Approche IA neuro-symbolique pour la classification des de tir
Mots-clefs: Intelligence artificielle (IA), IA symbolique, IA neuro-symbolique, ontologies, raisonnement à base de règles, apprentissage automatique, classification, interprétabilité, IA explicable, criminalistique, résidus de tir, aide à la décision
Descriptif de la thèse
Contexte général
Le sujet s’inscrit dans le cadre du projet IGNIS (Intelligent System for Gunshot Residue Classification), porté conjointement par le Laboratoire d’Informatique de Bourgogne (LIB), l’Institut de Mathématiques de Bourgogne (IMB) et le Service National de la Police Scientifique (SNPS). Le projet IGNIS vise la conception d’un système de classification automatique et explicable des résidus de tir observés par microscopie électronique à balayage couplée à la spectrométrie dispersive en énergie (MEB-EDX). L’environnement de recherche est interdisciplinaire, à l’interface de l’intelligence artificielle, de la représentation des connaissances, de l’apprentissage automatique, de la statistique, de l’optimisation et de la criminalistique. Il bénéficie d’un accès à des données réelles provenant des laboratoires du SNPS.
Contexte scientifique
Les résidus de tir sont des particules issues du tir d’une arme à feu, constituées de composants inorganiques et organiques provenant des munitions. Leur analyse par MEB-EDX est aujourd’hui considérée comme la technique de référence, car elle permet d’observer la morphologie des particules et d’estimer leur composition élémentaire, en s’appuyant notamment sur la norme ASTM E1588-20. Dans la pratique, la classification des particules de résidus de tir repose sur une première phase d’analyse automatique, suivie d’une validation manuelle par un expert du SNPS. Cette situation soulève plusieurs verrous scientifiques : (1) la formalisation de la connaissance experte mobilisée lors de la validation des particules ; (2) la robustesse des modèles d’apprentissage, fortement dépendante de la qualité, de la représentativité et de l’évolution des données, notamment avec l’émergence de nouvelles munitions et de compositions sans plomb ; (3) l’explicabilité, centrale dans un contexte judiciaire.
La thèse vise à dépasser ces limites en proposant une approche IA neuro-symbolique capable non seulement de classer les particules, mais aussi d’expliquer ses décisions dans un langage compatible avec l’expertise métier. L’originalité scientifique du projet réside dans l’intégration d’une représentation formelle des connaissances criminalistiques au sein d’une architecture neuro-symbolique permettant de combiner l’apprentissage à partir des données et le raisonnement explicite fondé sur des connaissances expertes.
Problématiques de recherche
La thèse s’attachera à répondre à la question suivante : comment concevoir un système d’intelligence artificielle neuro-symbolique capable de classer automatiquement des particules de résidus de tir de manière fiable, adaptable et explicable, tout en respectant les contraintes scientifiques, opérationnelles et judiciaires propres à la criminalistique ? Cette problématique générale se décline en plusieurs questions de recherche : – Comment représenter formellement les connaissances expertes relatives aux résidus de tir, en intégrant les normes ASTM, les critères morphologiques, les compositions élémentaires et les règles métier, au sein d’une base de connaissances exploitable par une machine ?
- Comment articuler cette représentation symbolique avec des modèles d’apprentissage pour affiner les règles de classification existantes, apprendre de nouvelles classes ou sous-classes de particules et maintenir la robustesse du système?
- Comment produire des explications compréhensibles et acceptables par les experts du SNPS, en combinant le raisonnement symbolique, des méthodes d’explication post hoc et une analyse de sensibilité ?
- Comment évaluer un tel système non seulement en termes de précision algorithmique, mais aussi en termes d’utilité métier, de sécurité d’intégration, de reproductibilité et de potentiel de transfert vers d’autres laboratoires ?
Références
Maitre, M., Kirkbride, K. P., Horder, M., Roux, C., & Beavis, A. Current perspectives in the interpretation of gunshot residues in forensic science: A review. Forensic Science International, 270, 1-11, 2017.
ASTM International. ASTM E1588-20 – Standard Practice for Gunshot Residue Analysis by Scanning Electron Microscopy/Energy Dispersive X-Ray Spectrometry, 2022.
Mandel, M., Israelsohn Azulay, O., Zidon, Y., Tsach, T., & Cohen, Y. Classification Improvements in Automated Gunshot Residue (GSR) Scans. Journal of Forensic Sciences, 2018.
Matzen, T., Kukurin, C., van de Wetering, J., et al. Objectifying evidence evaluation for gunshot residue comparisons using machine learning on criminal case data. Forensic Science International, 335, 111293, 2022.
de Bie, K., Vinkenoog, M., Arins, S., et al. Proposed method to objectively evaluate gunshot residue comparisons does not generalise to different-location settings. Forensic Science International, 369, 112414, 2025.
Lundberg, S. M., & Lee, S.-I. A unified approach to interpreting model predictions. NeurIPS, 2017.
Ribeiro, M. T., Singh, S., & Guestrin, C. Why should I trust you? Explaining the predictions of any classifier. KDD, 2016.
Sobol, I. M. Global sensitivity indices for non-linear mathematical models and their Monte Carlo estimates. Mathematics and Computers in Simulation, 55, 271-280, 2001
Profil recherché
Les candidats doivent être titulaires d’un master 2 ou d’un diplôme d’ingénieur en informatique, intelligence artificielle, science des données, ou mathématiques appliquées. Les candidats doivent avoir un bon niveau en français et en anglais (niveau min. C1).
Les candidats doivent avoir un intérêt pour la recherche, un solide bagage scientifique, et des compétences en programmation. Des compétences en apprentissage automatique, en représentation des connaissances et en analyse de données massives sont attendues. Des compétences en modélisation statistique, en optimisation ou en raisonnement symbolique seront un atout.
Le profil recherché suppose également de bonnes capacités rédactionnelles et de communication avec des experts métier, un goût pour le travail interdisciplinaire et une aptitude à évoluer dans un environnement partenarial avec des contraintes de confidentialité et de sécurité. Une sensibilité aux enjeux de la criminalistique ou aux domaines à forte exigence de traçabilité serait particulièrement appréciée. En raison des contraintes liées au contexte applicatif sensible, la candidature retenue sera validée après enquête de moralité.
Informations administratives
Dossier à envoyer avant le 13/07/2026
Période d’auditions: au fil de l’eau
Début du contrat : à partir du 1er Octobre 2026
Direction / codirection de la thèse : Ana ROXIN PU (direction) / Laurence DUJOURDY IR-HDR (co-encadrante) / Ludovic JOURNAUX MCF (co-encadrant)
Contact
Les candidats sont invités à soumettre leur candidature à l’équipe de direction. La candidature doit contenir les documents suivants :
- CV
- une lettre de motivation
- Relevé de notes de M1/M2 (ou diplôme équivalent)
- au moins 1 lettre de référence