Auswahl der wissenschaftlichen Literatur zum Thema „Intelligence artificielle générative“

Cet article porte sur les images créées à l’aide des intelligences artificielles génératives sur des plateformes telles que DALL-E, Midjourney ou Stable Diffusion à partir de mots saisis en langage naturel. L’article ne s’occupe pas de savoir si les images générées peuvent être considérées comme des œuvres d’art en termes de qualité esthétique, de paternité ou d’originalité artistique. Il s’occupe de savoir si l’intelligence artificielle générative peut créer dans les mêmes conditions que celles qui étaient autrefois prescrites à l’art, notamment la capacité à représenter les choses non seulement telles qu’elles sont, mais aussi (ou surtout) telles qu’elles pourraient et devraient être. Mais l’exploration des possibilités par l’art ou par l’intelligence artificielle peut être comprise de multiples façons : la création selon le critère de la vraisemblance, la capacité à idéaliser la réalité ou à élargir nos concepts, ou encore la capacité à libérer l’imagination afin de produire le fantastique ou le surréel. Bien qu’une intelligence artificielle ait tendance à reproduire les stéréotypes esthétiques ou sociaux qui prévalent dans les bases de données, elle fait néanmoins preuve d’une certaine capacité à produire de la nouveauté au sens onto-logique (et non pas esthétique) du mot, en nous permettant de visualiser des nouveaux exemplaires des notions que nous ne pouvons pas définir autrement, telles que le style d’un artiste ou les concepts vagues aux frontières fluides et aux propriétés probables.

La comparaison permettant de distinguer, de spécifier et d’asseoir la connaissance, dans la lignée des articles de ce numéro thématique sur la mesure de l’intelligence humaine, nous questionnons ce qu’est l’intelligence artificielle. Qu’en est-il ? Que sont ces systèmes techniques, ces ordinateurs, robots mais aussi habits et habitacles, qualifiés d’intelligents : habit intelligent, voiture intelligente , maison intelligente, ville intelligente ? Sont-ils destinés à résoudre des problèmes qui sont les nôtres ? Peut-on mesurer leur intelligence ? À l’ère de l’IA générative et des jumeaux numériques humains, nous préconisons que la mesure de l’intelligence artificielle soit à la mesure de son adaptation à l’humain : savoir à quel point la machine est adaptée à son utilisateur humain.

La cybercriminalité va en s’accroissant et risque de connaître une forte accélération avec l’usage grandissant des outils d’intelligence artificielle. L’article expose en quoi l’IA et l’IA générative deviennent de nouveaux instruments au service des cybercriminels.

Le métier de traducteur se trouve aujourd’hui en concurrence avec les modèles de langage génératifs auxquels les éditeurs ont recours de plus en plus souvent. Mais que fait-on exactement quand on traduit une œuvre littéraire ? Comment transposer une vision unique du monde d’une langue dans une autre ?

Cet article explore les possibilités d'utiliser ChatGPT, un agent conversationnel basé sur l'intelligence artificielle, dans l'apprentissage des langues étrangères. L'article commence par définir les termes tels que "Chatbot", "Intelligence Artificielle", "Traitement Automatique des Langues" et "Génération de Langage Naturel", afin de fournir un contexte approprié. Ensuite, il examine les différentes activités langagières définies et propose des utilisations potentielles de ChatGPT pour chacune de ces activités. Les possibilités d'utilisation de ChatGPT dans l'apprentissage des langues étrangères comprennent la pratique de la conversation écrite, la correction grammaticale, l'enrichissement du vocabulaire, la compréhension écrite, les jeux de rôles et simulations écrites, la préparation aux examens écrits, les activités de traduction, les exercices de grammaire et de conjugaison, les explications grammaticales et bien d’autres. L'article propose également une illustration des avantages de ChatGPT selon les niveaux langagiers du CECRL avec l’utilisation des exemples de questions de production écrite ainsi que des extraits de textes pour la compréhension écrite.

Cette thèse explore l'utilisation de modèles génératifs profonds pour améliorer la génération de données transcriptomiques, répondant aux défis de rareté des données dans la classification de phénotypes de cancers. Nous évaluons la capacité des Autoencodeurs Variationnels (VAEs), des Réseaux Antagonistes Génératifs (GANs) et des modèles de diffusion (DDPM/DDIM) à équilibrer réalisme et diversité sur des données tabulaires de haute dimension. Nous avons d'abord adapté des métriques d'évaluation, supervisées et non supervisées. Nous avons ensuite intégré un moduled'auto-attention basé sur les connaissances du domaine dans notre GAN (AttGAN), améliorantle compromis fidélité-diversité. Une contribution notable est l'augmentation de la performance de classification avec un nombre minimal de vraies données augmenté de données générées. Nous proposons également une première adaptation des modèles de diffusion pour l'expression des gènes, ainsi qu'une méthodologie d'analyse d'interpolation offrant des perspectives sur la diversité des données et l'identification de biomarqueurs. Enfin, nous présentons GMDA (Modélisation Générativeavec Alignement de Densités), un modèle génératif alternatif aux GANs, permettant une exploration contrôlée de l'espace des données, une stabilité et une architecture frugale. Cette thèse offre ainsi des perspectives pour la génération de données transcriptomiques et tabulaires au sens large
This thesis explores deep generative models to improve synthetic transcriptomics data generation, addressing data scarcity in phenotypes classification tasks. We focus on Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs), and diffusion models (DDPM/DDIM), assessing their ability to balance realism and diversity in high-dimensional tabular datasets. First, we adapt quality metrics for gene expression and introduce a knowledge-based self-attention module within GANs (AttGAN) to improve the fidelity-diversity trade-off. A main contribution is boosting classification performance using minimal real samples augmented with synthetic data. Secondly, another contribution was the first adaptation of diffusion models to transcriptomic data, demonstrating competitiveness with VAEs and GANs. We also introduce an interpolation analysis bringing perspectives on data diversity and the identification of biomarkers. Finally, we present GMDA (Generative Modeling with Density Alignment), a resource efficient alternative to GANs that balances realism and diversity by aligning locally real and synthetic sample densities. This framework allows controlled exploration of instance space, stable training, and frugality across datasets. Ultimately, this thesis provides comprehensiveinsights and methodologies to advance synthetic transcriptomics data generation

La Programmation Par Contraintes (PPC) est une méthode pour résoudre des problèmes combinatoires, qui encapsule des techniques venant de l'intelligence artificielle, d'informatique et de recherche opérationnelle. Le Model Checking (MC) est une technique formelle qui permet de prouver automatiquement si un système donné satisfait une spécification. Pour traiter les problèmes de PC qui ont souvent beaucoup d'états et de transitions, les solveurs de PPC sont plus lents ou utilisent plus de mémoire que les solveurs de MC (appelés model checkers). Ces derniers sont parfois capables de pousser l'exponentiel (en temps/espace), comparés aux solveurs de PPC. Cette thèse a pour but de répondre à deux questions : Comment créer une technique de PPC qui peut résoudre les problèmes de MC aussi ou plus efficacement que les modèles checkers ? Comment utiliser cette technique sur des problèmes de PPC classiques aussi ou plus efficacement que les solveurs de PPC traditionnel ? Nous avons répondu à la première question en créant GenCP, une technique de PPC inspirée par Generative Constraint Satisfaction Problem (GCSP) et par le MC à-la-volée (OTF). Pour répondre à la deuxième question, nous avons raffiné GenCP et nous avons démontré ses capacités contre la PPC traditionnelle sur des problèmes classiques de la PPC, comme le problème du NQueens. La Programmation Par Contrainte Générative est un terme que nous crée pour se référer à n'importe quelle technique de PPC qui ressemble à GenCP/GCSP. L'inconvénient majeur des problèmes de MC est le problème de l'explosion des états. Plusieurs variantes du MC ont été créées pour résoudre ce problème. OTF est la variante du MC qui obtient les meilleurs résultats comparés à des solveurs de PPC sur des problèmes de MC. OTF ne commence avec aucun état et crée/détruit des états à-la-volée pendant la recherche de solutions. GCSP a été créée pour résoudre des problèmes de configuration (qui ressemblent aux problèmes de MC). La PPC implique trois concepts principaux : les variables qui représentent les objets du problème, les domaines qui représentent les valeurs associées aux variables et les contraintes qui représentent des propriétés associées à une ou plusieurs variables. En PPC traditionnelle, ces concepts doivent être définis avant la recherche de solutions. En GCSP, les domaines doivent être définis avant la recherche de solutions et les variables/domaines sont générés pendant la recherche de solutions. GCSP est plus efficace que la PPC traditionnelle sur les problèmes de MC, mais moins efficace que OTF. Nous avons conçu GenCP pour être un mixte entre GCSP et OTF. Dans la mesure de nos connaissances, GenCP est la première technique de PPC capable de ne commencer la recherche de solutions avec aucun des concepts de la PPC définis, GenCP génère les concepts pendant la recherche de solutions. GenCP a de meilleurs résultats que GCSP et la PPC traditionnelle sur les problèmes de MC, et des résultats équivalents aux modèles checkers. GenCP a été raffinée grâce à OTF. Le raffinage consiste à traiter simultanément la génération de domaines et des contraintes et la propagation. La version raffinée de GenCP génère des domaines qui sont garantis de satisfaire les contraintes, et sont donc souvent de plus petites tailles que la version non raffinée. La version raffinée a prouvé être efficace en obtenant de meilleurs résultats que la PPC traditionnelle sur des problèmes classiques de PPC : NQueens, All Interval, Graceful Graphs et Langford Number. Pour mieux montrer les avantages de GenCP par rapport à la PPC traditionnelle, nous avons introduit GenCPML, une nouvelle hybridation entre la PPC et le Machine Learning (ML), où les domaines sont créés à la volée pendant la recherche de solutions par un modèle de ML. Sur certains problèmes, GenCPML arrive à obtenir de meilleurs résultats que la PPC seule et le ML seul
Constraint Programming (CP) is a method for solving combinatorial problems, encapsulating techniques from artificial intelligence, computer science and operations research. Model Checking (MC) is a formal technique for automatically proving whether a given system satisfies a specification. To handle CP problems, which often have many states and transitions, CP solvers are slower or use more memory than MC solvers (called model checkers). The latter are sometimes able to push the exponential (in time/space), compared to CP solvers. This thesis aims to answer two questions: How can we create a CP technique that can solve MC problems as efficiently or more efficiently than model checkers? How can this technique be used on classical CP problems as efficiently or more efficiently than traditional CP solvers? We answered the first question by creating GenCP, a CP technique inspired by the Generative Constraint Satisfaction Problem (GCSP) and the On-the-fly MC (OTF). To answer the second question, we refined GenCP and demonstrated its capabilities against traditional CP on classic CP problems, such as the NQueens problem. Generative Constraint Programming is a made-up term to refer to any CP technique that resembles GenCP/GCSP. The major drawback of MC problems is the state explosion problem. Several variants of MC have been created to solve this problem. OTF is the variant of MC that achieves the best results compared with CP solvers on MC problems. OTF doesn't start with any states and creates/destroys states on the fly during the search for solutions. GCSP was created to solve configuration problems (which resemble MC problems). GCSP involves three main concepts: variables, which represent the objects of the problem; domains, which represent the values associated with the variables; and constraints, which represent properties associated with one or more variables. In traditional CP, these concepts must be defined prior to the search for solutions. In GCSP, domains must be defined prior to the solution search, and variables/domains are generated during the solution search. GCSP is more efficient than traditional CP on MC problems, but less efficient than OTF. We designed GenCP to be a mix between GCSP and OTF. To the best of our knowledge, GenCP is the first CP technique capable of starting the solution search with none of the CP concepts defined; GenCP generates the concepts during the solution search. GenCP outperforms GCSP and traditional CP on MC problems, and is equivalent to model checkers. GenCP has been refined using OTF. Refining consists of simultaneously processing domain and constraint generation and propagation. The refined version of GenCP generates domains that are guaranteed to satisfy the constraints, and are therefore often smaller in size than the unrefined version. The refined version has proven to be efficient, achieving better results than traditional CP on classical CP problems: NQueens, All Interval, Graceful Graphs and Langford Number. To further demonstrate the advantages of GenCP over traditional CP, we introduced GenCPML, a new hybridization between CP and Machine Learning (ML), where domains are created on the fly during the search for solutions by an ML model. On some problems, GenCPML manages to achieve better results than CP alone and ML alone

L'intelligence artificielle (IA) transforme rapidement le monde, redéfinissant les relations entre technologie et société. Cette thèse explore le besoin essentiel de développer, de gouverner et d'utiliser l'IA et l'IA générative (IAG) de manière responsable et durable. Elle traite des risques éthiques, des lacunes réglementaires et des défis associés aux systèmes d'IA, tout en proposant des cadres concrets pour promouvoir une Intelligence Artificielle Responsable (IAR) et une Innovation Numérique Responsable (INR).La thèse commence par une analyse approfondie de 27 déclarations éthiques mondiales sur l'IA pour identifier des principes dominants tels que la transparence, l'équité, la responsabilité et la durabilité. Bien que significatifs, ces principes manquent souvent d'outils pratiques pour leur mise en œuvre. Pour combler cette lacune, la deuxième étude de la recherche présente un cadre intégrateur pour l'IAR basé sur quatre dimensions : technique, IA pour la durabilité, juridique et gestion responsable de l'innovation.La troisième partie de la thèse porte sur l'INR à travers une étude qualitative basée sur 18 entretiens avec des gestionnaires de secteurs divers. Cinq dimensions clés sont identifiées : stratégie, défis spécifiques au numérique, indicateurs de performance organisationnels, impact sur les utilisateurs finaux et catalyseurs. Ces dimensions permettent aux entreprises d'adopter des pratiques d'innovation durable et responsable tout en surmontant les obstacles à leur mise en œuvre.La quatrième étude analyse les risques émergents liés à l'IAG, tels que la désinformation, les biais, les atteintes à la vie privée, les préoccupations environnementales et la suppression d'emplois. À partir d'un ensemble de 858 incidents, cette recherche utilise une régression logistique binaire pour examiner l'impact sociétal de ces risques. Les résultats soulignent l'urgence d'établir des cadres réglementaires renforcés, une responsabilité numérique des entreprises et une gouvernance éthique de l'IA.En conclusion, cette thèse apporte des contributions critiques aux domaines de l'INR et de l'IAR en évaluant les principes éthiques, en proposant des cadres intégratifs et en identifiant des risques émergents. Elle souligne l'importance d'aligner la gouvernance de l'IA sur les normes internationales afin de garantir que les technologies d'IA servent l'humanité de manière durable et équitable
Artificial Intelligence (AI) is rapidly transforming the world, redefining the relationship between technology and society. This thesis investigates the critical need for responsible and sustainable development, governance, and usage of AI and Generative AI (GAI). The study addresses the ethical risks, regulatory gaps, and challenges associated with AI systems while proposing actionable frameworks for fostering Responsible Artificial Intelligence (RAI) and Responsible Digital Innovation (RDI).The thesis begins with a comprehensive review of 27 global AI ethical declarations to identify dominant principles such as transparency, fairness, accountability, and sustainability. Despite their significance, these principles often lack the necessary tools for practical implementation. To address this gap, the second study in the research presents an integrative framework for RAI based on four dimensions: technical, AI for sustainability, legal, and responsible innovation management.The third part of the thesis focuses on RDI through a qualitative study of 18 interviews with managers from diverse sectors. Five key dimensions are identified: strategy, digital-specific challenges, organizational KPIs, end-user impact, and catalysts. These dimensions enable companies to adopt sustainable and responsible innovation practices while overcoming obstacles in implementation.The fourth study analyzes emerging risks from GAI, such as misinformation, disinformation, bias, privacy breaches, environmental concerns, and job displacement. Using a dataset of 858 incidents, this research employs binary logistic regression to examine the societal impact of these risks. The results highlight the urgent need for stronger regulatory frameworks, corporate digital responsibility, and ethical AI governance. Thus, this thesis provides critical contributions to the fields of RDI and RAI by evaluating ethical principles, proposing integrative frameworks, and identifying emerging risks. It emphasizes the importance of aligning AI governance with international standards to ensure that AI technologies serve humanity sustainably and equitably

Ce mémoire traite des modèles génératifs profonds appliqués à la génération automatique de musique symbolique. Nous nous attacherons tout particulièrement à concevoir des modèles génératifs interactifs, c'est-à-dire des modèles instaurant un dialogue entre un compositeur humain et la machine au cours du processus créatif. En effet, les récentes avancées en intelligence artificielle permettent maintenant de concevoir de puissants modèles génératifs capables de générer du contenu musical sans intervention humaine. Il me semble cependant que cette approche est stérile pour la production artistique dans le sens où l'intervention et l'appréciation humaines en sont des piliers essentiels. En revanche, la conception d'assistants puissants, flexibles et expressifs destinés aux créateurs de contenus musicaux me semble pleine de sens. Que ce soit dans un but pédagogique ou afin de stimuler la créativité artistique, le développement et le potentiel de ces nouveaux outils de composition assistée par ordinateur sont prometteurs. Dans ce manuscrit, je propose plusieurs nouvelles architectures remettant l'humain au centre de la création musicale. Les modèles proposés ont en commun la nécessité de permettre à un opérateur de contrôler les contenus générés. Afin de rendre cette interaction aisée, des interfaces utilisateurs ont été développées ; les possibilités de contrôle se manifestent sous des aspects variés et laissent entrevoir de nouveaux paradigmes compositionnels. Afin d'ancrer ces avancées dans une pratique musicale réelle, je conclue cette thèse sur la présentation de quelques réalisations concrètes (partitions, concerts) résultant de l'utilisation de ces nouveaux outils
This thesis discusses the use of deep generative models for symbolic music generation. We will be focused on devising interactive generative models which are able to create new creative processes through a fruitful dialogue between a human composer and a computer. Recent advances in artificial intelligence led to the development of powerful generative models able to generate musical content without the need of human intervention. I believe that this practice cannot be thriving in the future since the human experience and human appreciation are at the crux of the artistic production. However, the need of both flexible and expressive tools which could enhance content creators' creativity is patent; the development and the potential of such novel A.I.-augmented computer music tools are promising. In this manuscript, I propose novel architectures that are able to put artists back in the loop. The proposed models share the common characteristic that they are devised so that a user can control the generated musical contents in a creative way. In order to create a user-friendly interaction with these interactive deep generative models, user interfaces were developed. I believe that new compositional paradigms will emerge from the possibilities offered by these enhanced controls. This thesis ends on the presentation of genuine musical projects like concerts featuring these new creative tools

La curiosité épistémique (CE), i.e. le désir d’explorer une information pour le plaisir qu’elle procure, est un phénomène étudié dans divers domaines. Plusieurs chercheurs ont souligné son rôle fondamental dans le développement cognitif et la promotion d’un apprentissage continu. De plus, la CE est considérée comme clé pour cultiver un esprit capable de s’adapter aux incertitudes du monde. Ces recherches ont suscité un grand intérêt pour la CE en éducation, la considérant essentielle pour permettre aux individus d’être actifs et maîtres de leur apprentissage. Ce sont des propriétés cruciales pour relever certains des défis éducatifs: offrir aux élèves un soutien adapté à leurs compétences et motivations, et les aider à être des apprenants autonomes et indépendants dans des environnements dynamiques et incertains. Malgré son importance, l’implémentation de la CE dans les salles de classe reste limitée. Notamment, l’une des principales expressions de la CE—le questionnement— est presque absente dans la plupart des établissements: les élèves sont souvent amenés à répondre aux questions des enseignants plutôt qu’à poser les leurs. Et lorsqu’ils posent des questions, elles sont généralement de bas niveau et, contrairement aux questions curieuses, ne cherchent pas de nouvelles informations majorantes aux connaissances antérieures. Cette thèse propose donc de développer des technologies éducatives qui visent à favoriser l’apprentissage dirigé par la CE, en entraînant les comportements de questionnement curieux et les compétences qui lui sont liées. Pour cela, nous proposons des interventions pour entraîner trois dimensions:1) Les compétences linguistiques de questionnement: On implémente un agent conversationnel pour aider les élèves à générer des questions curieuses lors de tâches de lecture-compréhension. L’agent fournit des indices spécifiques pour faciliter l’utilisation des mots interrogatifs composés et des constructions interrogatives. Différentes structures d’indices (phrase vs. série de mots-clés) et leurs modes de génération (manuellement vs. par GPT-3) sont étudiées. 2) Les compétences métacognitives (MC) liées à la CE: On crée des vidéos animées pour donner des connaissances déclaratives sur les compétences MC liées à la CE: l’autoréflexion, faire des hypothèses, formuler des questions et évaluer les nouvelles informations. On propose également des sessions pour pratiquer ces compétences lors de tâches de lecture-compréhension, en utilisant des indices donnés par des agents conversationnels conçus pour entraîner la MC procédurale. 3) Les perceptions sociales: On crée des vidéos animées pour expliquer la CE et sa mise en pratique pour corriger les idées négatives qu’ont les apprenants sur ce concept. Plus de 150 élèves français âgés de 9 à 11 ans ont été recrutés pour tester l’entraînement de ces dimensions. Combinées, ces dernières ont amélioré la sensibilité MC des élèves et leur perception de la curiosité. Ces deux facteurs ont, à leur tout, facilité les comportements de questionnement divergent. Cela a également conduit à un progrès d’apprentissage plus fort et à des expériences d’apprentissage positives et soutenables. Mais malgré ces résultats, nos méthodes présentent certaines limites, en particulier leur courte durée. Cette thèse encourage donc le travail sur des solutions plus durables afin d’examiner les effets à long terme sur la CE. Enfin, cette thèse souligne la nécessité de continuer à explorer les recherches sur le questionnement et la MC à l’âge de l’intelligence artificielle générative (IAG). Bien que la IAG facilite l’accès à l’information, elle nécessite encore de bonnes capacités de questionnement et de MC, pour prévenir les mésuages et/ou faciliter leur détection. Nous proposons un Framework liant l’utilisation efficace de la IAG en éducation, les compétences de questionnement et de MC, et la littératie en IAG. Nous présentons également une étude comportementale pour tester ces relations
Epistemic curiosity—the desire to actively seek information for its inherent pleasure—is a complex phenomenon extensively studied across various domains. Several researchers in psychology, neuroscience, and computer science have repeatedly highlighted its foundational role in cognitive development and in fostering lifelong learning. Further, epistemic curiosity is considered key for cultivating a flexible mindset capable of adapting to the world’s uncertainties. These insights have spurred significant interest in the educational field, recognizing curiosity as essential for helping individuals be active and in control of their learning. These properties are crucial for addressing some of today’s major educational challenges, namely offering students individualized support to suit their competencies and motivations, and helping them become able to learn autonomously and independently in their dynamic and uncertain environments. Despite this well-documented importance of curiosity in education, its practical implementation and promotion in the classroom remains limited. Notably, one of the primary expressions of curiosity— question-asking (QA)—is nearly absent in most of today’s educational settings. Several reports show that students often spend a lot of time answering teachers’ questions rather than asking their own. And when they do ask questions, they are typically low-level and memory-based, as opposed to curious questions that seek novel information. In this context, this thesis aims to develop educational technologies that can foster children’s curiosity-driven learning by practicing curious QA behaviors, and their related metacognitive (MC) skills. Ultimately, we implemented interventions to train three dimensions: 1) Linguistic QA Skills: We implement a conversational agent to train the ability to formulate curious questions using compound questioning words and correct interrogative constructions. It helps children generate curious questions during reading-comprehension tasks, by providing specific cues. The effectiveness of different cue structures (a sentence vs. series of keywords) and implementations (hand-generated vs. GPT-3-generated content) is studied. 2) Curiosity-related metacognitive Skills: We create animated videos to give declarative knowledge about curiosity and its related MC skills: the ability to self reflect, make educated guesses, formulate efficient questions, and evaluate newly-acquired information. We also propose sessions to practice these skills during reading-comprehension tasks using specific cues given by conversational agents we designed to train procedural MC. 3) Social Perceptions and beliefs: We create animated videos to address the negative constructs learners tend to have about curiosity. They explain the importance of curiosity and how to control it during learning. Over 150 French students aged 9 to 11 were recruited to test these trainings of the three dimensions. Combined, these latter enhanced students’ MC sensitivity and perception of curiosity. At their turn, these factors facilitated students’ divergent QA behaviors which, at their turn, led to stronger learning progress and positive, affordable learning experiences. But despite the positive results, our methods had limitations, particularly their short duration. We suggest testing longer-lasting interventions to examine their long-term effects on curiosity. Finally, this thesis highlights the need to continue exploring QA and MC research in the age of Generative Artificial Intelligence (GAI). Indeed, while GAI facilitates access to information, it still requires good QA abilities and MC monitoring to prevent misinformation and facilitate its detection. We thus propose a framework to link efficient GAI use in education to QA and MC skills, and GAI literacy. We also present a behavioral study we intend to conduct to test this framework

Ce mémoire traite des modèles génératifs profonds appliqués à la génération automatique de musique symbolique. Nous nous attacherons tout particulièrement à concevoir des modèles génératifs interactifs, c'est-à-dire des modèles instaurant un dialogue entre un compositeur humain et la machine au cours du processus créatif. En effet, les récentes avancées en intelligence artificielle permettent maintenant de concevoir de puissants modèles génératifs capables de générer du contenu musical sans intervention humaine. Il me semble cependant que cette approche est stérile pour la production artistique dans le sens où l'intervention et l'appréciation humaines en sont des piliers essentiels. En revanche, la conception d'assistants puissants, flexibles et expressifs destinés aux créateurs de contenus musicaux me semble pleine de sens. Que ce soit dans un but pédagogique ou afin de stimuler la créativité artistique, le développement et le potentiel de ces nouveaux outils de composition assistée par ordinateur sont prometteurs. Dans ce manuscrit, je propose plusieurs nouvelles architectures remettant l'humain au centre de la création musicale. Les modèles proposés ont en commun la nécessité de permettre à un opérateur de contrôler les contenus générés. Afin de rendre cette interaction aisée, des interfaces utilisateurs ont été développées ; les possibilités de contrôle se manifestent sous des aspects variés et laissent entrevoir de nouveaux paradigmes compositionnels. Afin d'ancrer ces avancées dans une pratique musicale réelle, je conclue cette thèse sur la présentation de quelques réalisations concrètes (partitions, concerts) résultant de l'utilisation de ces nouveaux outils
This thesis discusses the use of deep generative models for symbolic music generation. We will be focused on devising interactive generative models which are able to create new creative processes through a fruitful dialogue between a human composer and a computer. Recent advances in artificial intelligence led to the development of powerful generative models able to generate musical content without the need of human intervention. I believe that this practice cannot be thriving in the future since the human experience and human appreciation are at the crux of the artistic production. However, the need of both flexible and expressive tools which could enhance content creators' creativity is patent; the development and the potential of such novel A.I.-augmented computer music tools are promising. In this manuscript, I propose novel architectures that are able to put artists back in the loop. The proposed models share the common characteristic that they are devised so that a user can control the generated musical contents in a creative way. In order to create a user-friendly interaction with these interactive deep generative models, user interfaces were developed. I believe that new compositional paradigms will emerge from the possibilities offered by these enhanced controls. This thesis ends on the presentation of genuine musical projects like concerts featuring these new creative tools

Le concept de “Business Rule Management System” (BRMS) a été introduit pour faciliter la création, la vérification, le déploiement et l'exécution des politiques commerciales propres à chaque compagnie. Basée sur une approche symbolique, l'idée générale est de permettre aux utilisateurs métier de gérer les changements des règles métier dans le système sans avoir besoin de recourir à des compétences techniques. Il s'agit donc de fournir à ces derniers la possibilité de formuler des politiques commerciales et d'automatiser leur traitement tout en restant proche du langage naturel. De nos jours, avec l'expansion de ce type de systèmes, il faut faire face à des logiques de décision de plus en plus complexes et à de larges volumes de données. Il n'est pas toujours facile d'identifier les causes conduisant à une décision. On constate ainsi un besoin grandissant de justifier et d'optimiser les décisions dans de courts délais qui induit l'intégration à ses systèmes d'une composante d'explication évoluée. Le principal enjeu de ces recherches est de fournir une approche industrialisable de l'explication des processus de décision d'un BRMS et plus largement d'un système à base de règles. Cette approche devra être en mesure d'apporter les informations nécessaires à la compréhension générale de la décision, de faire office de justification auprès d'entités internes et externes ainsi que de permettre l'amélioration des moteurs de règles existants. La réflexion se portera tant sur la génération des explications en elles-mêmes que sur la manière et la forme sous lesquelles elles seront délivrées
The concept of “Business Rule Management System” (BRMS) has been introduced in order to facilitate the design, the management and the execution of company-specific business policies. Based on a symbolic approach, the main idea behind these tools is to enable the business users to manage the business rule changes in the system without requiring programming skills. It is therefore a question of providing them with tools that enable to formulate their business policies in a near natural language form and automate their processing. Nowadays, with the expansion of intelligent systems, we have to cope with more and more complex decision logic and large volumes of data. It is not straightforward to identify the causes leading to a decision. There is a growing need to justify and optimize automated decisions in a short time frame, which motivates the integration of advanced explanatory component into its systems. Thus, the main challenge of this research is to provide an industrializable approach for explaining the decision-making processes of business rules applications and more broadly rule-based systems. This approach should be able to provide the necessary information for enabling a general understanding of the decision, to serve as a justification for internal and external entities as well as to enable the improvement of existing rule engines. To this end, the focus will be on the generation of the explanations in themselves as well as on the manner and the form in which they will be delivered

La synthese d'image est un domaine en pleine expansion, chaque jour de nouvelles images sont obtenues avec un realisme toujours accru. Il existe de nombreux algorithmes de visualisation, dont la qualite ne cesse d'augmenter. Si les moyens de visualisation s'ameliorent, il n'en va pas de meme pour la conception des scenes. La conception d'une scene est un processus difficile, peu intuitif quelque soit le modele de representation choisi. Il est en effet obligatoire de specifier precisement toutes les constituantes de la scene. La solution est de recourir a une approche declarative, ou l'utilisateur dispose d'un outil intelligent susceptible de transcrire une description plus ou moins generale effectuee par l'utilisateur, en une ou plusieurs scenes correspondantes. Cette description correspond a la definition des constituants de la scene de maniere plus ou moins detaillee et a l'etablissement de relations sur et entre ces elements. Un modeleur declaratif est caracterise par la nature de la description que l'on fournit en entree (le langage qui la definit), le domaine de representation des scenes solutions et la methode de generation des scenes solutions. L'obtention des scenes solutions se fait par resolution de systemes de contraintes. Le modele de contraintes choisi est celui des contraintes sur domaine fini (clp(fd)) et ces contraintes sont formulees sous une forme dite primitive afin d'en uniformiser le traitement. Les methodes de resolution sont celles utilisees pour les csp (constraint satisfaction problem) et s'appuient sur les techniques de consistance d'arc et l'utilisation de differentes heuristiques. La description d'une scene peut etre faite de maniere hierarchique. Cette structure hierarchique est mise a profit au niveau du processus de generation de scene afin d'en diminuer le cout en temps. Afin d'obtenir un modeleur declaratif puissant, la parallelisation de la generation d'une scene est effectuee. Elle est realisee de maniere transparente pour l'utilisateur, soit de facon automatique a partir de la description fournie en entree du modeleur. La mise en uvre du modeleur declaratif a ete faite egalement dans un soucis d'en preserver l'extensibilite afin de permettre l'etude de nouvelles possibilites quant a l'amelioration de la modelisation declarative.

Le point essentiel de la première partie de la thèse a été d'adapter au cadre de l'horizon fini les méthodes d'apprentissage par renforcement (AR) existantes. Nous avons considéré essentiellement deux d'entre elles basées sur le principe des différences temporelles, le Q-Learning et le R-Learning, qui différent sur la fonction d'évaluation. Toutes les études faites dans ce domaine concernent des problèmes en horizon infini. Les résultats obtenus nous ont permis d'établir un lien entre le critère 1-pondéré (Q-Learning) et le critère moyen (R-Learning) en horizon fini. La réécriture du R-Learning en horizon fini montre une équivalence entre le critère moyen et le critère fini. La méthode de l'ODE (ordinary differential equation) a été utilisée pour analyser la vitesse de convergence de ces algorithmes en horizon fini. Nous avons montré que le R-Learning pouvait être vu comme une version à gain matriciel du Q-Learning. Le second problème a été la représentation de l'espace de résolution en AR. Généralement les algorithmes d'AR sont appliqués sur des espaces discrets alors que dans notre problème de conduite de culture nous avons à faire avec des espaces mixtes (discrets et continus). Une solution est d'utiliser la méthode de représentation par CMAC (cerebellar model articulation controller) communément utilisée en AR. Cependant, bien que donnant des résultats satisfaisants, ce mode de représentation n'est pas adéquat pour notre application parce qu'il ne fournit pas une caractérisation intelligible pour l'utilisateur agronome de la notion de stratégie. Une représentation par un ensemble de règles de décision de la forme si alors est préférable. La solution envisagée est d'apprendre directement des stratégies de conduite de culture sous forme de règles de décision. Pour cela, des techniques d'algorithmes génétiques (AG) sont utilisées pour modifier et apprendre la structure optimale des règles de décision.

Afin d’optimiser la récupération, l’autonomie et la réinsertion professionnelle des blessés militaires français victimes d’amputation traumatique, un appareillage technique de qualité est nécessaire. Les genoux à microprocesseur disponibles et remboursés restaurent en partie les capacités fonctionnelles du patient. Cependant les genoux dits de nouvelle génération, dotés d’une intelligence artificielle, permettent une marche quasi physiologique, efficace et sécurisante, et des activités supérieures de marche (descente et montée des escaliers, pentes, marche en terrains irréguliers, marche arrière, piétinement) performantes. C’est devant cet enjeu médico-technique que les instances médico-militaires, conscientes du bénéfice à apporter aux militaires, ont validé leur prise en charge financière. Elle s’applique sous conditions strictes, au profit des militaires blessés en opération ou en service, qui s’inscrivent dans un parcours de réinsertion professionnelle et dont le besoin et l’amélioration ont été préalablement validés par le service de santé des armées.