CRISTAL, un laboratoire lillois où on comprend l’intelligence artificielle

Les défis étudiés par ce laboratoire

Comment rendre un calcul numérique plus fiable, piloter un système malgré les incertitudes ou mesurer réellement l’empreinte énergétique d’un service en ligne ? Comment faire dialoguer une intelligence artificielle avec un musicien, un robot ou un corpus historique sans réduire ces situations à une simple performance algorithmique ? Ces questions relient des domaines qui vont de la modélisation mathématique à l’apprentissage automatique, en passant par l’observation des systèmes et l’analyse des données.

Le Centre de Recherche en Informatique, Signal et Automatique de Lille, ou CRISTAL, est une unité mixte de recherche associée à Centrale Lille Institut, au CNRS et à l’Université de Lille, avec la participation de l’Inria et de l’Institut Mines-Télécom. Les sources disponibles donnent à voir un laboratoire pluriel. Elles documentent des méthodes en informatique, en automatique, en traitement des données et en intelligence artificielle, sans permettre de reconstituer l’organisation interne de toutes ses équipes.

Des compétences et des travaux concrets

Calculer avec des garanties

Une première famille de travaux cherche à produire des calculs plus efficaces tout en explicitant leurs garanties. Cela passe par des algorithmes qui utilisent moins de mémoire, par l’estimation de distances entre distributions de données ou par des méthodes de calcul numérique capables de tenir compte de difficultés mathématiques. L’enjeu n’est pas seulement d’obtenir une réponse, mais de comprendre ce qui est calculé, avec quelles ressources et avec quel niveau de confiance.

• Calcul numérique certifié pour des courbes algébriques singulières, CNACS, 2024 : ce projet porte sur le calcul numérique de courbes présentant des singularités. Son intitulé documente un objectif de recherche, pas des résultats déjà établis.
• Repelled point processes with application to numerical integration, 2026 : une méthode éloigne légèrement les points d’un échantillonnage aléatoire afin de réduire les regroupements. Les auteurs présentent une réduction de variance dans le cadre étudié et des calculs parallélisables.
• Sublinear Algorithms for Estimating Wasserstein and Total Variation Distances, 2026 : des résumés compacts de distributions sont construits à partir de flux d’échantillons. Les applications examinées concernent notamment l’audit de la confidentialité et de l’équité des algorithmes.

Piloter des systèmes incertains

L’automatique étudie la manière de commander un système à partir d’un modèle et de mesures. Plusieurs travaux fournis s’intéressent aux perturbations, aux erreurs de mesure et aux effets de la numérisation. Ils mobilisent des observateurs, qui estiment des états non directement mesurés, des fonctions de Lyapunov, utilisées pour analyser la stabilité, et des commandes robustes conçues pour conserver un comportement maîtrisé malgré les incertitudes.

• Improved Trajectory Tracking for DC-Motors via Homogeneous PID Controller, 2026 : une variante du correcteur PID, bien connu dans l’industrie, adapte ses gains à l’état du système. Une analyse de stabilité et des essais sur un moteur à courant continu sont rapportés.
• Past Measurement-based Robust Nonlinear Observers, 2026 : des observations présentes et passées servent à estimer l’état d’un système. Une application simulée concerne la localisation d’une cible à partir de mesures angulaires bruitées.
• Robust Internal Model-Based Control of Sampled-Data Systems, 2026 : la commande tient compte des perturbations et de l’implémentation numérique. Des expériences sur un système de suspension au quart de véhicule sont décrites.

Relier informatique, IA et mondes réels

Le dossier montre aussi des recherches où l’intelligence artificielle est intégrée à des pratiques ou à des systèmes concrets. Les méthodes vont de l’apprentissage par renforcement à l’apprentissage non supervisé, c’est-à-dire sans étiquettes préalablement fournies. Dans ces travaux, l’IA sert à classer, générer, estimer ou explorer, mais son rôle dépend du domaine étudié et des critères retenus.

• OTIAC, 2026 : un guitariste, un interprète électronique et un agent musical artificiel improvisent ensemble. Une carte auto-organisatrice regroupe les sons en temps réel, puis un automate de type Factor Oracle génère de nouvelles séquences. Les observations sont préliminaires et issues d’une recherche fondée sur la pratique.
• SAVOIR 21++, 2025 : ce projet porte sur l’usage de l’IA et de l’échographie de la parole pour étudier l’articulation ainsi que des processus cognitifs et moteurs, notamment chez des personnes atteintes de trisomie 21.
• Concept-aware computational models of lexical semantic change, 2026 : une thèse développe des modèles capables d’étudier l’évolution des relations entre mots et concepts dans des textes historiques. Elle examine à la fois les changements de sens d’un mot et les changements dans les mots utilisés pour exprimer un même concept.

Mesurer les systèmes numériques et leur impact

D’autres travaux déplacent l’attention vers les infrastructures et leurs conséquences. La performance d’un service ne se résume pas à la quantité de ressources réservées. Il faut aussi considérer leur usage effectif, la virtualisation, la consommation électrique et les hypothèses qui transforment une mesure en indicateur environnemental.

• CINERGY, 2026 : ce cadre propose d’estimer plus précisément la puissance consommée par des machines virtuelles dans le cloud. L’étude rapporte des écarts d’efficacité selon le matériel et montre que certaines méthodes fondées uniquement sur les quantités de ressources peuvent sous-estimer les émissions.
• Less is More: a Lossy Storage Middleware for Multivariate Time Series, 2026 : ce travail porte sur le stockage de séries temporelles multivariées. Le titre documente une piste de réduction des volumes de données, sans fournir dans le dossier un résumé permettant d’en détailler les résultats.

Pourquoi explorer ces compétences

Vous pouvez vous intéresser à CRISTAL si votre problème combine des données, un système dynamique et des contraintes de fiabilité, de sobriété ou d’interaction humaine. La diversité des approches documentées permet de regarder un même sujet sous plusieurs angles, du modèle mathématique jusqu’à l’usage réel, sans confondre objectif de recherche et résultat démontré.

Voici quelques questions pour explorer ces compétences collectives :

• Fiabiliser un calcul : comment réduire le coût d’une estimation tout en mesurant son erreur et ses garanties ?
• Commander malgré l’incertitude : quelles observations et quelles méthodes de contrôle permettent de maintenir un système stable lorsque les mesures sont incomplètes ou bruitées ?
• Évaluer une IA en situation : comment prendre en compte l’utilisateur, le contexte, l’énergie consommée ou les enjeux de confidentialité au-delà de la seule précision d’un modèle ?