Axe IA

Les applications de l’IA au sein du laboratoire MIS s’étendent à des secteurs variés et stratégiques, illustrant la diversité des enjeux abordés :

• Santé : prédiction personnalisée (parcours patients, risques), optimisation des ressources (dimensionnement des structures de soins, gestion des lits).

• Transport et logistique : conception de tournées intelligentes (véhicules, drones), anticipation des flux (charge, trafic, maintenance).

• Planification : optimisation de l’allocation des tâches, que ce soit dans le domaine médical (blocs opératoires, soins) ou éducatif (emplois du temps, ressources pédagogiques).

• Énergies : prédiction de la demande et optimisation des réseaux (smart grids, gestion des pics de consommation).

• Sciences du vivant : analyse de données biologiques complexes, modélisation des interactions biomoléculaires, et prédiction des formules moléculaires ainsi que des propriétés chimiques.

Ces applications reflètent l’ambition du laboratoire de combiner innovation algorithmique et impact sociétal, en réponse aux défis contemporains.

Groupes de travail

L’axe IA réunit plusieurs groupes de travail dédiés au développement des méthodes d’intelligence artificielle et à leurs applications :

• Turing (Contact : Yu Li) : Le groupe de travail «Lecture de l’article de Turing de 1936» a été créé en mai 2024. Il est né de l’intérêt et des interrogations des collègues du MIS sur le problème P vs NP, ainsi que de la réflexion sur le décalage entre la recherche en intelligence artificielle et la théorie classique de l’informatique, en particulier la calculabilité et la complexité. Le groupe se  préoccupe également du fait que très peu de chercheurs en informatique lisent de manière exhaustive et approfondie l’article classique de Turing de 1936, cette œuvre qualifiée de « Bible » de l’informatique. 
• SOS (Contact : Stéphane Devismes) : Le groupe de travail «Systèmes, Optimisation et Sécurité» explore des problématiques fondamentales et applicatives liées au comportement, à la performance et à la robustesse des systèmes informatiques modernes. Ses travaux couvrent l’algorithmique distribuée, la cybersécurité, la recherche opérationnelle et la programmation par contraintes, avec un intérêt particulier pour l’analyse formelle, la conception d’algorithmes efficaces et la résolution de problèmes combinatoires complexes. Le groupe vise à développer des méthodes théoriques et algorithmiques permettant de garantir optimalité, sécurité et résilience dans des environnements variés, allant des réseaux distribués aux systèmes critiques.
• BioAI (Contact : Sami Cherif et Corinne Lucet) : Le groupe de travail « IA & Bioinformatique » étudie les interactions entre chimie computationnelle, biologie et intelligence artificielle. Il vise à encourager les collaborations et les projets transversaux entre informaticiens et spélicialistes des sciences du vivant, afin de développer des méthodes d’IA robustes pour l'analyse des systèmes moléculaires et biologiques, la prédiction de leurs propriétés et la modélisation de leurs comportements. Ses travaux incluent la conception assistée de molécules, l’analyse de données biologiques complexes et la modélisation d’interactions biomoléculaires.

Évennements et Séminaires

----- Séminaires OCIA (26 mars 2026) -----

Le domaine OCIA et l'axe IA organisent trois séminaires le jeudi 12 Mars présentés par Toufik Saadi (EPROAD, Université de Picardie Jules Verne), Jean-Paul Bouflet (Heudiasyc, Université de Technologie de Compiègne) et  Ahlem Aboud (LTI, Université de Picardie Jules Verne).

--- Sémainaire Toufik Saadi

Titre : Optimisation hybride entre Recherche Opérationnelle et Intelligence Artificielle pour les systèmes décisionnels

Résumé : Cet exposé présente, le parcours académique, pédagogique et scientifique de Toufik Saadi, maître de conférences HDR en informatique. Ses travaux de recherche portent principalement sur l’optimisation de problèmes complexes et NP-difficiles comme les problèmes de type sac-à-dos, de découpe/placement ou d’orientation d’équipe. Ces problématiques sont étudiées à l’aide de méthodes issues de la recherche opérationnelle, du parallélisme et de l’intelligence artificielle. Plusieurs approches algorithmiques sont présentées pour résoudre ces problèmes, notamment la programmation dynamique, la recherche par faisceaux, les méthodes de recherche par voisinage, l’optimisation par essaim de particules et l’apprentissage par renforcement. L’exposé met également en avant l’utilisation du machine Learning et des modèles de langage (LLM) sur ORLM pour automatiser la modélisation et la résolution des problèmes issus de la génie-chimie et la gestion de l’énergie. La dernière partie de l’exposé présente un retour d’expérience via une démonstration de l’apprentissage profond dans un réseau de neurone MLP (Multi-Layer Perceptron) pour la résolution des problèmes de type sac-à-dos  via une fonction de classification binaire d’entropie croisée (Binary Cross Entropy).

--- Sémainaire Jean-Paul Bouflet

Titre : Planification pour les systèmes de santé, les emplois du temps de personnel et les emplois du temps d’université

Résumé : Les problèmes de planification sous contraintes de ressources se rencontrent dans de nombreux domaines d’application. Il s’agit de gérer efficacement des ressources en quantité limitée tout en respectant des contraintes spécifiques à chaque domaine afin d’établir des plannings sur des horizons pour répondre à des besoins. Les concepteurs des plannings sont confrontés à deux défis communs aux problèmes de cette nature, manager des ressources matérielles et humaines et faire face à une combinatoire qu’il leur est difficile d’appréhender. Nous présentons des résultats pour deux domaines d’application : la santé et la planification de personnels d’une part et la conception de plannings pour l’université d’autre part. Pour le premier domaine, nous nous sommes intéressés à la conception de plannings d’interventions chirurgicales pour des patients électifs, la planification de tâches de soin dans les services d’urgences adultes et la planification d’équipes de pompiers. Pour le second domaine, il s’agit de concevoir les plannings des emplois du temps de cours, d’examens mais aussi d’étudiants. La démarche pour élaborer des approches de résolution en vue de proposer des systèmes d’aide à la décision suit des lignes directrices. Pour les problèmes abordés nous contextualisons ces lignes directrices et présentons une synthèse des approches de résolution et des résultats obtenus.

--- Sémainaire Ahlem Aboud

Titre : L'IA bio-inspirée pour l'optimisation et l'aide à la décision : des algorithmes de la nature aux applications du monde réel

Résumé : L’intelligence artificielle bio-inspirée constitue un levier majeur d'optimisation pour les systèmes complexes. En s’appuyant sur des modèles issus de comportements naturels, ces approches offrent une adaptabilité, une robustesse et une efficacité accrues face aux environnements dynamiques et aux problèmes multiobjectifs. À travers l’optimisation distribuée et des applications concrètes en santé et en cybersécurité, ces méthodes démontrent leur capacité à transformer des défis théoriques en solutions opérationnelles et en outils performants d'aide à la décision.

----- Séminaires OCIA (12 mars 2026) -----

Le domaine OCIA et l'axe IA organisent deux séminaires le jeudi 12 Mars après-midi à partir de 14h dans la salle 301 présentés par Motaz BENHASSINE (CRIL, Université d'Artois) et Luis SALAZAR (LIST3N, Université de Technologie de Troyes).

--- Sémainaire Motaz BENHASSINE

Titre : Vers de nouvelles approches non supervisées et semi-supervisées pour le clustering de données

Résumé : L'apprentissage automatique constitue un sous-domaine majeur de l'intelligence artificielle suscitant un intérêt croissant, notamment autour du problème du clustering de données. Ce problème, reconnu comme NP-difficile, demeure ouvert et nécessite des améliorations continues en termes de qualité des partitions obtenues et de passage à l'échelle. Plusieurs nouvelles approches de clustering de données sont proposées. Dans un premier temps, une méthode dédiée aux données de graphes est introduite. Celle-ci repose sur une nouvelle mesure de similarité et s'inscrit dans le cadre de la détection de communautés dans les réseaux sociaux. Une étude théorique analyse également l'impact des mesures de similarité sur l'efficacité des méthodes de regroupement. Dans un second temps, le problème du clustering explicable, également appelé clustering conceptuel, est abordé. L'objectif consiste à extraire k clusters disjoints à partir de concepts dérivés de descriptions booléennes associées à des données transactionnelles. Des approches exactes hybrides sont développées, reposant sur l'extraction de motifs fréquents, utilisés ensuite comme entrée d'un programme linéaire en nombres entiers (PLNE) afin de générer les clusters. Bien que les méthodes existantes offrent généralement des résultats de haute qualité, certaines limitations apparaissent dans des cas complexes. Pour pallier ces difficultés, un nouveau modèle de motifs, appelé k-motifs relaxés fréquents (k-MRFs), est introduit. Ces nouveaux motifs sont extraits à l’aide de techniques d’encodage SAT et accompagnés d’une nouvelle définition de couverture adaptée. Les k-MRFs sont ensuite utilisés comme entrée d’un programme linéaire en nombres entiers (PLNE) pour l'extraction des clusters. Par ailleurs, la redondance entre k-MRFs partageant une même couverture est traitée à l'aide d'un algorithme de filtrage visant à réduire le nombre de motifs et à améliorer l'efficacité computationnelle du solveur PLNE. Des expérimentations approfondies confirment l'efficacité et la robustesse des approches proposées.

--- Sémainaire Luis SALAZAR

Titre : Optimal cost augmentation and interdiction problem for the Minimum Spanning Tree

Résumé :  This research examines the Minimum Spanning Tree Interdiction (MSTI) problem, a two-player game between a network operator and an interdictor. The network operator seeks to construct a Minimum Spanning Tree (MST) in a given network, while the interdictor aims to disrupt this process by altering the network topology within a limited budget, thereby maximizing the weight of the resulting MST. Two types of interdiction are considered: total interdiction, where an interdicted edge is removed entirely from the network, and partial interdiction, where the weight of an interdicted edge is augmented by a predefined amount. The interdictor’s budget is modeled either as a cardinality constraint, where all edges have the same interdiction cost, or as a knapsack constraint, where interdiction costs vary across edges. To address a generalized version of the MSTI problem, we propose four mathematical formulations and develop valid inequalities to strengthen one of the models. An analysis of the relations among the models is performed to determine the dominance between them. Finally, computational experiments are conducted to demonstrate the effectiveness and efficiency of the proposed formulations.

----- Séminaires domaine OCIA (05 mars 2026) -----

Le domaine OCIA et l'axe IA organisent deux séminaires le jeudi 5 Mars après-midi à partir de 14h dans la salle 301 présentés par Evgeny GUREVSKY (LS2N, Université de Nantes) et Mathieu Lacroix (LIPN, Université Sorbonne Paris-Nord).

--- Sémainaire Evgeny GUREVSKY

Titre : Data-driven stochastic optimization for green hydrogen production planning

Résumé : We investigate the short-term planning of green hydrogen production obtained by electrolysis of water using electricity from a wind power source and a connection to the national electricity grid.  Electricity consumption on the grid has to be declared the day before production and cannot be adjusted  afterwards, while the future availability of the wind power source is uncertain. This production problem can be viewed as a two-stage stochastic lot-sizing model, and a consistent framework is introduced to solve it efficiently. First, the innovative use of a variational auto-encoder to estimate the conditional uncertainty of wind power and generate scenarios is studied. Next, a time-efficient Benders decomposition approach is proposed, in which the special features of our problem are exploited to speed up its solving. Finally, a new application of an adaptive partition-based approach and a stabilization method further improve the solution time of the decomposition scheme. A realistic simulation demonstrates the advantages of the framework presented.

--- Sémainaire Mathieu Lacroix

Titre : Learning Lagrangian Multipliers

Résumé : Lagrangian Relaxation is one of the most effective approaches for solving Mixed Integer Linear Problems (MILPs) with difficult constraints. Given a MILP, the relaxed Lagrangian problem is obtained by dualizing the difficult constraints and penalizing their violation using Lagrangian multipliers (LMs). Solving this problem yields a dual bound for each LM, and the Lagrangian dual problem seeks to find the LM that provides the best bound. This latter problem is typically solved using iterative methods (such as subgradient or bundle methods), which can be time-consuming due to slow convergence. In this talk, we present two machine learning-based methods for predicting accurate LMs. These approaches can either replace iterative optimization algorithms—offering an efficient heuristic for solving the Lagrangian dual problem (amortization method)—or be used to initialize and stabilize these algorithms, thereby improving their performance. The first model is an end-to-end approach: instance features are input into the machine learning model, which directly predicts the associated LMs. The second model falls under the "machine learning alongside optimization" paradigm. Here, we design a bundle method in which the master problem is replaced by a prediction at each iteration. We compare these two approaches on the Multi-Commodity Capacitated Network Design Problem.

----- Séminaire GT BioAI (16 janvier 2026) -----

Un séminaire de Sandra Natividad Martinez Gonzalez, qui termine son stage de master avec Jerry LACMOU ZEUTOUO au sein du domaine PR (en collaboration avec Vivien Sarazin), se tiendra le vendredi 16 janvier à 14h en salle 301.

Titre : Biostimulation du blé face au stress climatique: une approche croisée imagerie-métabolomique

Résumé : La présente étude se concentre en particulier sur l'analyse des effets des biostimulants face au stress hydrique et thermique sur les plants de blé, à l'aide d'un modèle de classification par apprentissage automatique, combinant des techniques de vision par ordinateur avec des images hyperspectrales dans le proche infrarouge (VNIR) et l'infrarouge à ondes courtes (SWIR). Ce projet vise à lutter contre le changement climatique, un problème qui affecte directement les cultures de blé en raison de la variabilité des températures élevées et basses, qui peut provoquer un stress abiotique chez les plantes. L'objectif du projet est de concevoir un outil d'apprentissage automatique capable d'identifier le stress subi par les plants de blé soumis à différents traitements avec des biostimulants, sans avoir recours à des méthodes destructrices, et de mieux interpréter les mécanismes d'action des biostimulants.

----- Première Demi-Journée IA du MIS (4 décembre 2025) -----

Le MIS organise sa première demi-journée dédiée à l’Intelligence Artificielle, un événement co-porté par l’axe IA et le domaine OCIA, qui se tiendra le jeudi 4 décembre 2025, à partir de 14h, en salle 315 à UniLaSalle.

Cet événement a pour objectif de mettre en lumière les travaux menés au sein du laboratoire autour de l’IA, de favoriser les échanges scientifiques et de valoriser les recherches des doctorants et chercheurs du MIS, avec au programme :

• Un séminaire invité présenté par Saïd Jabbour (CRIL, Université d’Artois) intitulé « Intégration de l’analyse logique des données dans les forêts aléatoires». (résumé ci-dessous)

• Un exposé du domaine OCIA présenté par Gilles Kassel (MIS, UPJV)  intitulé «EFO : une ontologie épistémique fondatrice».

• Un exposé du GT Turing du MIS présenté par Yu Li (MIS, UPJV) intitulé «Exploration de la subjectivité de la machine de Turing».

• Plusieurs présentations flash de doctorants du MIS, offrant un panorama dynamique des travaux de recherche du laboratoire en intelligence artificielle, optimisation et leurs applications.

Titre : Intégration de l’analyse logique des données dans les forêts aléatoires

Résumé : Les Forêts Aléatoires (Random Forests, RF) comptent parmi les classifieurs les plus populaires en apprentissage automatique. RF est une méthode d’apprentissage par ensemble qui combine plusieurs Arbres de Décision (Decision Trees, DT), fournissant un modèle plus robuste et plus précis qu’un seul arbre de décision. Cependant, l’une des étapes principales des algorithmes basés sur les forêts aléatoires consiste en la sélection aléatoire de nombreux ensembles de caractéristiques lors de la phase de construction des arbres de décision, ce qui peut conduire à une forêt utilisant des caractéristiques variées et rend difficile l’extraction  d’explications courtes et concises. Dans cette présentation, nous montrons comment intégrer l’Analyse Logique des Données (Logical Analysis of Data, LAD) dans RF. LAD est un cadre d’apprentissage de motifs qui combine optimisation, fonctions booléennes et théorie combinatoire. L’un de ses principaux objectifs est de générer des ensembles de support minimaux (Minimal Support Sets, MSSes) qui discriminent entre différents groupes de données. Plus précisément, nous montrons comment améliorer l’algorithme classique de RF en choisissant aléatoirement des MSSes au lieu de choisir aléatoirement des sous-ensembles de caractéristiques qui peuvent potentiellement contenir des attributs non pertinents pour la construction des arbres de décisions. Nous finirons cette présentation par les expériences menées sur des jeux de données de référence montrent que l’intégration de LAD dans l'algorithme RF classique à l’aide des MSSes permet de maintenir des performances similaires en termes de précision, de produire des forêts de taille comparable, tout en réduisant considérablement l’ensemble des caractéristiques utilisées. Cela permet l’extraction d’explications significativement plus courtes par rapport aux RF classiques.

----- Séminaire GT Turing (22 mai 2025) -----

Le GT Turing organise son premier séminaire, présenté par Salvador Lucas (Universitat Politècnica de València, Espagne), qui se tiendra le jeudi 22 mai à 13h30 en salle 301.

Titre : Should computations halt?

Résumé : Church defined lambda calculus computations as symbolic transformation processes which are expected to halt. In sharp contrast, Turing's landmark 1936 paper introducing his machines and associated notion of computation did not pay attention to any halting notion. Furthermore, halting was implicitly considered as an *unsatisfactory* behavior. Thus, although it is part of the current standard description of computation with Turing Machines, halting is not intrinsic to computation. Interestingly, this dichotomy is alive in existing functional languages today. For instance, termination (or halting) is part of the computational description of eager functional languages like ML or Scheme. However, the developers of lazy functional languages like Haskell are often proud of allowing for the use of infinite data structures produced by means of non-terminating reduction processes.  The presentation will provide a brief historical overview of these issues, hopefully leading to a further clarification and answer to "Should computations halt?".