Présentation

Cette journée est organisée le vendredi 3 juillet 2026 à Arras avec le soutien du GT Explicon du GDR RADIA et de l’AFIA dans le cadre de la Plate-Forme Intelligence Artificielle (PFIA).

La journée Incertitude et IA a pour objectif de faire un point sur les travaux menés par la communauté scientifique autour de la gestion des incertitudes dans les tâches de raisonnement, apprentissage et décision, en mettant en lumière les approches théoriques, méthodologiques et applicatives.

En effet, les systèmes d’IA, et plus particulièrement les algorithmes d’apprentissage automatique (réseaux de neurones, forêts aléatoires, SVM, etc.), ont profondément transformé de nombreux domaines, allant de la reconnaissance d’images à la prise de décision complexe. Cependant, ces systèmes opèrent souvent dans un monde réel complexe et dynamique qui se caractérise par le bruit, l’imprécision et la présence d’informations incomplètes. Se pose alors un enjeu fondamental : comment représenter, mesurer et gérer l’incertitude ?

Cette journée scientifique propose d’explorer la diversité des modèles, formalismes et outils qui permettent de prendre en compte cette incertitude dans les approches d’IA variées.

Au-delà des modèles eux-mêmes, cette journée vise également à créer un espace d’échanges entre chercheurs, doctorants et praticiens issus de domaines variés sur les enjeux méthodologiques, les défis ouverts et les perspectives applicatives — depuis la décision sous incertitude jusqu’à l’explicabilité, en passant par la fusion d’informations et les environnements dans lesquels les données sont rares.

Thèmes de la journée

Les thématiques en lien avec les différentes problématiques évoquées sont les suivantes (liste non exhaustive) :

• Représentation et modélisation de l’incertitude (logique floue, théorie des possibilités, théorie des fonctions de croyance, théorie des probabilités imprécises, etc.)
• Application des cadres d’incertitude aux problèmes de classification et de régression
• Fusion d’informations incertaines ou hétérogènes
• Raisonnement et planification sous incertitude
• Décision et optimisation en contexte incertain
• Incertitude, robustesse et fiabilité des modèles d’apprentissage
• Interprétabilité et explicabilité des systèmes face à l’incertitude
• Applications dans des domaines comme l’industrie, la santé, la finance, etc.

Conférences Invitées

Lors de la journée “Incertitude et IA”, nous vous proposons deux conférences invitées qui seront données par :

• Florence Bannay (IRIT, Université Paul Sabatier, Toulouse)

  Titre : Raisonnement temporel et décision argumentée : gérer l’incertitude avec des règles par défaut

  Résumé : L’incertitude peut provenir de plusieurs facteurs, dans cet exposé, je m’intéresse à trois d’entre-eux : la dimension temporelle (les états du monde évoluent), l’incomplétude des données (manque d’informations factuelles), et la méconnaissance des lois génériques (voire causales) sous-jacentes. Face à cette incertitude, un agent intelligent adapte ses connaissances aux fur et à mesure de l’arrivée de nouvelles observations, ou effectue une révision globale a posteriori à partir d’une séquence complète. Pour représenter cette incertitude, j’évoquerai plusieurs outils formels : les règles par défaut, la théorie des possibilités et la théorie de Dempster-Shafer. Je montrerai comment ces représentations se comportent dans le cadre de raisonnement révisables, d’extrapolation de scenarios, ou de prise en compte de préjugés. Enfin, pour décider malgré l’incertitude, l’argumentation seule peut s’avérer insuffisante, je décrirai le cadre des arguments bipolaires avec niveaux (Bipolar Layered Frameworks), qui permettent de prendre en compte des arguments pour et contre, tout en intégrant l’importance de leur impact dans le contexte d’une décision. En rendant explicites les connaissances et les incertitudes qui les accompagnent, l’objectif de construire de tels systèmes automatiques n’est pas seulement de viser leur vérifiabilité, mais aussi de contribuer à aider les humains à affiner leur compréhension et leur esprit critique face à l’information.

• Haifei Zhang (Laboratoire Hubert Curien, Université Jean Monnet, Saint-Etienne)

  Titre : From Prediction under Uncertainty to Uncertainty-Aware Explainable AI

  Résumé : In many real-world applications, machine learning models must operate under significant uncertainty arising from ambiguous data, limited knowledge, or distributional shifts. Traditional machine learning pipelines often reduce uncertainty to confidence scores or probabilistic outputs, while still relying on point predictions that may fail to capture ambiguity, ignorance, and conflicting information. In this talk, we revisit prediction under uncertainty from the perspective of imprecise probabilities and belief function theory, and present approaches that enable cautious and set-valued predictions, where uncertainty is directly reflected in the form of the prediction itself. We then argue that modeling uncertainty is only a first step toward trustworthy AI, since users also need to understand why a prediction is uncertain and how to resolve such uncertainty. Finally, we discuss recent directions toward uncertainty-aware explainable AI, including concept-based models such as concept bottleneck models, where uncertainty can be associated with human-understandable concepts and traced through the prediction process. This perspective opens the way to AI systems that do not only make predictions under uncertainty, but also help explain the uncertainty behind their predictions.

Organisation

• Wassila Ouerdane (MICS, Centrale Supélec, wassila.ouerdane@centralesupelec.fr)
• Sébastien Destercke (Heudiasyc, UTC, sebastien.destercke@hds.utc.fr)
• Eric Lefevre (LGI2A, Univ. Artois,eric.lefevre@univ-artois.fr)

Dates importantes

• Date limite d’inscription à tarif réduit : 22 mai 2026
• Date de la journée : 3 juillet 2026