25
Optimisation
Un bon nombre de sous-problèmes fondamentaux en machine learning (optimisation/estimation de
paramètres avec une fonction de perte pénalisant la complexité) tout comme en raisonnement logique
difficile (calcul de bornes et inférences massives efficaces) se réduisent in fine à des problèmes d'optimisation continue ou de satisfaction discrète en grande dimension, avec des formes de critères spécifiques, éventuellement bruités. Tout progrès marqué sur l'efficacité théorique ou pratique des algorithmes d'optimisation ou l'identification de nouveaux cas traitables efficacement (classes polynomiales) significatifs peut avoir un effet massif sur les capacités des outils de l'IA, en machine learning
comme en raisonnement logique.
Certaines architectures de calcul (quantiques, photoniques) dont on voit des prototypes industriels au
niveau international (eg. D-Wave), pourraient potentiellement changer la donne car elles sont ciblées
sur la résolution efficace de problèmes d'optimisation et de comptage discret. Il s'agit d'une thématique
portée par la physique quantique.
Recherche heuristique et méta-heuristique
Dans le domaine de l'optimisation (et plus particulièrement l'optimisation dans des espaces discrets,
mixtes, ou peu structurés), et par opposition à la recherche exacte, la recherche heuristique applique
des règles d'exploration de l'espace qui sont spécifiques au type de problème (appelées heuristiques).
Les méta-heuristiques sont des façons génériques d'appliquer ces règles spécifiques, et de sélectionner
les solutions que l'on va conserver d'une itération à l'autre - souvent inspirées librement par des phénomènes naturels (recuit simulé, évolution et sélection naturelle, colonies de fourmis, etc). La souplesse d'adaptation de ces algorithmes à des problèmes ne tombant pas dans les formalismes standards
des problèmes combinatoires leur a permis d'obtenir de nombreux succès industriels ... et quelques
succès académiques. Les sujets de recherche disruptifs sont la recherche de résultats théoriques à la
hauteur des réalisations pratiques, au moins pour les problèmes combinatoires classiques, la construction automatique de méta-heuristiques ad hoc (oxymore) pour des classes de problèmes, voire par
instance, à partir de descripteurs des instances, et l'hybridation de méthodes exactes et heuristiques
Raisonnement Multi-Echelle
Le monde dans lequel évoluent des agents humains ou artificiels peuvent être décrits, appréhender à
différents niveaux de granularité, selon le niveau d’abstraction nécessaire pour l'évaluation, l’action ou
l’explication. Il n’existe pour ainsi dire pas de systèmes capables de passer d’un niveau de description
à un autre selon les besoins. Or, cela semble nécessaire, à la fois en terme d'explicabilité (pour intéragir avec des utilisateurs), et en termes de la réduction potentielle de la complexité des problèmes.
Décision, agents autonomes et intelligence collective
Il y a beaucoup d’applications potentielles demandant l’intervention de plusieurs agents, qui peuvent
être des entités artificielles logicielles (sur internet) ou matérielles (robots). On peut imaginer par
exemple le développement d’assistants personnels représentant et négociant pour leur propriétaire, ou
des applications où plusieurs robots doivent collaborer pour le secours de personnes, etc. Il est crucial
de disposer des outils formels et algorithmiques nécessaires à la modélisation et à la régulation de ces
Optimisation
Un bon nombre de sous-problèmes fondamentaux en machine learning (optimisation/estimation de
paramètres avec une fonction de perte pénalisant la complexité) tout comme en raisonnement logique
difficile (calcul de bornes et inférences massives efficaces) se réduisent in fine à des problèmes d'optimisation continue ou de satisfaction discrète en grande dimension, avec des formes de critères spécifiques, éventuellement bruités. Tout progrès marqué sur l'efficacité théorique ou pratique des algorithmes d'optimisation ou l'identification de nouveaux cas traitables efficacement (classes polynomiales) significatifs peut avoir un effet massif sur les capacités des outils de l'IA, en machine learning
comme en raisonnement logique.
Certaines architectures de calcul (quantiques, photoniques) dont on voit des prototypes industriels au
niveau international (eg. D-Wave), pourraient potentiellement changer la donne car elles sont ciblées
sur la résolution efficace de problèmes d'optimisation et de comptage discret. Il s'agit d'une thématique
portée par la physique quantique.
Recherche heuristique et méta-heuristique
Dans le domaine de l'optimisation (et plus particulièrement l'optimisation dans des espaces discrets,
mixtes, ou peu structurés), et par opposition à la recherche exacte, la recherche heuristique applique
des règles d'exploration de l'espace qui sont spécifiques au type de problème (appelées heuristiques).
Les méta-heuristiques sont des façons génériques d'appliquer ces règles spécifiques, et de sélectionner
les solutions que l'on va conserver d'une itération à l'autre - souvent inspirées librement par des phénomènes naturels (recuit simulé, évolution et sélection naturelle, colonies de fourmis, etc). La souplesse d'adaptation de ces algorithmes à des problèmes ne tombant pas dans les formalismes standards
des problèmes combinatoires leur a permis d'obtenir de nombreux succès industriels ... et quelques
succès académiques. Les sujets de recherche disruptifs sont la recherche de résultats théoriques à la
hauteur des réalisations pratiques, au moins pour les problèmes combinatoires classiques, la construction automatique de méta-heuristiques ad hoc (oxymore) pour des classes de problèmes, voire par
instance, à partir de descripteurs des instances, et l'hybridation de méthodes exactes et heuristiques
Raisonnement Multi-Echelle
Le monde dans lequel évoluent des agents humains ou artificiels peuvent être décrits, appréhender à
différents niveaux de granularité, selon le niveau d’abstraction nécessaire pour l'évaluation, l’action ou
l’explication. Il n’existe pour ainsi dire pas de systèmes capables de passer d’un niveau de description
à un autre selon les besoins. Or, cela semble nécessaire, à la fois en terme d'explicabilité (pour intéragir avec des utilisateurs), et en termes de la réduction potentielle de la complexité des problèmes.
Décision, agents autonomes et intelligence collective
Il y a beaucoup d’applications potentielles demandant l’intervention de plusieurs agents, qui peuvent
être des entités artificielles logicielles (sur internet) ou matérielles (robots). On peut imaginer par
exemple le développement d’assistants personnels représentant et négociant pour leur propriétaire, ou
des applications où plusieurs robots doivent collaborer pour le secours de personnes, etc. Il est crucial
de disposer des outils formels et algorithmiques nécessaires à la modélisation et à la régulation de ces