CentraleSupélec lance trois nouvelles chaires modulaires en intelligence artificielle avec le soutien de l’Institut DataIA
Lauréates de l’appel à candidatures 2025 lancé par l’Institut DataIA de l’Université Paris-Saclay, trois nouvelles chaires modulaires copilotées par des chercheurs de CentraleSupélec viennent renforcer les travaux de l’école dans le domaine de l’intelligence artificielle.
Financées à hauteur de plus d’1 million d’euros pour une durée de trois ans, ces chaires exploreront des enjeux majeurs de l’IA contemporaine : les fondements théoriques des modèles à mécanismes d’attention tels que les grands modèles de langage (LLM), les compromis entre plusieurs objectifs concurrents dans les systèmes d’apprentissage et de décision, ainsi que les applications de l’IA à l’oncologie de précision.
Trois nouvelles chaires portées par les laboratoires de CentraleSupélec
Les projets retenus sont copilotés par des enseignants-chercheurs et chercheurs de CentraleSupélec :
- Antonio Silveti-Falls, maître de conférences à CentraleSupélec, chercheur au laboratoire CVN et au sein de l’équipe Inria OPIS, copilotera la chaire « Multi-Objective Optimization: a Fresh Perspective on the Old Problem ».
- Stergios Christodoulidis, maître de conférences à CentraleSupélec rattaché au laboratoire MICS, est co-PI de la chaire « Deep Learning Exploration of the Effects of Clonal Hematopoiesis on Solid Tumor Progression ».
- Pablo Piantanida, professeur à CentraleSupélec et au laboratoire ILLS, est co-titulaire de la chaire « [CentOrIA] Mathematical Principles of Learning and Communication in Attention-Based Models ».
Ces nouvelles chaires portent désormais à 11 le nombre total de chaires en intelligence artificielle impliquant les équipes de CentraleSupélec. Elles s’ajoutent également aux deux chaires Synergies récemment confirmées avec le soutien de l’Institut DataIA :
- « Modèles pré-entraînés pour la frugalité des données » (Pre-trained Models for Data Frugality in Health), co-dirigée notamment par Nora Ouzir et Florent Bouchard ;
- « GenAI, modèles de fondation : de la théorie aux applications » (Foundation Models: From Theory to Applications), dont Maria Vakalopoulou est co-titulaire.
Comprendre les compromis dans les systèmes d’apprentissage modernes
La chaire « Multi-Objective Optimization: a Fresh Perspective on the Old Problem », copilotée par Antonio Silveti-Falls et Evgenii Chzhen (CNRS), s’intéresse à l’optimisation multi-objectifs, un cadre permettant d’analyser les compromis entre plusieurs objectifs concurrents dans les systèmes modernes d’apprentissage et de prise de décision.
Le projet vise notamment à explorer la frontière de Pareto afin d’identifier les meilleurs compromis possibles entre différents critères, par exemple entre performance prédictive et équité algorithmique. Les chercheurs développeront de nouvelles approches algorithmiques fondées sur la géométrie o-minimale afin de mieux comprendre la structure des ensembles de Pareto et de concevoir des méthodes d’optimisation plus efficaces.
L’IA au service de l’oncologie de précision
La chaire « Deep Learning Exploration of the Effects of Clonal Hematopoiesis on Solid Tumor Progression », copilotée par Stergios Christodoulidis et Elsa Bernard (Gustave Roussy), ambitionne de faire progresser le diagnostic de l’hématopoïèse clonale et de mieux comprendre son rôle dans la progression tumorale.
Le projet développera des outils d’apprentissage profond pour améliorer la détection des mutations et prédire leur origine grâce à l’analyse automatisée des frottis sanguins et des données de séquençage de l’ADN acellulaire. Les chercheurs mobiliseront également des approches d’IA explicable appliquées à l’histologie et à la transcriptomique spatiale afin d’étudier les interactions entre cellules immunitaires mutées et microenvironnement tumoral.
L’objectif est de fournir de nouveaux outils diagnostiques et de contribuer aux avancées de l’oncologie de précision.
Mieux comprendre les modèles d’IA basés sur l’attention
La chaire « [CentOrIA] Mathematical Principles of Learning and Communication in Attention-Based Models », codirigée par Pablo Piantanida, Claire Boyer et Etienne Boursier, vise à développer une compréhension mathématique rigoureuse des systèmes d’intelligence artificielle fondés sur les mécanismes d’attention, au cœur des grands modèles de langage.
Les chercheurs mobiliseront des outils issus des probabilités, de l’optimisation et de la théorie de l’information afin d’étudier :
- la manière dont les mécanismes d’attention traitent et structurent l’information ;
- la façon dont les modèles apprennent des structures séquentielles via la prédiction autorégressive et l’apprentissage en contexte ;
- les mécanismes de communication et de coopération entre plusieurs agents d’IA.
En réunissant ces perspectives, le projet entend poser les bases d’une théorie générale de l’apprentissage par attention afin de contribuer à la conception de systèmes d’IA plus interprétables, robustes et fiables.
