GT Génie Logiciel et Intelligence Artificielle (GLIA)

Version 17.1 by David Delahaye on 2020/04/29 19:20

Les différentes branches de l'Intelligence Artificielle (IA) offrent de nombreuses opportunités de développement dans de très nombreux secteurs de l'activité humaine, dont certains ont été identifiés dans le rapport Villani comme prioritaires tels que l'énergie, la santé, les transports et la sécurité. En particulier, la science du logiciel en tire de nombreux bénéfices depuis longtemps. Dans la communauté francophone plus spécifiquement, on peut se rappeler que la conférence LMO (Langages et Modèles à Objets) a regroupé, dès son origine, des recherches en représentation des connaissances et en programmation, et a été le creuset de travaux communs aux chercheurs de ces deux domaines. L'IA peut plus largement apporter des solutions pour la réduction des coûts et des temps de développement et de maintenance, ainsi que pour l'amélioration de la qualité, dont la vérification.

Ces dernières années ont été marquées par un essor de l’IA, que ce soit dans les discours grand public ou dans les travaux de recherche. Au cœur de cet essor, on trouve différentes techniques dont les plus visibles actuellement sont les techniques d'apprentissage automatique (machine learning), avec en particulier l'apprentissage profond (deep learning), qui ont tendance à occulter la largeur et la richesse de ce domaine. Cette prégnance de l'IA dans toutes les activités nous oblige à nous positionner en tant que communauté du Génie Logiciel (GL) afin d'identifier les opportunités et les interactions entre GL et IA qui s'offrent à nous dans les années qui viennent. Dans ce groupe de travail, nous nous proposons de réfléchir non seulement à ce que l'IA peut offrir au domaine du GL, mais aussi à comment les techniques du GL peuvent servir en retour le domaine de l'IA, notamment dans le cadre de systèmes intégrant des composants produits par des techniques d'IA.

Ce groupe ......

1.  Une brève description des questions de recherche, si possible évoquées dans les défis;

Porteurs du GT

Proposition :

  • David Delahaye (Équipe MaREL, LIRMM, Université de Montpellier, CNRS, Montpellier)
  • Anne Etien (Équipe RMoD, Cristal, Inria, Université de Lille, CNRS, Lille)

Animations

Les actions d'animations envisagées dans ce GT sont les suivantes :

  • Organisation d'une journée annuelle :
    • Présentations de travaux en cours
    • Discussions, vie du groupe
  • Organisation d'événements (workshops, summer schools, etc.)
  • Création d'une liste de diffusion dédiée

Équipes

Les équipes impliquées dans ce GT sont les suivantes : 

  • Équipe MaREL, LIRMM, Université de Montpellier, CNRS, Montpellier :
    • Nombre de permanents impliqués dans le GT : 8
    • Représentant dans l'équipe : David Delahaye
  • Équipe RMoD, Cristal, Inria, Université de Lille, CNRS, Lille :
    • Nombre de permanents impliqués dans le GT : 2
    • Représentant dans l'équipe : Anne Etien
  • EuroMov Digital Health in Motion, Université de Montpellier, IMT Mines Ales, Ales :
    • Nombre de permanents impliqués dans le GT : 2
    • Représentant dans l'équipe :
  • Équipe Progress, LaBRI, CNRS et ENSEIRB, Bordeaux :
    • Nombre de permanents impliqués dans le GT : 1
    • Représentant dans l'équipe : Jean-Rémy Falleri
  • LIG, Université Grenoble Alpes, Grenoble :
    • Nombre de permanents impliqués dans le GT : 1
    • Représentant dans l'équipe : Lydie du Bousquet
  • LISTIC, Université Savoie Mont Blanc, Annecy :
    • Nombre de permanents impliqués dans le GT : 2
      Représentant dans l'équipe :

(A faire ; sur la page : un positionnement de l’équipe sur la carte en faisant référence à ce  GT dans la description de l’équipe)

Interactions

Avec d'autres GTs, GDR, ...

Si des GT identifient dès à présent des interactions avec d’autres GTs en cours de construction ou reconstruction ils le précisent.