Interview de Stéphane Negny

« L’ambition est de concevoir des outils transférables vers l'industrie» Stéphane Negny

Quels sont les principaux défis sociétaux et technologiques ciblés par ce Front de Sciences ?

Le Front de Sciences IA vise à répondre aux défis de transformation industrielle et sociétale liés à la généralisation de l’intelligence artificielle. Il intègre la compréhension des méthodes IA symboliques et de l’IA basée sur les données, comme le machine learning et le deep learning. 

Le contexte est celui de la stratégie nationale France 2030 de souveraineté technologique et de diffusion de l’IA dans toutes les entreprises y compris les ETI et les PME car l’intelligence artificielle sera un levier de compétitivité. Je précise que le Front de  Sciences "Intelligence Artificielle" ne traite pas de l’intelligence artificielle générative, un sujet piloté par ailleurs au niveau de l’École, de Toulouse INP  et de l’Université de Toulouse. 

L’objectif est d’intégrer les outils de l’IA générative dans certains modules pédagogiques, mais aussi de permettre aux élèves de comprendre le fonctionnement de ces outils afin d’optimiser leurs apprentissages grâce à un usage actif, c’est-à-dire en gardant la maîtrise sur la réflexion  et la production.

Quelles problématiques scientifiques la recherche doit-elle résoudre ?

L’un de nos principaux défis est de concevoir des modèles d’IA qui respectent les lois physiques fondamentales, qui soient robustes et explicables. 

Par exemple, dans le contexte du génie des procédés, il est crucial que les réseaux de neurones intègrent explicitement le respect des bilans de matière et d’énergie ou des équations de transfert. Cela permet d’assurer la robustesse et la fiabilité des modèles, ainsi que leur interprétabilité par les ingénieurs. Nous travaillons à réduire les biais liés aux données d’entraînement et à développer des méthodes prédictives capables de gérer l’incertitude. 

L’ambition, à terme, est de concevoir des outils transférables vers l’industrie, qui pourra ainsi modéliser et simuler rapidement des procédés de transformation de la matière et de l’énergie.

Quels sont les points forts de l'ENSIACET en matière de recherche dans ce domaine ? 

L’ENSIACET bénéficie d’une combinaison rare entre une expertise en génie des procédés et une forte compétence en intelligence artificielle appliquée. Depuis plusieurs années, nous menons des recherches sur l’IA en tant qu’outil appliqué au génie des procédés. Bien qu’ils surperforment en prédiction, les algorithmes de machine learning et de deep learning possèdent un fonctionnement qualifié de "boîte noire", où il demeure une certaine opacité : il est difficile de comprendre pourquoi un réseau de neurones produit de telles prédictions sans transparence sur son raisonnement. Pour cette raison, nous avons deux axes de recherche : 

• Comment rendre interprétable le résultat de l’IA ?
• Comment intégrer les équations de la physique et, plus largement, les connaissances scientifiques dans les algorithmes de machine learning et de réseaux de neurones ?

C’est ce que l’on appelle les "réseaux de neurones informés par la physique". Ce sujet est également traité par le GdR-GAIA (Ingénierie Augmentée par la Donnée, l’Apprentissage et l’IA), groupe national de recherche auquel je participe.

Comment l'ENSIACET adapte-t-elle ses formations pour répondre aux évolutions technologiques ?

L’intelligence artificielle, devenue incontournable dans l’industrie des procédés, prend de l’ampleur dans les cursus de l’ENSIACET. 

Actuellement, pour le diplôme Génie Industriel, il existe en première année un module sur l’IA et le machine learning, et en dernière année, un parcours propose un module dédié à "l’Apprentissage par renforcement", qui combine théorie et pratique avec du codage Python et des simulations. Cela permet aux étudiants de développer un algorithme adapté à un cas concret d’usine digitale, comme la gestion des flux ou la maintenance prédictive. Une réflexion en cours vise à proposer un enseignement « Analyse de données et IA » afin de diffuser plus largement  ces techniques et outils au sein de la dernière année de l’ENSIACET. 

Au-delà de la maîtrise technique, l’École insiste  sur l’esprit critique : analyser les données et les résultats, comprendre les limites des modèles, identifier leurs biais et leur marge d’incertitude. Cette posture réflexive est indispensable pour utiliser l’IA de manière pertinente et responsable en contexte industriel. Nous souhaitons également sensibiliser les étudiants aux impacts sociaux, éthiques, juridiques, énergétiques, environnementaux et géostratégiques de l’intelligence artificielle.

Interview réalisée par Emmanuelle Durand-Rodriguez - Telmi Studio