Résumé : L’IA générative impacte de nombreux domaines d’application en entreprise. En premier lieu, et surtout grâce à ChatGPT, perçue comme un formidable outil pour interagir avec les utilisateurs, l’IA générative offre également de nombreuses perspectives de généralisation et d’adaptation. Nous explorerons dans cette présentation les rouages des grands modèles de langue (LLMs en anglais), modèles fondamentaux de l’IA générative, leurs capacités à résoudre des tâches de plus en plus complexes, ainsi que leurs limites. Nous aborderons ensuite un point de vue d’utilisation des LLMs pour les systèmes d’information autour de la valorisation des données structurées (bases de données, graphes de connaissances, …) et l’exploitation d’outils externes/API pour la synthèse d’information.

Résumé : Les graphes de connaissances, du fait de leur construction et de leur nature ouverte, sont souvent incomplets et erronés. Dans le but de nettoyer les graphes de connaissances, notamment pour faciliter leur exploitation, la fouille de règles d’association est une méthode bien établie. Dans cet exposé, nous montrons que l’interprétation des règles d’association peut être difficile, et introduisons le concept de règle graduelle causale. Plus particulièrement, nous présentons l’intérêt d’introduire le concept de causalité dans ces règles afin d’avoir des règles interprétables, définissons ces règles, et présentons des approches permettant de les découvrir dans un graphe de connaissances.

Résumé : L’apprentissage décentralisé permet à différents agents d’entraîner collectivement un modèle d’apprentissage automatique en échangeant uniquement des messages selon un graphe de communication, tandis que les données restent stockées localement. Si la décentralisation des données est souvent vue comme un gage de protection, nous montrons qu’elle n’est pas suffisante pour protéger les données efficacement. Pour limiter les risques, nous adaptons la confidentialité différentielle, traditionnellement utilisée dans le cadre centralisé, au cadre décentralisé. Nous donnons alors des résultats de performance et de garanties de la vie privée pour plusieurs algorithmes standards du domaine.

Abstract: The genuine supervision of modern IT systems presents new challenges in terms of scalability, reliability, and efficiency. Traditional operations and maintenance systems that rely on manual tasks and individual troubleshooting are inefficient. Rule-based inference engines, although useful for detecting anomalies and automating resolution, are limited in handling the large number of alerts generated by IT systems. Artificial Intelligence for Operating Systems (AIOps) proposes the use of advanced analytics and machine learning to improve and automate supervision systems. However, there are several challenges in this field. Firstly, the lack of unified terminology makes it difficult to compare contributions from different disciplines. The requirements and metrics for constructing effective AIOps models are not well-defined. Secondly, AIOps has primarily focused on predictive models for anomaly detection and failure prediction, neglecting descriptive models that can handle data quality and complexity concerns. Thirdly, the reliance on opaque black box models limits their adoption by industry practitioners who need a clear understanding of the decision-making process of maintenance models. Lastly, existing AIOps solutions often overlook performance evaluation and scalability issues when developing and evaluating incident management models.
As part of my Ph.D. thesis, we proposed several contributions to tackle these challenges more effectively. Firstly, we offered a systematic approach to AIOps that organizes the extensive knowledge surrounding it. By categorizing data-driven approaches from various research areas and disciplines according to industry standards and requirements, we provided a cohesive framework. Secondly, we explored the application of Subgroup Discovery and its generalization Exceptional Model Mining, a promising data mining technique, in the context of AIOps. This well-defined framework allows for the extraction of valuable hypotheses from large and diverse datasets. It enables users to understand, interact with, and interpret the underlying processes behind predictive models. Our contributions in this area included a practical application focused on identifying suspicious query fragments in large SQL workloads to pinpoint performance degradation issues. Additionally, we developed an interpretation mechanism for incident triage models, providing contextualized explanations for the model’s decisions. Furthermore, we addressed the challenging problem of memory Java analysis using huge and complex datasets that incorporate hierarchical data. Lastly, we addressed the issue of scalability by studying incident deduplication, a well-known problem in the industry. Our goal was to efficiently retrieve the most similar crash reports by combining locality-sensitive hashing and learning-to-hash techniques within a unified framework. To ensure the relevance and practicality of our propositions, this project involved collaboration between data mining researchers and practitioners from Infologic, a French software editor.

Résumé : Le Système d’Information pour les données géoscientifiques met à disposition une organisation de la gestion de données geoscientifiques depuis l’acquisition jusqu’à la diffusion des connaissances pour répondre aux besoins utilisateurs de cette donnée. Nous développons une plateforme intégrative qui met à disposition, entre autres, des méthodes et des outils de capitalisation et de validation de données de référence, la traçabilité de l’information, la mise à jour en continu tout en garantissant l’accès et la diffusion des données et des modèles. Ce système s’intègre dans une plateforme numérique qui met à disposition des outils de traitement des données. Il s’agit de concevoir, de développer et de mettre en production une chaîne d’outils et d’application opérationnels répondant aux principes de la FAIRisation des données (interopérabilité des données).

Bio : Francesca Bugiotti holds a position as assistant professor at CentraleSupélec in Paris. She received her „Dr. Ing.“ degree in Computer Engineering in 2012, with a thesis on heterogeneity in databases. She worked as an intern and as a post-doc at Inria Saclay studying the problem of indexing RDF datasets in a cloud infrastructure and studying efficient data storage mechanisms for heterogeneous data in the cloud and joined CentraleSupélec in 2015. Her research activity focuses on heterogeneous data integration, big data, conceptual models, NoSQL storage systems integration, NoSQL data model characteristics and query expressive power.

Résumé : Applying Transfer-Learning based on pre-trained language models has
become popular in Natural Language Processing. In this research, we present a weakly
supervised Named Entity Recognition system that uses a pre-trained BERT model
and applies two consecutive fine-tuning steps. We show the results on large amount
of old scanned documents and we show recent enhancements in our research showing how LLMs (Large Langage Models) can resolve entities originating from multiple data sources.