J’ai réalisé ma thèse en 2013 à l'Université de Tours sur la recommandation de requêtes d'analyse dans des systèmes gérant des bases de données volumineuses. J’ai travaillé sur ce même concept lors de mon post-doc à Nantes Université, mais pour l'analyse d'objets patrimoniaux. À UT Capitole, mes recherches sont surtout appliquées au secteur de la santé, dans la continuité de travaux avec l’Inserm initiés par ma collègue Chantal Soulé-Dupuy. L’objectif au départ était de recommander des modèles prédictifs, appropriés aux besoins des médecins et biologistes. Mais il était impossible d’expliquer pourquoi le modèle était recommandé. C’est pourquoi, plus récemment, nous nous sommes spécialisés dans l’explicabilité pour les prédictions (XAI).

Mon projet de recherche actuel consiste à rendre l’analyse de données intelligible. Pour cela, je considère l’explication de prédictions comme un nouvel espace de données à explorer. En effet, ces explications sont potentiellement très nombreuses, ce qui requiert une fouille adéquate pour trouver les plus saillantes. Ce travail se décompose en quatre axes, correspondant à quatre thèses que je co-encadre jusqu’en 2024. Deux sont menées avec le laboratoire RESTORE, spécialisé dans l’analyse du vieillissement et dont je suis le correspondant scientifique. Deux autres sont des CIFRE, en lien avec les entreprises Kaduceo et SolutionData.

Oui, un brevet porté par RESTORE et associé à deux équipes de l’IRIT (SIG et REVA) a été déposé par Inserm Transfert en copropriété avec l’UT Capitole. Il s’agit d’un prototype qui permet de prédire l’âge physiologique des patients en identifiant automatiquement les facteurs de vieillissement spécifiques à certaines populations. Grâce à un modèle de machine learning, apprenant sur les données biologiques de 80 000 individus suivis aux États-Unis et reliées à leur âge clinique, nous avons pu prédire un âge physiologique personnalisé et explicable.

Lorsqu’on participe à un projet de recherche interdisciplinaire, l’enjeu est de parler le même langage. L’interaction avec l’équipe de RESTORE a été grandement facilitée par des personnes qui excellent dans leur domaine médical et qui sont également familières du machine learning. Cela génère un respect mutuel et une belle complémentarité : nous faisons de la recherche en informatique appliquée à un contexte de biologie et les médecins analysent le vieillissement à l'aide des outils que nous avons développés.

Dans certains de mes cours, je fais des introductions au machine learning. Faire des recherches dans ce domaine me permet de présenter des exemples concrets, qui peuvent même devenir des sujets d’examens. Par ailleurs, je suis très attentif à la vulgarisation, notamment avec les étudiants en MIAGE, tout en restant exigeant. Cette approche, je l’utilise lorsque je travaille avec des biologistes. L’enseignement a donc aussi des aspects bénéfiques sur mon travail de chercheur.

Afin de poursuivre mes recherches dans le secteur de la santé, j’aimerais développer des collaborations avec le CHU de Toulouse, dont les problématiques sont certainement similaires. Il y a également beaucoup de projets à mener avec des juristes d’UT Capitole, notamment dans le cadre du AI Act (pour la régulation de l’intelligence artificielle), porté au niveau européen.