L’équipe « Information System Engineering and Data Web » (ISEDAW) concentre ses travaux sur l’interopérabilité sémantique et l’intégration des systèmes d’information sur le Web. Ce domaine couvre principalement l’alignement et la fusion des ontologies (y compris les graphes de connaissances), la sémantisation et la composition des services web (y compris les microservices), ainsi que les techniques de Machine Learning (y compris le Deep Learning) dans le contexte des systèmes cyber-physiques intelligents.
La démarche scientifique de l’équipe se décline en trois axes principaux : l’ingénierie des ontologies et des données liées (y compris les graphes de connaissances), l’ingénierie des services web et des microservices dans le cadre des systèmes cyber-physiques (IoT), et l’exploration des graphes de connaissances et des techniques d’apprentissage pour améliorer la précision des diagnostics dans divers domaines tels que la santé connectée (e-santé), l’agriculture intelligente (e-agriculture), l’industrie 4.0 et la ville intelligente.
Les domaines d’application incluent l’interopérabilité des objets connectés dans l’Internet des objets (IoT), la gestion (y compris la qualité) des données associées et des microservices dans le Cloud (Edge/Fog), ainsi que l’intelligence artificielle (y compris les graphes de connaissances et le Machine Learning). Ces efforts visent à développer des systèmes intelligents et innovants.
Les résultats obtenus par l’équipe ISEDAW sont en parfaite adéquation avec son programme de recherche initial, notamment :
– Raisonnement de Stream Data sur un modèle multi-agents.
– Exploration des bases de données graphes (par exemple, RDF).
– Sécurité et confidentialité des données liées.
– Équilibrage des charges pour les microservices dans un environnement IoT.
– Gestion des données à base de microservices sémantiques dans un environnement IoT.
– Exploration des graphes de connaissances et des techniques d’apprentissage pour améliorer la précision des diagnostics dans les cyber-systèmes : e-santé, e-agriculture, ville intelligente, etc.
– Améliorer la vulgarisation agricole en Algérie grâce à l’utilisation de l’IA générative (y compris les grands modèles linguistiques).
– Une approche d’apprentissage par renforcement de graphes profonds pour la mise à l’échelle automatique des microservices dans le Fog-Edge Computing.
– Optimisation de l’apprentissage fédéré : Avancées dans l’agrégation des modèles et la sélection des clients