La ToolBox "Méthodes d’intelligence artificielle pour la Mécanique" vise à illustrer la diversité des utilisations possibles des concepts IA en les mettant en œuvre dans un domaine rarement abordé dans la littérature non-spécialisée. En effet, s’il est courant de voir des méthodes labellisées intelligence artificielle appliquées à des problèmes de reconnaissance d’images ou de recommandation, il est plus rare de les voir traiter des problèmes physiques.

Pourtant, traitement d’images tomographiques par acquisition comprimée, régression par Krigeage ou recalage de modèles par méthodes Bayésiennes sont autant d’exemples de pratiques faisant aujourd’hui partie de l’arsenal du chercheur en mécanique, et donc appelées à être mises au service des futurs ingénieurs.

L’une des particularités de la mécanique est que cette science fait la part belle à des modèles de connaissance fiables et efficaces, basés sur des concepts anciens et éprouvés. Dans ce contexte, il peut paraître surprenant de chercher à tirer parti de méthodes d’intelligence artificielle, basées avant-tout sur les données. Et de fait, il semble être aujourd’hui communément admis qu’une démarche visant à se passer de toute loi physique, et à ne faire reposer la modélisation que sur les données serait sous-optimale en terme de fiabilité et de complexité algorithmique. En d’autres termes, les modèles de connaissance développés par le passé peuvent être vus comme une forme hyper-compressée et fiable de données que l’on a tout intérêt à exploiter.

Une famille récente d’approches en mécanique numérique vise donc à utiliser de façon optimale et conjointe l’expertise métier et les données afin de créer une synergie à-même de venir à bout de problèmes qui auraient été insolubles si on n’utilisait que les données ou que l’expertise.

Lien avec les ODD : Objectifs de développement durable

Mots-clés:

Mecanique Intelligence artificielle Mécanique Numérique

Nombre d’heures à l’emploi du temps:

Domaine(s) ou champs disciplinaires:

Langue d’enseignement:

Objectifs d’apprentissage:

A la fin de l’unité pédagogique, l’élève sera capable de :	Niveau de taxonomie	Priorité

Modalités d’évaluation des apprentissages:

Part de l'évaluation individuelle		Part de l'évaluation collective
Examen sur table :	%	Livrable(s) de projet :	%
Examen oral individuel :	%	Exposé collectif :	%
Exposé individuel :	%	Exercice pratique collectif :	%
Exercice pratique individuel :	%	Rapport collectif :	%
Rapport individuel :	%
Autre(s) : %

Programme et contenus:

Type d’activité pédagogique :	Contenu, séquencement et organisation

TOOLBOXES 2

Positionnement dans le cursus

TB2 - METHODES D’INTELLIGENCE ARTIFICIELLE POUR LA MECANIQUE

Responsable:

Description générale :