Science des données et interactions

Pour appréhender le fonctionnement d’un système complexe, l’observation externe de son comportement est la piste la plus simple, mais qui nécessite de disposer d’une quantité très importante de données pour réussir la modélisation sur ses diférentes zones de fonctionnement. Le déploiement massif de systèmes de mesure communicants et précis, couplés à des solutions efficaces de stockage rend réaliste cette approche pour un nombre croissant de systèmes.

Les techniques d’apprentissage statistique sont à la base de solutions d’extraction d’information particulièrement efcaces et les fonctionnalités qu’elles proposent s’avèrent à la fois robustes, parcimonieuses et scalables. Ces techniques permettent une modélisation de type « boite noire », que cela soit à des fins de classifcation, de détection, de régression ou de recherche de causalité et elles s’appliquent sur une large typologie de variables (signaux, images, vidéo, texte, parole, données relationnelles, graphes, données log,, données dynamiques, séquences, etc.).

Les dernières avancées en apprentissage profond ouvrent des perspectives particulièrement attrayantes sur des corpus de grande taille en supprimant de facto l’étape préliminaire d’extraction de descripteurs grâce à un rapprochement pertinent entre les approches supervisées et non supervisées.
En complément, et pour aider à la compréhension des espaces de représentation dans lesquels évoluent les systèmes, l’axe « Science des donnés et Interaction » aborde également la visualisation des données, les interfaces utilisateurs, la réalité virtuelle, etc. qui sont des techniques facilitant l’interaction homme-machine, d’autant plus précieuses qu’elles concernent des problèmes dynamiques ou des problèmes en grande dimension difficilement appréhendables avec des outils standards.