelligence artificielle à large échelle; explicabilité; apprentissage machine; résolution de problèmes; décision,
agents autonomes et intelligence collective; intelligence artificielle générale; enjeux éthique et
sociaux, acceptabilité, et protection de la vie privée.
Chacun de ces sujets de recherche disruptifs et de ces grandes thématiques est détaillé ci-dessous.
Perception
La perception et les informations perceptuelles sont une entrée de beaucoup de systèmes de raisonnement. Par exemple, pour concevoir des robots capables d'interagir avec leur environnement les capacités de perception sont le premier chainon indispensable avant de mener un raisonnement, de prendre
une décision et d’agir. Or beaucoup reste à faire sur ces problématiques liées à la perception.
Les grands défis concernant cette thématique:
Vision
La recherche en vision artificielle connaît des développements sans précédent depuis une quinzaine
d’années sur des aspects en lien avec l’intelligence artificielle. Cette réussite repose à la fois sur des
avancées en termes de modélisation de l’information visuelle et de représentation des connaissances,
sur des méthodes d’apprentissage statistiques exploitant des données massives annotées, et enfin sur
des calculateurs très puissants adaptés aux types de calcul nécessaires (GPU). Les approches de modélisation reposant sur des architectures neuronales profondes, en particulier les réseaux de neurones
convolutionnels, sont aujourd’hui les approches dominantes. De très nombreux champs s’ouvrent dans
la discipline pour revisiter différentes tâches de vision complexes (comme la segmentation sémantique, la détection d’objets, la reconnaissance d'actions) en faisant collaborer ces modèles avec
d’autres approches (comme les modèles graphiques ou plus généralement des méthodes par raisonnement). Il reste également des défis importants concernant la représentation des données visuelles
(géométriques, structurées, etc.) ou multimodales (vision et langage), et l’apprentissage dans des contextes variées (faiblement ou non supervisé) afin de vraiment gagner en généralité dans les applications de vision. La génération automatique de données d'apprentissage est une question ouverte. Enfin,
les méthodes associant apprentissage à partir des données, représentation des connaissances et raisonnement deviennent un défi important, par exemple pour la compréhension globale et de haut niveau de
scènes visuelles (statiques, dynamiques, 3D) intégrant les relations et interactions entre objets.
Parole / Audio / Dialogue
Le traitement automatique du langage parlé (TALP) et le dialogue doivent résoudre des problèmes
spécifiques liés à la nature du signal parlé ou de la communication interactive. L'approche dominante
pour retranscrire le signal s'appuie sur un apprentissage statistique, en particulier les réseaux profonds,
exploitant des données annotées. L'étape de transcription automatique précède généralement l'application de programmes de traitement automatique des langues dédiés à la compréhension, traduction,
analyse de ces énoncés. Les principaux enjeux, outre l'amélioration des méthodes d'apprentissage aux