CentraleSupélec muscle sa recherche en IA… sur ses zones d’incertitude 

L’IA progresse vite, sa compréhension reste en retard. Trois nouvelles chaires lancées par CentraleSupélec s’attaquent précisément à ce décalage, en ciblant les limites théoriques des modèles à attention, les arbitrages complexes des systèmes d’apprentissage et leur usage en santé. Financés à hauteur d’un million d’euros sur trois ans, ces travaux traduisent un repositionnement plus large de la recherche académique face à l’accélération industrielle de l’IA. Derrière l’effet d’annonce, un constat s’impose : les systèmes se déploient plus vite qu’ils ne sont compris. Ce choix de priorités, centré sur les fondations plutôt que sur les applications immédiates, marque une tentative de rééquilibrage dans un écosystème dominé par des logiques de performance et de mise sur le marché. 

Arbitrer plutôt qu’optimiser  

L’optimisation multi-objectifs, au cœur de l’une des chaires, illustre une mutation profonde des systèmes d’IA. Il ne s’agit plus de maximiser une seule métrique, mais de composer avec des exigences concurrentes. Précision, équité, robustesse. Chaque amélioration a un coût ailleurs. Les travaux visent à mieux caractériser ces compromis en explorant la frontière de Pareto, afin de concevoir des modèles capables d’arbitrer plutôt que de trancher. En toile de fond, une question structurante pour les entreprises : comment rendre les systèmes décisionnels acceptables dans des environnements contraints, notamment réglementaires ? Ce chantier, encore largement théorique, pourrait devenir déterminant dans des secteurs comme la finance, la santé ou les services publics. 

Détecter le cancer sans compromis sur la preuve 

Une autre chaire se concentre sur l’usage de l’IA pour améliorer la détection de mutations liées à certains cancers. L’ambition repose sur l’exploitation de données multimodales et le développement d’outils d’apprentissage profond capables d’automatiser certaines analyses. Mais derrière ces promesses, les défis restent nombreux. Qualité des données, biais, reproductibilité. L’introduction de modèles complexes dans des environnements cliniques exige des garanties élevées, encore difficiles à atteindre. L’enjeu dépasse la seule performance technique : il touche à la confiance des praticiens et à la validation scientifique des résultats. L’IA en santé continue ainsi d’avancer sur une ligne de crête, entre potentiel transformant et exigences critiques. 

Comprendre les LLM avant de les généraliser 

La troisième chaire s’attaque aux modèles à attention, piliers des systèmes génératifs actuels. Malgré leur diffusion massive, leurs mécanismes internes restent partiellement compris. Les travaux annoncés visent à formaliser leurs principes mathématiques afin d’améliorer leur interprétabilité et leur fiabilité. Un enjeu clé à mesure que ces modèles s’intègrent dans des fonctions sensibles, de la production de contenu à l’aide à la décision. Ce retour aux fondamentaux intervient dans un contexte où les limites des LLM (hallucinations, opacité, dépendance aux données) deviennent de plus en plus visibles. En filigrane, ces trois chaires mettent la lumière sur une IA omniprésente mais encore instable. La recherche tente de reprendre le contrôle des bases. Une course moins visible, mais décisive.