Résultats de recherche

Le F.R.S.-FNRS vient de publier les résultats de ses différents appels 2025. Il s’agit des appels « Crédits & Projets » et « WelCHANGE » ainsi que les appels « FRIA » (Fonds pour la formation à la Recherche dans l’Industrie et dans l’Agriculture) et « FRESH » (Fonds pour la Recherche en Sciences Humaines) visant à soutenir des thèses de doctorat. Résultats pour l’UNamur ? 28 projets sélectionnés témoignant de la qualité et de la richesse de la recherche à l’UNamur. 

Nos conférenciers principaux pour 2026 sont la professeure Roosmarijn Vandenbroucke (Université de Gand) et la professeure Nelly Litvak (Université technologique d'Eindhoven). Plus d'infos sur le site "Women in science"

Flamure Ibrahimi est doctorante en gestion des services et du marketing au Centre de recherche NaDI-CeRCLe de l'Université de Namur (Belgique) à la Faculté EMCP, sous la supervision du Prof. Dr Wafa Hammedi (Université de Namur) et du Prof. Dr Linda Alkire (Texas State University). Elle vient de recevoir la prestigieuse bourse ServCollab Scholarship 2026, une distinction internationale qui récompense et soutient les doctorants dont les travaux s’inscrivent dans le champ de la Transformative Service Research (TSR), des projets doctoraux à haut impact pour la société et l’humanité.

Que se passe-t-il lorsque l’IA en sait énormément sur vous ? Cette cinquième séance du cycle « Et si l’IA ? »  explore les mécanismes de profilage et de collecte de données qui permettent aux systèmes d’intelligence artificielle de prédire comportements, préférences et décisions.À partir d’exemples célèbres comme le scandale Cambridge Analytica, les intervenants mettront en lumière les enjeux de surveillance, de manipulation et de personnalisation. Cette séance vise à susciter une réflexion critique sur notre tolérance au profilage et à donner des outils pour mieux protéger sa vie privée dans un monde de plus en plus data-driven.

Les intelligences artificielles sont-elles fiables ? Peuvent-elles inventer des informations sans que l’on s’en rende compte ? Cette deuxième séance du cycle "Et si l'IA ?" met en lumière le phénomène des « hallucinations » de l’IA, ces erreurs parfois crédibles qui peuvent avoir des conséquences importantes, notamment dans des contextes professionnels.En s’appuyant sur des exemples réels, comme des rapports contenant de fausses références, les intervenants expliqueront pourquoi ces erreurs surviennent, quelles en sont les causes techniques et comment les détecter. Une activité interactive invitera le public à distinguer le vrai du faux dans des réponses générées par IA, tout en découvrant les limites des solutions comme le prompt engineering.L’objectif : développer un regard critique face aux réponses de l’IA et mieux appréhender ses limites.

L’IA est souvent perçue comme neutre et objective. Mais est-ce vraiment le cas ? Cette troisième séance du cycle "Et si l'IA ?" questionne les biais et discriminations qui peuvent être intégrés dans les systèmes d’intelligence artificielle, en écho à des exemples marquants comme des algorithmes de recrutement ou de justice biaisés.À travers des démonstrations et des expériences interactives, la séance vise à déconstruire le mythe de la neutralité technologique et à réfléchir aux moyens de concevoir des systèmes plus équitables et inclusifs.

Et si vous confiiez à une intelligence artificielle vos doutes, vos émotions ou des informations sensibles ? Cette première séance du cycle "Et si l'IA ?" explore les usages de l’IA dans des contextes personnels et parfois intimes, où des outils comme les chatbots deviennent des interlocuteurs privilégiés. À partir de cas concrets — notamment l’utilisation de ChatGPT comme soutien psychologique ou pour traiter des données confidentielles — les intervenants analyseront les coulisses techniques de ces systèmes ainsi que les enjeux juridiques liés à la protection de la vie privée.Le public sera invité à découvrir, étape par étape, ce qui se cache derrière une réponse générée par IA : quels acteurs interviennent, comment les données circulent et quels risques cela implique. À travers une activité interactive ludique, chacun pourra mieux comprendre les implications de ses interactions avec ces outils et réfléchir aux limites à poser.

Les intelligences artificielles créent, imitent et transforment des contenus à grande échelle. Mais à qui appartiennent ces créations ? Et que deviennent les œuvres utilisées pour entraîner ces modèles ? Cette quatrième séance du cycle "Et si l'IA ?" aborde les enjeux de propriété intellectuelle liés à l’IA générative.En partant de cas récents impliquant l’utilisation d’œuvres protégées pour entraîner des modèles, les intervenants expliqueront les tensions entre innovation technologique et respect des droits d’auteur. Cette séance offrira des clés pour comprendre les défis actuels du droit de la propriété intellectuelle face à ces technologies et les implications pour les créateurs.

Abstract La maintenance prédictive (PdM) est de plus en plus utilisée pour améliorer la fiabilité des systèmes, réduire les temps d’arrêt et optimiser les coûts opérationnels dans des environnements industriels complexes grâce à la détection d’anomalies. À mesure que les systèmes industriels deviennent plus complexes, avec des composants inter- agissant entre eux et surveillés par des réseaux de capteurs en constante expansion, la détection d’anomalies fait face à de nouveaux défis méthodologiques. En particulier, un manque apparaît dans la littérature qui considère la détection d’anomalies avec des méthodes traditionnelles de Machine Learning (ML) utilisant une approche Single Label Classification (SLC), inadaptée lorsque plusieurs défaillances peuvent survenir simultanément.Les approches traditionnelles de détection d’anomalies basées sur des méthodes de ML utilisant une formulation SLC supposent que chaque observation appartient à une seule catégorie d’anomalie. Cette hypothèse ne tient pas lorsque plusieurs défaillances surviennent simultanément sur le même équipement, ce qui entraîne une perte d’information. Ceci commence par une illustration de cette limite à travers un exemple concret montrant que l’utilisation d’une approche SLC au lieu d’une formulation multi-label dégrade la classification des anomalies simultanées. Pour répondre à ce problème, la détection d’anomalies est reformulée comme un problème de Multi Label Classification (MLC), permettant de détecter plusieurs défaillances au sein d’un même pas de temps. Suite à cette reformulation, la problématique du choix des classificateurs multi- label adaptés au contexte de la Predictive Maintenance (PdM) doit être étudiée. La conclusion générale de la littérature est que la performance des classificateurs dépend fortement du contexte et qu’il existe un grand nombre de méthodes de détection sans qu’aucune ne soit universellement dominante. Bien que des études comparatives approfondies existent dans le domaine du MLC, les jeux de données issus de systèmes complexes sont absents de ces comparaisons, alors même qu’ils présentent des caractéristiques spécifiques telles que des structures en séries temporelles multivariées, un fort déséquilibre des labels et des interactions complexes entre composants.Pour combler ce manque, un protocole d’évaluation structuré et reproductible est proposé afin d’évaluer huit méthodes de ML à l’état de l’art dans un cadre MLC sur trois jeux de données industriels publics. Les résultats confirment que la performance des classificateurs dépend fortement des caractéristiques du jeu de données et qu’aucune méthode ne domine systématiquement tous les scénarios. Toutefois, réaliser ce type de comparaison pour chaque nouveau contexte industriel est coûteux en termes de temps, de ressources computationnelles et de besoins en données, ce qui limite sa faisabilité pour un déploiement industriel réel. La thèse aborde également cette problématique par la réduction de dimension et les méthodes de sélection de variables. Les systèmes de PdM génèrent de grands ensembles de données multivariées dont seule une partie des variables est réellement pertinente pour la détection d’anomalies. Une stratégie évolutionnaire auto-adaptative est proposée pour effectuer une sélection de variables de type wrapper et obtenir un sous-ensemble ne contenant que les variables les plus informatives. Les résultats expérimentaux montrent que la réduction de l’espace des variables améliore l’efficacité computationnelle et, dans la plupart des cas, la performance de prédiction des anomalies. La comparaison de la méthode proposée avec des approches métaheuristiques issues de l’état de l’art sur trois jeux de données PdM et cinq méthodes de détection d’anomalies confirme sa compétitivité en termes de performance prédictive et de taille optimale du sous-ensemble de caractéristiques sélectionné. Enfin, la réduction de l’espace des caractéristiques optimise non seulement les ressources nécessaires à la détection, mais réduit également le nombre de signaux que les techniciens doivent analyser lors des investigations de recherche de cause racine. Cette simplification vise à renforcer la confiance dans le système. Enfin, la thèse traite des aspects pratiques du déploiement des méthodes de détection dans les systèmes complexes. Parmi ceux-ci, on observe un manque de confiance et de transparence chez les techniciens de maintenance et les décideurs. Une analyse de l’interprétabilité et la robustesse des méthodes de détection d’anomalies est fournie afin de contribuer directement à leur déploiement en conditions réelles. Tout d’abord, la stratégie de sélection de variables proposée est évaluée sur un jeu de données PdM public à l’aide d’explications basées sur SHAP afin de vérifier la cohérence entre les variables sélectionnées et celles identifiées comme les plus importantes par des outils dédiés à l’interprétabilité. Les résultats montrent que les variables sélectionnées sont cohérentes avec les plus importantes selon ces outils. De plus, l’analyse visuelle des variables les plus influentes met en évidence que les anomalies sont associées à un sous-ensemble limité et bien défini de signaux venant des capteurs, ce qui contribue à améliorer la transparence et à renforcer la confiance dans les systèmes de détection automatique. En parallèle, il est nécessaire de mener une étude de la robustesse des classificateurs multi-label dans des scénarios contrôlés de dégradation de capteurs, incluant différentes familles de dégradations et plusieurs niveaux de sévérité. Les résultats montrent que la performance des classificateurs peut fortement se dégrader, en particulier en présence de dérives progressives. Pour atténuer cet effet, l’introduction de dégradations de capteurs durant l’entraînement apparaît comme une stratégie pertinente. Finalement, cette thèse propose un cadre structuré pour la détection d’anomalies multi-label dans les systèmes complexes, couvrant les méthodes de classification, l’optimisation de l’espace des variables, l’interprétabilité et la robustesse. Pour chacun de ces aspects, la thèse adopte un point de vue industriel et prend en compte les différences entre les conditions expérimentales contrôlées en laboratoire et les contraintes supplémentaires des environnements complexes réels. Le jury Prof. Katrien Beuls - Université de Namur, BelgiqueProf. Elio Tuci - Université de Namur, BelgiqueProf. Patrick Heymans - Université de Namur, BelgiqueProf. Jenni Raitoharju - Université de Jyväskylä, FinlandeMr. Fabio Pinna - Telespazio, BelgiqueMr. Vito Trianni - ISTC-CNR, Italie Je m'inscris

Sara Belghiti, doctorante à l’Université de Namur (Institut NaDI-CeRCLe) et assistante d’enseignement et de recherche à l’IÉSEG School of Management (France), vient d’être distinguée par l’AMS Review – Sheth Foundation Doctoral Competition for Conceptual Articles (DoCCA) 2026, l’un des concours doctoraux les plus prestigieux au monde en marketing et management théoriques et conceptuels.