Interprétation granulaire de données hétérogènes et multivariées

Granular interpretation of heterogeneous multivariate data

• Auteur / Autrice : Sébastien Guillemin
• Direction : Ana Roxin, Ludovic Journaux, Laurence Dujourdy
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Dijon, Université Bourgogne Europe
• Ecole(s) doctorale(s) : École doctorale Sciences Physiques pour l'Ingénieur et Microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique de Bourgogne

Mots clés

Mots clés libres

Intelligence artificielle

Modélisation de connaissances

Règles logiques

Apprentissage automatique

Réseaux artificiels de neurones

Informatique granulaire

Artificial intelligence

Knowledge modelling

Logical rules

Automatic learning

Artificial neural networks

Granular computing

Résumé

La base de données nationale STUPS© (Système de Traitement Uniformisé des Produits Stupéfiants) du ministère de l'Intérieur contient de nombreuses données hétérogènes et multivariées (modèles linéaires et non-linéaires) concernant les produits stupéfiants circulant en France. Dans le cadre de cette thèse, nous souhaitons proposer un système intelligent répondant aux défis liés à l'interprétation des données contenues dans la base de données STUPS© afin d'en décrire, comprendre et expliquer les connaissances implicites. Les recherches envisagées exploreront l'articulation d'approches IA symbolique et statistique avec des approches granulaires, afin de permettre un raisonnement à différents niveaux de granularité.

The national STUPS© (Standardized Treatment System for Narcotic Products) database of the Ministry of the Interior holds numerous heterogeneous and multivariate data (linear and non-linear models) regarding the narcotics circulating in France. In the context of this thesis, we aim at proposing an intelligent system meeting the challenges relating to the interpretation of the data contained in the STUPS© database in order to extract, understand and explain the implicit knowledge. The research work envisaged will investigate the articulation of symbolic and statistical AI approaches with granular approaches, to allow reasoning at different levels of granularity.