Les systèmes de vision artificielle sont aujourd'hui limités à l'extraction de données issues de ce que les caméras « voient ». Cependant, la compréhension de ce qu'elles voient peut être enrichie en associant la connaissance du contexte et la connaissance d'interprétation d'un humain.Dans ces travaux de thèse, nous proposons une approche associant des algorithmes de vision atificielle à une modélisation sémantique du contexte d'acquisition.Cette approche permet de réaliser un raisonnement sur la connaissance extraite des images par les caméras en temps réel. Ce raisonnement offre une réponse aux problèmes d'occlusion et d'erreurs de détections inhérents aux algorithmes de vision artificielle. Le système complet permet d'offrir un ensemble de services intelligents (guidage, comptage...) tout en respectant la vie privée des personnes observées. Ces travaux forment la première étape du développement d'un bâtiment intelligent qui peut automatiquement réagir et évoluer en observant l'activité de ces usagers, i.e., un bâtiment intelligent qui prend en compte les informations contextuelles.Le résultat, nommé WiseNET, est une intelligence artificielle en charge des décisions au niveau du bâtiment (qui pourrait être étendu à un groupe de bâtiments ou même a l'échelle d'un ville intelligente). Elle est aussi capable de dialoguer avec l'utilisateur ou l'administrateur humain de manière explicite. / To date, computer vision systems are limited to extract digital data of what the cameras "see". However, the meaning of what they observe could be greatly enhanced by environment and human-skills knowledge.In this work, we propose a new approach to cross-fertilize computer vision with contextual information, based on semantic modelization defined by an expert.This approach extracts the knowledge from images and uses it to perform real-time reasoning according to the contextual information, events of interest and logic rules. The reasoning with image knowledge allows to overcome some problems of computer vision such as occlusion and missed detections and to offer services such as people guidance and people counting. The proposed approach is the first step to develop an "all-seeing" smart building that can automatically react according to its evolving information, i.e., a context-aware smart building.The proposed framework, named WiseNET, is an artificial intelligence (AI) that is in charge of taking decisions in a smart building (which can be extended to a group of buildings or even a smart city). This AI enables the communication between the building itself and its users to be achieved by using a language understandable by humans.

Cette étude examine comment les élèves communiquent par écrit lorsqu'ils savent que leur interlocuteur est un autre élève humain par rapport à la façon dont ils communiquent lorsqu'ils savent que leur partenaire est un « chatbot », un agent conversationnel artificiel qui communique par écrit en utilisant le langage naturel. Les participants sont des lycéens d’un cours de français langue étrangère (FLE) en Suède. Les élèves ont écrit à leurs pairs via la messagerie instantanée (IM) et au chatbot via un site Webb. Les conversations ont été comparées, et leurs variables linguistiques ont été distinguées selon les dimensions suivantes : mots par message et par conversation, messages par conversation, diversité lexicale et fréquence d'émoticônes. Au cours des dernières années, tant les linguistes que les chercheurs en Intelligence Artificielle ont été contraints de traiter des problèmes de contexte, de syntaxe, de sémantique et de pragmatique (Rosenberg, 1975). Il existe des études qui abordent la question de la coopération entre la linguistique et le traitement automatique du langage naturel (TALN) qui se concentrent sur la façon dont les chatbots communiquent par écrit avec les humains. Cependant, cette étude est concentrée sur l'humain, évaluant la langue et distinguant les caractéristiques linguistiques utilisées du côté de l’humain conversant avec un chatbot. Les résultats ont montré que les messages élèves-chatbot contenaient moins de mots par message que ceux envoyés à un autre élève, mais les élèves ont envoyé plus de deux fois plus de messages au chatbot qu'à leurs pairs. L'étude a révélé qu'il existe un niveau de motivation plus élevé chez les élèves lorsqu'ils s'engagent dans des conversations avec l'agent artificiel par rapport aux autres étudiants.

L’éthique de l’intelligence artificielle (IA) constitue un domaine de recherche pluridisciplinaire en expansion. Cette thèse s’inscrit dans le champ de l’éthique de l’IA et en propose une nouvelle interprétation. D’entrée de jeu, les nombreux liens qu’entretiennent les défis et opportunités que présentent les systèmes employant l’intelligence artificielle avec le domaine politique y sont exposés. Une hypothèse clé animant cette thèse est que, puisque la politique consiste à répondre au conflit par le dialogue, les décideurs politiques aux prises avec des questions concernant l’IA peuvent tirer profit des orientations fournies par différentes traditions éthiques. Afin de faciliter un dialogue optimal, une prise de position métaéthique particulière est avancée au niveau théorique, soit le « monisme non orthodoxe », tandis qu’une série de questions ciblées est proposée au niveau de la pratique. Divisée en trois sections, la thèse débute avec une exploration métaéthique des fondements des approches éthiques principales qui sont à l’œuvre dans les réflexions contemporaines concernant l’IA. Les écoles éthiques étudiées, en faisant appel au continuum qui distingue le monisme et le pluralisme, sont l’éthique de la vertu, l’utilitarisme et l’éthique déontologique. Ces démarches monistes sont ensuite placées en contraste avec le pluralisme des valeurs, une approche souvent employée, mais rarement nommée de manière explicite. La deuxième section consiste en une analyse métaéthique d’une vingtaine de directives éthiques émises par des compagnies privées, la société civile ainsi que des organisations à multiples partenaires, de même que par des instances gouvernementales ou intergouvernementales. C’est ce portrait qui révèle à quel point le pluralisme des valeurs est récurrent dans ces directives. En outre, il se mêle souvent à d’autres approches éthiques pour générer des versions en situation de « tension métaéthique », bien que cela ne se produise souvent que de manière implicite. En conséquence, les propositions associées à ces approches sont parfois contradictoires, tant en ce qui concerne leur formulation que dans la manière dont elles seraient mises en œuvre. Une approche éthique alternative est proposée dans la troisième section. Cette approche est formée d’éléments dérivés spécialement de l’éthique de la vertu et du pluralisme. Ils fondent le socle sur lequel, dans le chapitre final de la thèse, un « guide dialogique » est développé pour l’usage des décideurs politiques. La prudence, une sensibilité profonde au contexte, une orientation téléologique « douce » vers le bien commun ainsi que l’ouverture à la possibilité de dilemmes insolubles caractérisent cette approche éthique. La philosophie herméneutique est également mise à contribution pour justifier l’articulation d’une série de questions destinées à guider le dialogue des décideurs politiques. En effet, l’herméneutique encourage une logique de questions, plutôt qu’une logique dérivée de principes ou de théories. / The ethics of artificial intelligence (AI) is a growing field of multidisciplinary research. This thesis falls within AI ethics and suggests a new interpretation. The numerous challenges and opportunities generated by AI systems are described at the outset. A key assumption of the thesis is that, given that politics consists of responding to conflict with dialogue, policy-makers dealing with the questions surrounding AI can benefit from the guidance provided by different ethical traditions. Furthermore, in order to facilitate an optimal dialogue, this thesis puts forward a particular metaethical position, that of “unorthodox monism” at the theoretical level, and one consisting of a series of pertinent questions at the practical level. Divided into three main sections, the thesis begins by exploring the metaethical foundations at work in most contemporary thinking about AI. Using a continuum that distinguishes between monism and pluralism in ethics, the particular schools examined are virtue ethics, utilitarianism, and deontology. These monistic approaches are then contrasted with value pluralism, which is an approach that is often employed and yet rarely identified explicitly. The second section consists of a metaethical analysis of a sample of some twenty sets of AI ethical guidelines produced within private companies, civil society and by multi-partner organizations, as well as by governmental and intergovernmental bodies. It is this portrait which reveals how value pluralism recurs in many of these sets of guidelines. Moreover, it is also often implicitly combined with other ethical approaches to generate “mixed” versions, which exhibit metaethical tensions. As a result, the proposals associated with these approaches are sometimes contradictory, both in regards to how they are formulated as well as to how they are to be implemented. Third, an alternative ethical approach is proposed. It consists of elements derived in particular from virtue ethics and value pluralism. They form the basis upon which, in the thesis’ final chapter, a “dialogical guide” is formulated for use by policy-makers. Prudence, a deep sensitivity to context, a “soft” teleological orientation towards a common good, along with openness to the possibility of intractable dilemmas characterize this approach. Hermeneutical philosophy is also drawn upon in order to justify the articulation of a series of questions meant to guide the dialogue of policy-makers. Indeed, hermeneutics calls forth a logic of questions rather than one based on principles or theories.

L'évolution rapide des réseaux sociaux en ligne (RSO) représente un défi significatif dans l'identification et l'atténuation des fausses informations, incluant les fausses nouvelles, la désinformation et la mésinformation. Cette complexité est amplifiée dans les environnements numériques où les informations sont rapidement diffusées, nécessitant des stratégies sophistiquées pour différencier le contenu authentique du faux. L'un des principaux défis dans la détection automatique de fausses informations est leur présentation réaliste, ressemblant souvent de près aux faits vérifiables. Cela pose de considérables défis aux systèmes d'intelligence artificielle (IA), nécessitant des données supplémentaires de sources externes, telles que des vérifications par des tiers, pour discerner efficacement la vérité. Par conséquent, il y a une évolution technologique continue pour contrer la sophistication croissante des fausses informations, mettant au défi et avançant les capacités de l'IA. En réponse à ces défis, ma thèse introduit le cadre FACTS-ON (Fighting Against Counterfeit Truths in Online Social Networks), une approche complète et systématique pour combattre la désinformation dans les RSO. FACTS-ON intègre une série de systèmes avancés, chacun s'appuyant sur les capacités de son prédécesseur pour améliorer la stratégie globale de détection et d'atténuation des fausses informations. Je commence par présenter le cadre FACTS-ON, qui pose les fondements de ma solution, puis je détaille chaque système au sein du cadre : EXMULF (Explainable Multimodal Content-based Fake News Detection) se concentre sur l'analyse du texte et des images dans les contenus en ligne en utilisant des techniques multimodales avancées, couplées à une IA explicable pour fournir des évaluations transparentes et compréhensibles des fausses informations. En s'appuyant sur les bases d'EXMULF, MythXpose (Multimodal Content and Social Context-based System for Explainable False Information Detection with Personality Prediction) ajoute une couche d'analyse du contexte social en prédisant les traits de personnalité des utilisateurs des RSO, améliorant la détection et les stratégies d'intervention précoce contre la désinformation. ExFake (Explainable False Information Detection Based on Content, Context, and External Evidence) élargit encore le cadre, combinant l'analyse de contenu avec des insights du contexte social et des preuves externes. Il tire parti des données d'organisations de vérification des faits réputées et de comptes officiels, garantissant une approche plus complète et fiable de la détection de la désinformation. La méthodologie sophistiquée d'ExFake évalue non seulement le contenu des publications en ligne, mais prend également en compte le contexte plus large et corrobore les informations avec des sources externes crédibles, offrant ainsi une solution bien arrondie et robuste pour combattre les fausses informations dans les réseaux sociaux en ligne. Complétant le cadre, AFCC (Automated Fact-checkers Consensus and Credibility) traite l'hétérogénéité des évaluations des différentes organisations de vérification des faits. Il standardise ces évaluations et évalue la crédibilité des sources, fournissant une évaluation unifiée et fiable de l'information. Chaque système au sein du cadre FACTS-ON est rigoureusement évalué pour démontrer son efficacité dans la lutte contre la désinformation sur les RSO. Cette thèse détaille le développement, la mise en œuvre et l'évaluation complète de ces systèmes, soulignant leur contribution collective au domaine de la détection des fausses informations. La recherche ne met pas seulement en évidence les capacités actuelles dans la lutte contre la désinformation, mais prépare également le terrain pour de futures avancées dans ce domaine critique d'étude. / The rapid evolution of online social networks (OSN) presents a significant challenge in identifying and mitigating false information, which includes Fake News, Disinformation, and Misinformation. This complexity is amplified in digital environments where information is quickly disseminated, requiring sophisticated strategies to differentiate between genuine and false content. One of the primary challenges in automatically detecting false information is its realistic presentation, often closely resembling verifiable facts. This poses considerable challenges for artificial intelligence (AI) systems, necessitating additional data from external sources, such as third-party verifications, to effectively discern the truth. Consequently, there is a continuous technological evolution to counter the growing sophistication of false information, challenging and advancing the capabilities of AI. In response to these challenges, my dissertation introduces the FACTS-ON framework (Fighting Against Counterfeit Truths in Online Social Networks), a comprehensive and systematic approach to combat false information in OSNs. FACTS-ON integrates a series of advanced systems, each building upon the capabilities of its predecessor to enhance the overall strategy for detecting and mitigating false information. I begin by introducing the FACTS-ON framework, which sets the foundation for my solution, and then detail each system within the framework: EXMULF (Explainable Multimodal Content-based Fake News Detection) focuses on analyzing both text and image in online content using advanced multimodal techniques, coupled with explainable AI to provide transparent and understandable assessments of false information. Building upon EXMULF’s foundation, MythXpose (Multimodal Content and Social Context-based System for Explainable False Information Detection with Personality Prediction) adds a layer of social context analysis by predicting the personality traits of OSN users, enhancing the detection and early intervention strategies against false information. ExFake (Explainable False Information Detection Based on Content, Context, and External Evidence) further expands the framework, combining content analysis with insights from social context and external evidence. It leverages data from reputable fact-checking organizations and official social accounts, ensuring a more comprehensive and reliable approach to the detection of false information. ExFake's sophisticated methodology not only evaluates the content of online posts but also considers the broader context and corroborates information with external, credible sources, thereby offering a well-rounded and robust solution for combating false information in online social networks. Completing the framework, AFCC (Automated Fact-checkers Consensus and Credibility) addresses the heterogeneity of ratings from various fact-checking organizations. It standardizes these ratings and assesses the credibility of the sources, providing a unified and trustworthy assessment of information. Each system within the FACTS-ON framework is rigorously evaluated to demonstrate its effectiveness in combating false information on OSN. This dissertation details the development, implementation, and comprehensive evaluation of these systems, highlighting their collective contribution to the field of false information detection. The research not only showcases the current capabilities in addressing false information but also sets the stage for future advancements in this critical area of study.