Hier soir, près de 25 participants se sont retrouvés sur la plateforme PASCAL de l’INSA Strasbourg pour une nouvelle rencontre du cycle Au cœur de la recherche. Une immersion au cœur des technologies numériques qui transforment aujourd’hui la recherche… et l’industrie. Animée par Ali Ayadi, chercheur de l’équipe SDC du laboratoire ICube, la conférence a permis de découvrir comment l’intelligence artificielle et le calcul scientifique deviennent des outils essentiels pour comprendre, modéliser et anticiper des phénomènes complexes.
Une plateforme au croisement de la recherche, de la pédagogie et de l’industrie
La plateforme PASCAL constitue une infrastructure numérique transversale dédiée à l’intelligence artificielle appliquée et au calcul scientifique.
Serveurs GPU pour l’apprentissage automatique, caméras thermiques, systèmes embarqués, ressources de calcul intensif : ces équipements permettent de traiter des volumes massifs de données et de développer des modèles d’intelligence artificielle avancés.
Mais PASCAL n’est pas seulement une plateforme technologique. C’est aussi un lieu de collaboration où se rencontrent étudiants, enseignants-chercheurs et partenaires industriels pour expérimenter et développer des solutions innovantes.
Les étudiants y travaillent notamment dans le cadre de projets, PRT ou PFE, souvent inspirés de problématiques industrielles réelles. Par exemple, une trentaine de cartes Jetson Nano permettent de développer des applications d’IA embarquée et d’explorer les architectures utilisées dans l’industrie.
Cette approche pédagogique permet aux étudiants de se confronter à de véritables projets d’ingénierie, en manipulant des données massives et en développant des solutions proches des réalités industrielles.
Quand l’IA apprend à comprendre les batteries
Parmi les projets présentés, plusieurs travaux portent sur les batteries et la mobilité électrique, un enjeu central pour la transition énergétique.
L’objectif : surveiller et prédire l’état de santé des batteries tout au long de leur cycle de vie.
Pour cela, les chercheurs combinent :
-
des données expérimentales issues de batteries soumises à des cycles de vieillissement
-
des images thermiques permettant d’analyser la dispersion de chaleur
-
des modèles d’intelligence artificielle capables d’anticiper les dégradations
Les batteries sont volontairement mises à l’épreuve afin de comprendre comment elles vieillissent et quels signaux permettent d’anticiper une perte de performance. Mais l’enjeu ne se limite pas à prédire. Il s’agit aussi de comprendre pourquoi une batterie se dégrade et d’expliquer les résultats produits par les modèles.
L’IA symbolique : quand la machine raisonne comme un humain
Quand on parle d’intelligence artificielle aujourd’hui, on pense souvent aux systèmes capables d’apprendre seuls à partir de grandes quantités de données. C’est ce qu’on appelle l’apprentissage automatique (machine learning).
Ces systèmes sont très performants pour repérer des motifs complexes dans les données. Mais ils présentent souvent une limite importante : leur fonctionnement peut être difficile à interpréter.
Concrètement, cela signifie que l’IA peut produire une prédiction ou une décision — par exemple détecter une anomalie ou prédire une dégradation — sans que l’on puisse facilement expliquer comment elle est arrivée à ce résultat.
Même les chercheurs qui ont conçu le modèle ne peuvent pas toujours retracer précisément le cheminement interne de la décision. On parle parfois de « boîte noire » : on connaît les données qui entrent, on voit la réponse qui sort… mais ce qui se passe à l’intérieur reste difficile à interpréter.
Dans de nombreux domaines — santé, industrie, finance — cette opacité peut poser problème. Si une intelligence artificielle recommande une action ou signale un problème critique, les ingénieurs doivent pouvoir comprendre pourquoi.
Pour répondre à ce défi, les chercheurs explorent une autre approche : l’IA symbolique.
Contrairement aux systèmes qui apprennent uniquement à partir de données, l’IA symbolique repose sur des connaissances, des règles et des relations logiques. Elle manipule des symboles qui représentent des concepts du monde réel. D’une certaine manière, cette approche se rapproche davantage de la manière dont nous raisonnons.
Lorsque nous réfléchissons, nous utilisons des connaissances générales et nous appliquons des règles pour tirer des conclusions.
Par exemple :
-
il y a de la fumée noire
-
il y a des flammes
-
il y a des gens qui courent et crient
➡ on peut conclure qu’il y a un incendie.
Le grand avantage ? La transparence : chaque étape du raisonnement est visible et compréhensible. L’IA symbolique fonctionne avec ce type de raisonnement explicite. Son grand avantage est la transparence : on peut suivre les étapes du raisonnement, comprendre les règles utilisées et expliquer la décision finale.
Vers une IA qui apprend… et qui explique
Aujourd’hui, les chercheurs travaillent de plus en plus à combiner deux approches complémentaires :
-
les réseaux neuronaux, très puissants pour apprendre à partir de données
-
l’IA symbolique, qui apporte des connaissances et du raisonnement logique
On parle alors d’IA neuro-symbolique.
Cette approche vise à tirer parti des forces de chaque méthode :
la puissance d’apprentissage des modèles modernes, tout en conservant la capacité d’expliquer les décisions.
Dans le cas des batteries, par exemple, l’objectif n’est pas seulement de prédire une défaillance, mais aussi de comprendre les mécanismes qui y conduisent.
Industrie 5.0 : détecter les anomalies avant qu’elles n’apparaissent
Autre application présentée lors de la rencontre : le projet XQUALITY, consacré à la détection d’anomalies dans les procédés industriels.
Dans une usine moderne, les machines génèrent des flux massifs de données provenant de capteurs multiples, souvent à des fréquences différentes.
L’objectif est de développer des modèles capables de surveiller ces données en temps réel afin de détecter les anomalies avant qu’elles n’affectent la qualité d’un produit.
Mais là encore, la question centrale reste la même :
comprendre pourquoi une anomalie est détectée.
Fournir une explication permet non seulement d’améliorer la maintenance prédictive, mais aussi de donner aux ingénieurs les informations nécessaires pour corriger les problèmes à la source.
Quand l’IA s’attaque aux routes
Les travaux présentés ne se limitent pas à l’énergie ou à l’industrie.
La plateforme PASCAL contribue également à des recherches en génie civil, notamment sur le vieillissement du bitume.
Traditionnellement, l’analyse mécanique des chaussées nécessite des expérimentations longues et coûteuses.
Les chercheurs explorent aujourd’hui la possibilité d’entraîner des modèles d’IA capables de prédire l’évolution du matériau en fonction :
-
des charges répétées du trafic
-
des conditions climatiques
-
de la composition chimique du bitume
À terme, ces approches pourraient permettre d’anticiper l’usure des infrastructures et d’optimiser leur maintenance.
Une plateforme ouverte aux collaborations
Au-delà des projets présentés, la rencontre a également mis en lumière la vocation de la plateforme PASCAL : servir de passerelle entre formation, recherche et innovation industrielle.
Doctorants, étudiants en projet, enseignants-chercheurs et entreprises peuvent y travailler ensemble, partager les ressources de calcul et développer de nouvelles approches autour de l’intelligence artificielle appliquée.
Les perspectives évoquées lors de la rencontre portent notamment sur :
-
l’enrichissement des infrastructures de calcul
-
le développement de nouveaux projets interdisciplinaires
-
le renforcement des collaborations avec les partenaires industriels
Les travaux menés sur la plateforme PASCAL montrent que l’avenir de l’IA ne repose pas seulement sur des modèles toujours plus puissants, mais aussi sur des systèmes capables d’expliquer leurs décisions.
Un enjeu majeur pour les applications scientifiques et industrielles de demain.
Avec la plateforme PASCAL, l’INSA Strasbourg confirme ainsi son ambition : mettre l’intelligence artificielle et le calcul scientifique au service de la formation, de la recherche et de l’innovation industrielle.
