FONDUE (intelligence artiFicielle pour les processus administratifs et commerciaux)

Kavé Salamatian




Kavé Salamatian,
Professeur,
kave.salamatian@univ-smb.fr





Hervé Verjus,




Hervé Verjus,
Professeur associé,
herve.verjus@univ-smb.fr
 






 

DESCRIPTION

L'ambition du projet FONDUE est d'appliquer des méthodologies basées sur l'IA à un large ensemble de paramètres relatifs aux processus commerciaux et administratifs. L'intelligence artificielle (IA), comme les grands modèles de langage (LLM) et les systèmes experts, est en train de transformer les processus commerciaux et administratifs, en ayant un impact sur les trois étapes des processus commerciaux, à savoir la recherche d'informations, la correspondance entre les réglementations et les règles, et la prise de décision. L'IA a un impact sociétal significatif mais pose également des défis, notamment en termes de biais, de préoccupations éthiques et de risque de renforcement des inégalités sociétales. Les systèmes d'IA d'entreprise doivent intégrer des composants de surveillance dès la phase de conception afin d'évaluer les impacts éthiques, sociaux et réglementaires, parallèlement aux mesures opérationnelles. Le projet FONDUE vise à appliquer les méthodologies de l'IA pour améliorer toutes les étapes des processus commerciaux tout en tenant compte des biais et des risques éthiques. Il met l'accent sur l'intégration de composantes de suivi et d'évaluation dans les systèmes d'IA afin d'améliorer la transparence, l'explicabilité et les avantages pour la société.

L'approche adoptée dans le projet FONDUE est innovante dans la mesure où elle utilise une variété d'outils d'IA pour aborder des questions qui sont souvent négligées au profit de domaines scientifiques tels que la santé, la (géo)physique, la chimie...). L'approche FONDUE adopte une perspective multidisciplinaire définitive qui combine les outils existants et les adapte au domaine des affaires où les données et les processus centrés sur l'homme sont prédominants ; la conception d'une solution d'IA traitant des connaissances du domaine des affaires est un défi car ces connaissances sont généralement informelles et mal caractérisées. L'étendue de la recherche qui considère la représentation de la connaissance du domaine est encore limitée et l'ambition du projet est de réduire, à son modeste niveau, les lacunes.
Ce projet est soutenu par deux grandes entreprises françaises.

ACTIVITÉS

Domaine de recherche : un pipeline générique expérimental d'IA est en cours d'étude et englobe une méthode d'extraction d'informations multimodales. Ce pipeline vise à couvrir des blocs génériques allant de l'extraction des données à l'affectation sémantique des données (c'est-à-dire l'étiquetage). L'objectif est de concevoir des blocs d'IA réglables et paramétrés ; ces blocs intègrent des méthodes d'IA adaptées aux données non structurées des grandes entreprises.
Volet éducatif : certains cours ont été conçus pour intégrer des méthodes et des outils d'IA. Le cours BPM dans le cursus MsC d'informatique a été complètement remanié : ce cours traite maintenant de l'ingénierie des pipelines d'IA pour les processus d'affaires. Ce pipeline contient des blocs d'IA (LLM, RAG) qui traitent des documents textuels commerciaux et des données non étiquetées et non structurées. Le pipeline d'IA est présenté comme une entité centrale dans les systèmes d'information d'entreprise.
 

LISTE DE PUBLICATIONS SÉLECTIONNÉES

  • Dong Wang, Shaoguang Yan, Yunqing Xia, Kavé Salamatian, Weiwei Deng et Qi Zhang. 2022. Learning Supplementary NLP Features for CTR Prediction in Sponsored Search (Apprentissage de caractéristiques NLP supplémentaires pour la prédiction de CTR dans la recherche sponsorisée). Actes de la 28e conférence ACM SIGKDD sur la découverte de connaissances et la fouille de données (KDD '22). ACM.
  • Dong Wang, Kavé Salamatian, Yunqing Xia, Weiwei Deng et Qi Zhang. 2023. BERT4CTR : An Efficient Framework to Combine Pre-trained Language Model with Non-textual Features for CTR Prediction (BERT4CTR : un cadre efficace pour combiner un modèle linguistique pré-entraîné avec des caractéristiques non textuelles pour la prédiction de CTR). Actes de la 29e conférence ACM SIGKDD sur la découverte de connaissances et l'exploration de données (KDD '23). ACM.
  • P. Dardouillet, K. Salamatian, H. Verjus, F. Loukil, D. Telisson et O. L. van, "Strategic Integration of Context for Fine-Tuning Topic Model Performance," 2024 IEEE 48th Annual Computers, Software, and Applications Conference (COMPSAC), Osaka, Japon, 2024, pp. 366-375.
  • Karima Boutalbi, Rafika Boutalbi, Hervé Verjus et Kave Salamatian. 2024. Hierarchical Tensor Clustering for Multiple Graphs Representation. In Companion Proceedings of the ACM Web Conference 2024 (WWW '24). Association for Computing Machinery, New York, NY, USA, 613-616.
  • Faiza Loukil, Sarah Cadereau, Hervé Verjus, Mattéo Galfre, Kavé Salamatian, David Telisson, Quentin Kembellec, Olivier Le Van, 2024. LLM-centric pipeline for information extraction from invoices, The 2nd International Conference on Foundation and Large Language Models (FLLM2024), 26-29 November, 2024 Dubai, UAE
  • Jason Piquenot, Maxime Bérar, Pierre Héroux, Jean-Yves Ramel, Romain Raveaux, Sébastien Adam. "Finding path and cycle counting formulae in graphs with Deep Reinforcement Learning". CoRR abs/2410.01661 (2024)
  • Vasisht Duddu, Antoine Boutet, Virat Shejwalkar. Quantifier la fuite de la vie privée dans l'intégration des graphes. MobiQuitous, 2020.
  • Boutet, Magnana. Anonymization by Design of Language Modeling. arXiv preprint arXiv :. (2024).
 

PRÉSENTATION DE LA PRÉSIDENCE

Présentation de la présidence FONDUE

Licence :

Sauf indication contraire, tous les documents sont diffusés sous la licence Creative Commons BY-NC-ND 4.0.
Vous pouvez les consulter et les partager à des fins non commerciales, sans les modifier et en mentionnant les auteurs.
Publié le 12 septembre 2025
Mis à jour le 12 septembre 2025