Nouvelles techniques et modèles d'intelligence artificielle efficaces, autonomes et auto-configurables pour des données durables.

Le projet ORLEG-IA développera et validera de nouvelles méthodes d'apprentissage automatique durables et efficaces par conception. Sa durabilité sera abordée dans une perspective holistique, de l'acquisition de données par capteurs (échantillonnage vert) à l'apprentissage incrémental et continu (apprentissage continu vert) et à la conception automatique de modèles.

Comme champ d'application, les méthodes développées seront testées dans des scénarios de surveillance continue de signaux biologiques pour la détection de pathologies (par exemple, des arythmies sur un électrocardiogramme) ou la caractérisation de l'état cognitif de patients à l'aide de capteurs de mouvement.

Applicabilité/impact des résultats :
D'un point de vue industriel, ORLEG-IA améliorera le positionnement scientifico-technologique de ses institutions membres, et la compétitivité des entreprises basques dans différents secteurs, en permettant de :

• Réduire le temps de développement de solutions basées sur l'IA par les data scientists grâce à l'automatisation de nombreuses tâches (nettoyage et organisation des données, validation et suivi du modèle, sélection des attributs).L'utilisation du modèle n'est pas seulement une question de développement propre au modèle.
• Simplifier la validation des modèles, en facilitant l'adaptation de leur configuration aux conditions des environnements non contrôlés, où les données et les tâches de modélisation peuvent changer au fil du temps.
• Réduire les risques opérationnels liés aux erreurs de données, à la mise en œuvre, à l'utilisation inappropriée ou à l'adaptation à des conditions changeantes dans lesquelles les modèles n'ont pas été conçus ou formés.
• Faire progresser la qualité, la traçabilité et la comparabilité des modèles grâce à l'automatisation de leur maintenance.
• Améliorer l'efficacité énergétique des modèles en automatisant la maintenance des algorithmes.
• Améliorer l'efficacité énergétique des modèles en permettant leur formation et leur exécution sur des appareils à faible coût, et aux ressources limitées (wearables, appareils mobiles), qui nécessitent une moindre consommation d'énergie.
• Minimiser la dépendance à l'égard du personnel hautement qualifié en IA/ML dans le déploiement de solutions basées sur l'IA.

Au niveau académique, sur la base des algorithmes et des résultats obtenus dans ce projet, nous chercherons des collaborations avec l'Université de Bordeaux, qui fait partie de l'Alliance bordelaise pour l'intelligence artificielle, ainsi qu'avec d'autres acteurs industriels.