Maître de con­férences, Imad Rida est chercheur au BMBI dans l’équipe C2MUST. Il con­tribue à dévelop­per des mod­èles d’IA adap­tés à dif­férents pro­jets de recherche, notam­ment la préven­tion des accouche­ments pré­maturés et le vieil­lisse­ment musculaire.

Après une thèse con­sacrée au machine learn­ing et plus par­ti­c­ulière­ment à l’apprentissage de représen­ta­tion pour faire de la clas­si­fi­ca­tion à l’INSA de Rouen, Imad Rida y reste pen­dant deux ans en tant qu’enseignant-chercheur con­tractuel (ATER). En 2019, il est recruté à l’UTC en tant que maître de con­férences. Son expéri­ence accu­mulée dans l’IA lui per­met de dévelop­per un cer­tain nom­bre d’outils adap­tés à des prob­lé­ma­tiques spé­ci­fiques. « C’est le cas pour la préven­tion de l’accouchement pré­maturé avec Dan Istrate et Cather­ine Mar­que, par exem­ple, ou l’évaluation du vieil­lisse­ment du sys­tème mus­cu­lo-squelet­tique avec Sofi­ane Boudaoud. Con­cer­nant ces deux prob­lé­ma­tiques, mon objec­tif est d’introduire de nou­velles tech­niques d’IA à par­tir de don­nées, sou­vent des sig­naux élec­triques, recueil­lies grâce à des élec­trodes appelées HDsEMG. J’utilise les tech­niques IA pour l’analyse des don­nées recueil­lies, la col­lecte des don­nées étant réal­isée par d’autres acteurs comme les mater­nités pour les femmes enceintes, par exem­ple », explique Imad Rida.

Par­mi les out­ils spé­ci­fiques dévelop­pés ? « Lorsqu’il y a peu de don­nées, j’utilise les tech­niques d’apprentissage de représen­ta­tion parci­monieuse. On par­le dans ce cas d’apprentissage de représen­ta­tion par dic­tio­n­naire. Toute­fois, quand les don­nées disponibles sont impor­tantes, ce sont les tech­niques de deep learn­ing qui sont mobil­isées. On peut, cepen­dant, utilis­er du deep learn­ing dans le pre­mier cas en faisant appel à des tech­niques dites “d’augmentation” des don­nées en mul­ti­pli­ant les inter­ac­tions entre les don­nées disponibles ou alors utilis­er de l’IA généra­tive. Dans les dif­férents pro­jets, je tra­vaille essen­tielle­ment sur des out­ils visant à la clas­si­fi­ca­tion. Prenons le cas du vieil­lisse­ment mus­cu­laire où nous définis­sons des class­es d’âge : 20–30 ans, 30–40 ans, 40–50 ans et ain­si de suite. On sait que l’âge du mus­cle peut dif­fér­er de l’âge réel. On a une base de don­nées avec les car­ac­téris­tiques mus­cu­laires de dif­férentes per­son­nes de dif­férents âges et, lorsque l’on recrute un nou­veau sujet, l’IA va lui affecter une classe. Celle-ci peut être par exem­ple supérieure à sa classe réelle car les don­nées récoltées grâce à la HD-sEMG sur le sujet mon­trent que, pour des raisons de séden­tar­ité ou de manque d’exercice physique, l’état du mus­cle du sujet ne reflète pas son âge réel », précise-t-il.

Les out­ils IA n’ont cessé d’évoluer et d’autres tech­niques sont appelées à se dévelop­per pour répon­dre à des usages spé­ci­fiques. « L’IA con­stitue certes une aide à la déci­sion et au diag­nos­tic des plus bien­v­enues. Mais la vig­i­lance reste de mise, notam­ment en matière de con­fi­den­tial­ité et de pro­tec­tion des don­nées », con­clut Imad Rida.

MSD