Recherche · IA fiable et systèmes distribués
Recherche & publications scientifiques
Une recherche à l’interface de l’apprentissage par renforcement profond, du raisonnement symbolique et des systèmes agentiques fiables.
Axes scientifiques
Faire évoluer l’IA de la modélisation au déploiement.
Des méthodes, des données et des preuves pour des systèmes fiables dans des environnements réels.
Des systèmes neuronaux sensibles à la logique
Coupler contraintes, représentation des connaissances et apprentissage pour produire des décisions auditables.
- Programmation par contraintes et raisonnement
- Graphes de connaissances et règles explicites
Apprendre sous contraintes et sous budget
Concevoir des politiques adaptatives pour des environnements dynamiques, incertains et soumis à des limites réelles.
- Politiques multi-agents et attention
- Validation sim-to-real et suivi énergétique
Orchestrer la coopération à grande échelle
Étudier négociation, coordination, gouvernance et délégation pour des services distribués et des infrastructures civiques.
- Coordination distribuée, négociation et IA agentique
- Protocoles MCP, architectures edge/cloud et résilience
Des LLM aux systèmes agentiques fiables
Concevoir des applications fondées sur les LLM qui recherchent leurs sources, mobilisent des outils et exécutent des tâches avec des contrôles explicites.
- LLM, RAG et génération augmentée par les connaissances
- Model Context Protocol (MCP), outils interopérables et IA agentique
Transfert pédagogique
Faire passer la recherche dans les pratiques.
Des ressources et des expériences pour rendre l’IA plus explicable et reproductible.
Rendre l’apprentissage plus explicable
Développer des supports, évaluations et expériences pédagogiques où l’IA reste compréhensible et contrôlable.
- Évaluation assistée et feedback explicable
- Ressources reproductibles pour apprendre en faisant
Travail doctoral
Optimisation dynamique sous contraintes dans les systèmes multi-agents.
Une recherche consacrée à l’adaptation des politiques, à la gestion des contraintes et aux applications dans des environnements dynamiques et incertains.
01Modéliser
Formaliser les contraintes, les agents et les objectifs du système.
02Apprendre
Entraîner des politiques qui intègrent adaptation et coordination.
03Assurer
Documenter les résultats et vérifier les limites avant le déploiement.
Publications
Travaux scientifiques sélectionnés.
Titres et années suivent les notices DOI ; chaque titre ouvre la page officielle de l’éditeur.
Publication
Une architecture à attention factorisée et transformeurs de décision pour améliorer l’apprentissage multiagent hors ligne.
Publication
Des politiques décentralisées adaptatives dotées d’attention pour des environnements multiagents à grande échelle.
Publication
Un ajustement dynamique des contraintes fondé sur la confiance pour l’optimisation de politiques sous contraintes appliquée à la chaîne logistique.
Publication
Une revue du deep reinforcement learning dans le contexte des marchés financiers et de ses défis ouverts.
Collaboration
Construire une recherche utile et vérifiable.
Je suis ouvert aux échanges autour de l’IA fiable, des systèmes multi-agents, de l’apprentissage par renforcement et des applications agentiques.
- Encadrement et projets de recherche
- Prototypage et évaluation de systèmes IA
- Échanges scientifiques et pédagogiques
Identifiants
Suivre les travaux.
ORCID et profils académiques pour retrouver les notices complètes.
Explorer le site
Rechercher une ressource
Cours, tutoriels, notes et pages scientifiques.
Saisissez un terme pour commencer.