Résultats de recherche

La conférence annuelle de Trail, la structure qui rassemble tous les chercheurs en intelligence artificielle de la Fédération Wallonie-Bruxelles, et intitulée « Inclusion, Parcimonie et Pluralité : l’Avenir de l’IA ? », s’est tenue à l’UNamur le 14 mai dernier. 150 participants sont venus écouter un programme particulièrement riche et varié.

Progressivement, des technologies de plus en plus sophistiquées envahissent nos sphères d’activités sans que nous ayons préalablement été consultés en tant que citoyens. Les nouveaux outils numériques, intelligences artificielles ou technologies issues des progrès en neurosciences, qui transforment nos rapports identitaires et sociaux, ne devraient-ils pas faire l’objet de vastes débats démocratiques suffisamment informés ? Cette question est au cœur du projet de «recherche-action» international «Un nouvel humanisme au temps des neurosciences et de l’intelligence artificielle» auquel participe l’UNamur.

Le projet TEF-Health : Testing and Experimentation Facilities for Health AI and Robotics est un projet européen d’envergure qui a pour objectif l'adoption rapide de solutions basées sur l'intelligence artificielle et la robotique dans le secteur médical. L’UNamur, avec l’expertise de son Centre de Recherche Information Droit et Société (CRIDS), est partenaire de ce projet.

Au programme 14h00 | Conférence principale sur l'utilisation de l'IA dans la recherche - Hugues BERSINI, professeur à l’Université libre de Bruxelles : "Can science be just data driven ?" 15h00 | Exposés de chercheurs de l'UNamur15h00 | Catherine Guirkinger : Use of AI in an economic history project15h15 | Nicolas Roy (PI : Alexandre Mayer) :  L'IA au service de l'innovation en photonique et optique :  révéler les secrets des parchemins par la classification des espèces animales15h25 | Nemanja Antonic (PI : Elio Tuci) : An in silico representation of C. elegans collective behaviour15h35 | Nicolas Franco : The benefits and dangers of “predicting the future” with covid-like machine learning models 15h45 | Michel Ajzen : Implications managériales et humaines de l’IA dans les organisations 15h55 | Robin Ghyselinck (PI : Bruno Dumas) : Deep Learning for endoscopy: towards next generation computer-aided diagnosis16h05 | Auguste Debroise (PI : Guilhem Cassan) : LLMs pour mesurer l'importance des stéréotypes au sein des représentations de genre dans les films hollywoodiens16h15 | Gabriel Dias De Carvalho : Pratiques d’apprentissage en physique à l’aide des IA génératives16h25 | Sébastien Dujardin (PI : Catherine Linard) : Where Geography meets AI: A case study on mapping online flood conversations16h35 | Jeremy Dodeigne : LLMs in SHS: revolutionary tools in a Wild West Territory? Reflections on costs, transparency and open science16h45 | Antoinette Rouvroy : Governing AI in Democracy17h00 | Conférence principale sur l'éthique et les lignes directrices à prendre en compte lors de l'utilisation de l'IA dans le cadre de projets de recherche et de la rédaction d’articles de recherche - Bettina BERENDT, professeure à la KU Leuven18h00 | Benoît Frenay et Michaël Lobet : Création d'un comité scientifique IA à l'UNamur18h10 | DrinkUne attestation de présence, valant pour 0,5 crédit de formation doctorale transversale, sera délivrée sur demande.  Contact : secretariat.adre@unamur.beCet évènement est gratuit mais l’inscription est obligatoire.   Je m'inscris

SynopsisA honeypot is a security tool deliberately designed to be vulnerable, thereby enticing attackers to probe, exploit, and compromise it. Since their introduction in the early 1990s, honeypots have remained among the most widely used tools for capturing cyberattacks, complementing traditional defenses such as firewalls and intrusion detection systems. They serve both as early warning systems and as sources of valuable attack data, enabling security professionals to study the techniques and behaviors of threat actors.While conventional honeypots have achieved significant success, they remain deterministic in their responses to attacks. This is where adaptive or intelligent honeypots come into play. An adaptive honeypot leverages Machine Learning techniques, such as Reinforcement Learning, to interact with attackers. These systems learn to take actions that can disrupt the normal execution flow of an attack, potentially forcing attackers to alter their techniques. As a result, attackers must find alternative routes or tools to achieve their objectives, ultimately leading to the collection of more attack data.Despite their advantages, traditional honeypots face two main challenges. First, emulation-based honeypots (also known as low- and medium-interaction honeypots) are increasingly susceptible to detection, which undermines their effectiveness in collecting meaningful attack data. Second, real-system-based honeypots (also known as high-interaction honeypots) pose security risks to the hosting organization if not properly isolated and protected. Since adaptive honeypots rely on the same underlying systems, they also inherit these challenges.This thesis investigates whether it is possible to design a honeypot system that mitigates these challenges while still fulfilling its primary objective of collecting attack data. To this end, it proposes a new abstract model for adaptive self-guarded honeypots, designed to balance attack data collection, detection evasion, and security preservation, ensuring that it does not pose a risk to the rest of the network.Membres du juryProf. Wim VANHOOF, Président, Université de NamurProf. Jean-Noël COLIN, Promoteur, Université de NamurProf. Florentin ROCHET, Membre interne, Université de NamurProf. Benoît FRENAY, Membre interne, Université de NamurProf. Ramin SADRE, Membre externe, Université catholique de Louvain Dr. Jérôme FRANCOIS, Membre externe, Université du LuxembourgVous êtes cordialement invités à un drink, qui suivra la soutenance publique. Pour une bonne organisation, merci de donner votre réponse pour le mardi 20 mai 2025.   Je m'inscris

SynopsisLes méthodes deep learning sont devenues de plus en plus populaires pour construire des systèmes intelligents. Actuellement, de nombreuses architectures deep learning constituent l'état de l'art dans leurs domaines respectifs, tels que la reconnaissance d'images, la génération de texte, la reconnaissance vocale, etc. La disponibilité de bibliothèques et de frameworks matures pour développer de tels systèmes est également un facteur clé de ce succès.Ce travail explore l'utilisation de ces architectures pour construire des systèmes intelligents pour les langues des signes. La création grands corpus de données en langue des signes a rendu possible l'entraînement d'architectures deep learning à partir de zéro. Les contributions présentées dans ce travail couvrent tous les aspects du développement d'un système intelligent basé sur l'apprentissage profond. Une première contribution est la création d’une base de données pour la Langue des Signes de Belgique Francophone (LSFB). Celle-ci est dérivé d’un corpus existant et a été adapté aux besoins des méthodes deep learning. La possibilité de recourir à des méthodes de collecte participative (crowdsourcing) pour recueillir d'avantages de données est également explorée.La deuxième contribution est le développement ou l’adaptation d'architectures pour la reconnaissance automatique de la langue des signes. L'utilisation de méthodes contrastives pour apprendre de meilleures représentations est explorée, et la transférabilité de ces représentations à d'autres langues des signes est évaluée.Enfin, la dernière contribution est l’intégration des modèles dans des logiciels destinés au grand public. Cela a permis de mener une réflexion sur les défis lié à l'intégration d'un module intelligent dans le cycle de vie du développement logiciel.Membres du juryProf. Wim VANHOOF, Président, Université de NamurProf. Benoît FRENAY, Promoteur, Université de NamurProf. Anthony CLEVE, Co-promoteur, Université de NamurProf. Laurence MEURANT, Membre interne, Université de NamurProf. Lorenzo BARALDI, Membre externe, Université de ModèneProf. Annelies BRAFFORT, Membre externe, Université de Paris-SaclayProf. Joni DAMBRE, Membre externe, Université de GandVous êtes cordialement invités à un drink, qui suivra la soutenance publique. Pour une bonne organisation, merci de donner votre réponse pour le vendredi 6 juin. Je m'inscris

A l’UNamur une nouvelle plateforme dédiée à la recherche en sciences humaines et sociales (SHS) voit le jour. Objectif ? Offrir aux chercheuses et chercheurs en SHS, un soutien méthodologique adapté à leurs besoins et renforcer l’excellence en SHS à l’UNamur. Cette plateforme, SHS Impulse, fournira divers services tels qu’un apport financier pour des formations, de la consultance, des accès à des ressources, ou encore des achats de logiciels en cofinancement. 

Maxime Lucas est Chargé de recherche FNRS au Département de mathématiques et membre de l’Institut naXys.  Il travaille sur les systèmes complexes au sein du pôle « Dynamique des réseaux » dirigé par le Professeur Timoteo Carletti.  Il est co-auteur de deux articles sur les systèmes complexes, récemment publiés dans des revues prestigieuses : Nature Physics et Physical Reviews Letters. 

Le Professeur Timoteo Carletti de l’Université de Namur vient de publier dans la prestigieuse revue Nature Physics en collaboration avec la Professeure Ginestra Bianconi de l’Université Queen Mary de Londres et huit autres chercheurs internationaux. Cette étude révolutionnaire pourrait conduire au développement de nouveaux algorithmes d’IA, à de nouvelles façons d’étudier le fonctionnement du cerveau ou encore à des percées dans des disciplines telles que la physique, la science du climat, la finance et bien d’autres.

Une chorale de robots, cela ressemble à de la science-fiction ! C’est pourtant une réalité à l’UNamur. Au sein du laboratoire de robotique de la Faculté d’informatique, des chercheurs de l’institut naXys, menés par les professeurs Elio Tuci et Timoteo Carletti, des membres du TRAKK, des artistes et des partenaires externes ont collaboré autour du projet « Chœurs synthétiques ». Explications.