La prise en compte des incertitudes pour créer des modèles prédictifs meilleurs ou plus robustes est une tâche courante en apprentissage automatique. Si ces tâches sont le plus souvent envisagées dans une perspective purement probabiliste, il peut être intéressant d’y mélanger une pointe d’imprécision, par exemple pour fournir des inférences robustes et/ou permettre une modélisation plus riche des incertitudes. Dans cet exposé, j'examinerai différentes situations dans lesquelles une telle imprécision peut être intégrée dans des cadres d'apprentissage standards, en me concentrant en particulier sur le cas de données imprécises et imparfaites, et sur les situations où la prise en compte de l'imprécision peut réellement aider le processus d'apprentissage plutôt que de représenter un fardeau pour cela.

Courte biographie : Ingénieur diplômé de la faculté polytechnique de Mons, Sébastien DESTERCKE a obtenu sa thèse en 2008 à l’université Paul Sabatier sous la direction de Didier Dubois, une thèse financée par l’Institut de Radioprotection de Sureté nucléaire, intitulée ”Représentation et combinaison d’informations incertaines : nouveaux résultats avec applications aux études de sûreté”. Il a ensuite été ingénieur de recherche CIRAD au sein de l’équipe Ingénierie des Agropolymères et Technologies Emergentes, avant de rejoindre le laboratoire Heudiasyc à Compiègne en tant que chargé de recherche CNRS en 2011. Ses thématiques de recherche concernent principalement la modélisation de l’incertitude et du raisonnement dans l’incertain en présence d’imprécisions, que ce soit dans des domaines comme l’analyse de risque, l’aide à la décision, la fusion d’information ou encore l’apprentissage automatique. 

Sébastien est aujourd’hui directeur de recherche CNRS, il porte la chaire industrielle SAFE IA de l’UTC & SCAI (Sorbonne Univ.). Il est membre du comité de direction du GDR RADIA, en charge des Jeunes Chercheuses et Jeunes Chercheurs, et co-responsable du GT Explicon - Explicabilité et Confiance.