• Modélisation et apprentissage statistique
• Théories de l'information et de la décision
• Analyse de sensibilité et traitement d'incertitudes
• Optimisation convexe, quasi-convexe et bayésienne
• Neuro-évolution pour l'optimisation d'architecture de réseaux de neurones
• Systèmes multi-agents, bandits et théorie des jeux
• Calcul HPC et optimisation CPU/GPU

IA par renforcement

L'apprentissage par renforcement permet aux industriels de développer des IA proposant des décisions de gestion optimales de ressource en s'adaptant à des environnements peu ou non stationnaires. Par l'hybridation de la description de ces environnements avec des systèmes d'aide à la décision historiques, des mécanismes d'agents multiples et des contraintes nouvelles de calcul délocalisé, les algorithmes d'apprentissage par renforcement produits dans SINCLAIR permettent de tester et d'améliorer de nombreuses stratégies industrielles allant du pilotage d'opérations de maintenance à des conceptions de systèmes.

L'IA au service de la simulation

La simulation numérique, parce qu'elle permet de tester in silico, est un levier essentiel des grandes entreprises industrielles. En hybridant les connaissances acquises et apprises, en produisant des modèles génératifs capables de mimer des phénomènes réels, comme des écoulements fluidiques ou des propagations d'ondes électromagnétiques, cet axe de recherche nourrit directement la conception d'outils d'ingénierie augmentée, tels les jumeaux numériques.

IA de confiance

En support à la production de modèles et d'algorithme, SINCLAIR développe des méthodes et outils (M&O) permettant d'appréhender les nuances du comportement des IA. Il est en effet essentiel, pour les partenaires industriels, de pouvoir rendre leur usage intelligible, interprétable et explicable. L'expérience et la culture acquises depuis longtemps sur l'adoption des M&O produits par les R&D des industriels vers l'ingénierie facilitent l'étude et l'adaptation de méthodologies issues des statistiques et de l'analyse de la causalité.