Le 16 juillet 2026, Iyad Zaarour, enseignant-chercheur à l’ISEN Méditerranée, a brillamment soutenu son Habilitation à Diriger des Recherches (HDR). Ce diplôme représente le plus haut niveau de qualification universitaire en France, permettant d’encadrer des doctorants et de conduire des projets de recherche de manière autonome.
Cette habilitation a été réalisée au sein du Laboratoire GREAH de l’Université le Havre Normandie.
Intitulée « Bayesian Belief Network Formalism for Multi-Dimensional Explainable Reasoning in Artificial Intelligence », cette Habilitation à Diriger des Recherches (HDR) étudie les dimensions de l’explicabilité du formalisme des Réseaux Bayésiens (Bayesian Belief Network Formalism – BBNF) en tant que cadre unifié de raisonnement sous incertitude pour l’apprentissage automatique et les systèmes intelligents. Ce travail est guidé par une question scientifique centrale : dans quelle mesure le BBNF peut-il être considéré comme un modèle de type glass-box, capable de fournir une explicabilité multidimensionnelle à travers différents domaines d’application, contextes méthodologiques et interactions avec les utilisateurs ?
Iyad Zaarour rejoint ainsi le cercle restreint des enseignants-chercheurs habilités à diriger des thèses au sein de l’ISEN Méditerranée, renforçant l’expertise de l’école.
Toute l’équipe de l’ISEN adresse ses félicitations les plus sincères à Iyad pour cette étape majeure, fruit d’un engagement scientifique rigoureux et passionné.
Résumé de l’étude :
Le manuscrit défend l’idée que l’explicabilité ne constitue pas uniquement une propriété intrinsèque des modèles computationnels, mais qu’elle émerge de l’interaction entre trois dimensions complémentaires : les caractéristiques sémantiques du domaine d’application, le degré d’implication des parties prenantes dans les processus de modélisation et de prise de décision, ainsi que le cadre analytique sous-jacent au raisonnement probabiliste. Dans cette perspective, le BBNF apparaît comme un cadre particulièrement adapté grâce à sa nature hybride, à la fois symbolique et probabiliste, combinant une représentation explicite des connaissances du domaine, la gestion de l’incertitude et des mécanismes d’inférence naturellement interprétables. Les contributions proposées sont illustrées à travers plusieurs domaines d’application regroupés en deux grandes catégories. La première concerne les systèmes centrés sur l’humain, notamment l’analyse de l’écriture manuscrite et les applications en e-santé, où l’explicabilité favorise la confiance, l’aide au diagnostic et la prise de décision centrée sur l’utilisateur. La seconde catégorie porte sur des systèmes centrés sur les infrastructures et les environnements industriels, tels que la cybersécurité matérielle, la surveillance maritime fondée sur les données AIS et la maintenance prédictive dans les systèmes énergétiques multi-sources, où l’explicabilité contribue à renforcer la fiabilité des systèmes, l’évaluation des risques et la robustesse opérationnelle.
Crédit photo : Ghislain Oudinet
