Transfert de connaissances et acceptabilité des algorithmes d'apprentissage automatique de prévision météorologiques par la représentation symbolique des connaissances et le traitement du langage naturel // Knowledge Transfer of ML Weather Algorithms thro

Des prévisions précises des conditions météorologiques futures sont essentielles pour la sécurité des personnes et des biens, et pour la gestion d'un large éventail d'activités économiques. Cependant, la prévision précise des phénomènes locaux à fort impact reste difficile et coûteuse sur le plan informatique. Les progrès des technologies de l'intelligence artificielle (IA), dont les premières applications aux prévisions météorologiques sont impressionnantes, offrent des possibilités inattendues pour une nouvelle génération de prévisions météorologiques basées sur l'hybridation des modèles physiques traditionnels et de l'IA, permettant d'accroître la précision et la rapidité d'exécution de manière rentable.

Au-delà des percées méthodologiques et technologiques de ces nouveaux développements, un accent particulier est mis sur le développement de solutions d'IA explicables [Tiddi et Schlobach, 2022] et robustes, ainsi que sur leur transfert (partage) de connaissances et leur acceptation par les utilisateurs finaux [Kelly et. al., 2023]. Cependant, il y a plusieurs lacunes car l'ensemble du processus n'est pas suffisamment formalisé et annoté.

Il devient crucial d'enrichir les sorties de la Prévision Numérique Météorologique orientée Machine Learning (NWP-ML) avec des connaissances sur leur construction, permettant aux utilisateurs de comprendre leur sens et leur contexte. Ces transferts de connaissances (partage et formalisation) adaptés à l'usage permettront aux utilisateurs finaux, tels que les prévisionnistes ou les professionnels extérieurs qui ont besoin de connaissances météorologiques précises pour agir dans leur domaine, d'accepter leurs usages. De plus, une partie de cette formalisation (utilisant des langages lisibles par les machines et les humains) [Trojahn et al., 2022, Giraldo et. al., 2017] contribue à favoriser la reproductibilité en fournissant une représentation intelligible des processus d'IA, qui sera la base de leur comparaison et de leur reproductibilité [Euzenat, 2022,Werner et. al., 2024]. Enfin, ces connaissances constituent une partie de la matière première des études sociologiques pour juger des niveaux d'acceptabilité des systèmes NWP-ML ou des compléments nécessaires à leur acceptation par les groupes professionnels. Cette thèse se concentrera sur le transfert de connaissances (y compris la reproductibilité), qui servira de base aux études sociologiques pour caractériser l'acceptabilité des solutions basées sur l'IA
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Accurate predictions of future weather conditions are essential for the safety of people and goods, and for the management of a wide range of economic activities. However, the precise prediction of high-impact local phenomena remains difficult and computationally expensive. The progress of Artificial Intelligence (AI) technologies, with early impressive applications to weather forecasting, offers unexpected opportunities for a new generation of weather predictions based on hybridisation of traditional physical models and AI, allowing for increased accuracy and timeliness in a cost-effective way.

Beyond the methodological and technological breakthroughs of these new developments, a particular emphasis is put on the development of explainable [Tiddi and Schlobach, 2022] and robust AI solutions, as well as on their knowledge transfer (sharing) and acceptance by the end-users [Kelly et. al., 2023]. However, there are several shortcomings as the whole process is not enough formalised and annotated.

It becomes crucial to enrich the Machine Learning-oriented Numerical Weather Prediction (NWP-ML) outputs with knowledge on their construction, enabling users to understand their meaning and context. These transfers of knowledge (sharing and formalization) adapted to the usage will allow end users, such as forecasters or outside professionals who need precise meteorological knowledge to act in their field, to accept their usages. Furthermore, part of this formalization (using machine and humain readable languages) [Trojahn et al., 2022, Giraldo et. al., 2017] contributes to promote reproducibility by providing an intelligible representation of the AI processes, which will be the basis for their comparison and reproducibility [Euzenat, 2022,Werner et. al., 2024]. Finally, this knowledge forms a part of the raw material for sociological studies to judge the acceptability levels of NWP-ML systems or the complements needed for their acceptance by professional groups. This thesis will focus on knowledge transfer (including reproducibility), what will serve as a basis for the sociological studies to characterise acceptability of AI-based solutions.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://moex.inria.fr/joinus/2025-Th-onto-nwp.html

Concours allocations

Université Grenoble Alpes

217 MSTII - Mathématiques, Sciences et technologies de l'information, Informatique

Qualification : Master ou équivalent en informatique. Compétences recherchées : Curiosité et ouverture d'esprit. Interaction avec d'autres chercheurs. Chercheur autonome. Intérêts pour la représentation des connaissances, le web sémantique et la recherche interdisciplinaire. Innovant.
Qualification: Master or equivalent in computer science. Researched skills: Curiosity and openness. Interaction with other researchers. Autonomous researcher. Interests in knowledge representation, semantic web, and interdisciplinary research. Innovative.