AIMOS
Artificial Intelligence Modeling Optimization Systems (AIMOS)
Contexte
Les travaux de l’équipe AIMOS (Artificial Intelligence, Modeling and Optimization Systems) s’organisent autour de l’intelligence artificielle, de l’optimisation et du calcul distribué, ainsi que de leurs applications, principalement dans les domaines de la santé, des services à la personne et de l’environnement.
Objectifs et thématiques scientifiques
Dans un contexte marqué par le développement rapide de l’intelligence artificielle, l’accroissement des volumes de données et la diversification de leurs usages, les travaux de l’équipe AIMOS s’inscrivent dans plusieurs problématiques scientifiques majeures. En combinant intelligence artificielle, optimisation et calcul distribué, l’équipe développe des méthodes adaptées à des données complexes, massives et hétérogènes, issues notamment de la santé, de la sécurité civile, de la bio-informatique et de l’environnement.
Ces recherches visent à améliorer les capacités d’analyse, de prédiction et d’aide à la décision, tout en prenant en compte les contraintes spécifiques aux différents domaines d’application. Elles accordent une attention particulière à la robustesse et à la fiabilité des méthodes, à la confidentialité des données ainsi qu’au maintien de l’expertise humaine dans les processus décisionnels.
L’un des atouts de l’équipe réside enfin dans son approche résolument interdisciplinaire, fondée sur des collaborations étroites avec des partenaires scientifiques, institutionnels, médicaux et industriels. Cette articulation entre développements méthodologiques et problématiques de terrain permet à l’équipe de contribuer à la fois aux avancées scientifiques en intelligence artificielle et en optimisation et à leur transfert vers des applications à fort enjeu sociétal.
Mise en oeuvre
Santé et service à la personne
En collaboration avec les services d’incendie et de secours de l’Ain et la DTNUM du ministère de l’Intérieur, l’équipe développe le concept d’ « opérateur augmenté », qui mobilise l’intelligence artificielle générative pour assister les opérateurs des centres d’appels d’urgence. Transcription et synthèse des échanges, extraction des informations essentielles, traduction automatique et aide à la décision : ces outils visent à réduire la charge cognitive, accélérer le traitement des appels et fiabiliser les interventions, tout en maintenant l’humain au cœur des décisions et en garantissant la confidentialité et la fiabilité des informations.
Ces recherches s’inscrivent dans la dynamique du GIS « IA & Sciences de l’Urgence et du Risque » (IA-SUR), coordonné par Christophe Guyeux, membre de l’équipe AIMOS. Ce groupement fédère chercheurs, services de secours et partenaires institutionnels et industriels autour de l’IA et des sciences du numérique appliquées à la sécurité civile, notamment pour l’analyse des risques, l’aide à la décision et les communications d’urgence.
L’équipe est également impliquée dans le projet ANR PRCE OPTIMOPS, qui vise à développer un jumeau numérique des services d’incendie et de secours, associé à des méthodes d’optimisation et d’intelligence artificielle pour améliorer la planification et l’allocation des ressources selon les risques et les contraintes opérationnelles.
En santé, elle poursuit ses travaux sur l’analyse des IRM cardiaques, notamment la détection de l’onde R en environnement fortement perturbé, en collaboration avec l’Université de Bourgogne et Siemens. Ses recherches couvrent également l’analyse des dossiers médicaux électroniques, l’imagerie, les signaux cardiaques, l’analyse de l’œil et le codage automatisé des données médicales.
En bio-informatique, l’équipe développe des outils d’indexation et d’analyse de près de 400 000 génomes de Mycobacterium tuberculosis, représentant environ 100 To de données, afin de mieux comprendre les mécanismes de résistance, la virulence et l’évolution des formes cliniques de la tuberculose.
Enfin, dans le cadre du projet TALEDZ, financé par le PEPR PREZODE – France 2030, elle mobilise l’intelligence artificielle pour détecter précocement l’influenza aviaire dans les Antilles françaises. L’objectif est de croiser des données hétérogènes pour anticiper les foyers infectieux et renforcer la surveillance sanitaire.
Environnement
Dans le cadre du projet ANR OCOD (2025-2028), l’équipe développe des méthodes d’optimisation pour automatiser la collecte de données environnementales utiles au suivi des cultures agricoles. Des capteurs répartis dans les parcelles mesurent notamment la température et l’humidité, avant que leurs données ne soient collectées par un drone. Les recherches visent à optimiser les plans de vol grâce à des méthodes d’optimisation combinatoire, des algorithmes évolutionnaires et des heuristiques géométriques, avec une ouverture vers l’apprentissage automatique.
