Menu principal

Interprétation granulaire de données hétérogènes et multivariées / Granular interpretation of heterogeneous and multivariate data

Descriptif détaillé de la thèse :

Contexte : Priorité du gouvernement français, la lutte contre le trafic de stupéfiants est, d'une part, un enjeu de santé publique, avec chaque année, dans le monde, en moyenne 168 000 décès directement causés par l’usage de la drogue, et, d'autre part, un enjeu de sécurité, puisqu’il entraîne une dégradation des conditions de vie et des violences dans les quartiers touchés. Le ministre de l’Intérieur a placé, dès le mois de juillet 2020, ce combat contre la drogue parmi ses 3 priorités. Les connaissances des produits qui circulent en France sont rassemblées dans la base de données nationale STUPS© (Système de Traitement Uniformisé des Produits Stupéfiants) du ministère de l’Intérieur. Cette base contient des données hétérogènes et multivariées : des données macroscopiques (e.g. logos, dimensions), qualitatives (e.g. noms des agents de coupage), quantitatives (e.g. teneurs en principes actifs), mais également des données d’enquête non confidentielles (e.g. quantités saisies, date et lieu de saisie sur le territoire français). Créée en 1986, la base STUPS© est alimentée par les 5 laboratoires de Police Scientifique du Service National de Police Scientifique (SNPS) et par l’Institut de Recherche Criminelle de la Gendarmerie Nationale, et contient aujourd'hui environ 10 millions d’entrées. Présenté en septembre 2019, le Plan Stup français prévoit une série de 55 mesures, dont "La mise en place de nouveaux indicateurs pour connaître les usages des consommateurs, les méthodes des trafiquants et anticiper leurs évolutions". Or, la structure inhérente de la base STUPS© et les caractéristiques des données contenues ne permettent pas d'en extraire des connaissances (interprétation par une machine), afin de pouvoir identifier, expliquer et prédire les usages des consommateurs et les méthodes de trafiquants.

Travaux envisagés : Il s'agit de proposer un système intelligent pour répondre aux défis liés à l'interprétation de données hétérogènes et multivariées (modèles linéaires et non-linéaires) contenues dans la base de données STUPS© afin d'en décrire, comprendre et expliquer les connaissances implicites. Les travaux de recherche visés dans cette thèse concernent le domaine de l'Intelligence Artificielle (IA), et s'orienteront sur deux aspects fondamentaux : IA symbolique (modèles de connaissances définissant les sémantiques – Motik et al., 2012 – et autres aspects symboliques permettant d'interpréter et de raisonner sur ces connaissances – Motik 2006), d'une part, et, IA statistique (modèles d'apprentissage automatique de type réseaux artificiels de neurones – Bishop 1995 – permettant de construire des prédictions), d'autre part. Les recherches envisagées exploreront l'articulation de ces approches IA avec des approches granulaires (Mani 1998). En effet, selon Hobbs (Hobbs 1985), la capacité de conceptualiser le monde à différents niveaux et de bénéficier d'une mobilité totale entre ces niveaux est une caractéristique exclusive de la résolution humaine de problèmes. En effet, lorsque nous regardons le monde qui nous entoure nous n'en retirons que les choses qui servent nos intérêts du moment. Dans le cadre de cette thèse, nous investiguerons l'application de la théorie de la granularité de Hobbs au modèle de connaissances constitué, afin de permettre un raisonnement à différents niveaux de granularité.

Les problématiques de recherche adressées sont :

- comment intégrer de manière consistante et cohérente au sein d'une base de connaissances (ontologie) des données hétérogènes et inconsistantes dans le temps ?

- comment exploiter des résultats obtenus d'algorithmes d'apprentissage automatique pour améliorer la description des connaissances ?

- comment interpréter et raisonner sur les données ainsi intégrées de manière à déduire de nouvelles connaissances ?

- comment maximiser l'efficacité de l'approche ainsi spécifiée ?


Établissement
Université de Bourgogne Dijon
21078 Dijon  
Directeur
Ana ROXIN
Co-encadrants
Ludovic Journaux - Laurence DUjourdy
Site Web
https://lib.u-bourgogne.fr/
Date de début souhaitée
01/10/2022
Langues obligatoires
Anglais; Français
Prérequis

Les candidats doivent être titulaires d'un diplôme d'ingénieur informatique ou d'un Master 2 en informatique. La maîtrise de la langue française est indispensable (niveau min. C1). Un bon niveau en communication anglaise est un plus. Les candidats doivent avoir un intérêt pour la recherche. Constituent un plus des compétences en ingénierie des connaissances (Web sémantique, ontologies) et/ou data science.

Date limite
22/04/2022
Informations de contact

Ana Roxin : ana-maria.roxin@u-bourgogne.fr
Ludovic Journaux : ludovic.journaux@agrosupdijon.fr
Laurence Dujourdy : laurence.dujourdy@agrosupdijon.fr