[vc_row][vc_column][vc_column_text]<\/p>\n
\u00a0<\/strong>Organisation<\/strong><\/p>\n R\u00e9sum\u00e9<\/strong> : L\u2019atelier GAST 2026 r\u00e9unit chercheurs et praticiens autour des enjeux de la gestion et de l\u2019analyse des donn\u00e9es spatiales et temporelles. Il vise \u00e0 favoriser les \u00e9changes sur les m\u00e9thodes de repr\u00e9sentation, d\u2019extraction, d\u2019apprentissage et de visualisation de ces donn\u00e9es, qu\u2019elles soient issues de capteurs, d\u2019images satellites, de textes ou de traces mobiles. Les participants y partagent leurs approches, outils et algorithmes pour comprendre et mod\u00e9liser la complexit\u00e9 du temps et de l\u2019espace. Enfin, l\u2019atelier se veut un lieu de rencontres interdisciplinaires, m\u00ealant recherche acad\u00e9mique et applications industrielles.<\/p>\n Site web<\/strong> : https:\/\/gt-gast.irisa.fr\/appel-a-communication-gast-2026\/<\/a><\/p>\n Organisation <\/strong><\/p>\n R\u00e9sum\u00e9<\/strong> : L\u2019atelier porte sur la d\u00e9finition et l\u2019optimisation du calcul de similarit\u00e9s sur de gros volumes de donn\u00e9es de type s\u00e9quences. Ce th\u00e8me est \u00e0 la crois\u00e9e des domaines HPC (calcul haute performance) et analyse et exploration de donn\u00e9es. Il recouvre diff\u00e9rents challenges scientifiques : prise en compte de la sp\u00e9cificit\u00e9 des donn\u00e9es (s\u00e9quences, s\u00e9ries, trajectoires, etc.), d\u00e9finition de m\u00e9thodes de r\u00e9duction de dimensionnalit\u00e9 et indexation, parall\u00e9lisation du calcul de similarit\u00e9, adaptation d\u2019approches existantes (par exemple, sur s\u00e9ries temporelles ou donn\u00e9es spatio-temporelles), etc.<\/p>\n \u00a0Site web<\/strong> : https:\/\/sites.google.com\/view\/sidos2026\/<\/a><\/p>\n Organisation<\/strong><\/p>\n R\u00e9sum\u00e9 : <\/strong>Les grands mod\u00e8les de langage multimodaux (MLLMs) progressent vite mais restent limit\u00e9s par les hallucinations et un raisonnement parfois fragile. L\u2019atelier NeuroSym4MLLM propose d\u2019explorer les approches neuro-symboliques combinant graphes de connaissances et ontologies avec des MLLMs afin d\u2019am\u00e9liorer la factualit\u00e9, la robustesse et l\u2019explicabilit\u00e9. Il met l\u2019accent sur la construction de ressources multimodales, l\u2019infusion de connaissances (RAG, contraintes\/r\u00e8gles) et le raisonnement v\u00e9rifiable en contexte r\u00e9el. L\u2019objectif est de f\u00e9d\u00e9rer la communaut\u00e9 EGC autour d\u2019approches permettant des d\u00e9cisions tra\u00e7ables, adoss\u00e9es \u00e0 des connaissances formelles, et transf\u00e9rables \u00e0 des domaines exigeants.<\/p>\n Site web : <\/strong>https:\/\/neurosym4mllm.icube.unistra.fr\/<\/a><\/p>\n Organisation<\/strong><\/p>\n R\u00e9sum\u00e9 : <\/strong>Cet atelier mettra en lumi\u00e8re les avanc\u00e9es sur les graphes de connaissances (KG) et les ontologies, en se focalisant sur trois axes cl\u00e9s : leur apprentissage, leur utilisation dans les techniques d’apprentissage, et leurs applications vari\u00e9es dans des domaines diff\u00e9rents. Cet atelier offrira l’opportunit\u00e9 aux chercheurs acad\u00e9miques et aux industriels int\u00e9ress\u00e9s par cette th\u00e9matique de partager leurs travaux, et de cr\u00e9er des synergies en vue de collaborations et projets communs.<\/p>\n Site web : <\/strong>https:\/\/sites.google.com\/view\/goleegc2026\/accueil<\/a><\/p>\n Organisation<\/strong><\/p>\n R\u00e9sum\u00e9 <\/strong>:\u00a0 L\u2019objectif de cet atelier est de r\u00e9unir les membres de la communaut\u00e9 et les professionnels autour du concept de \u201cdata centric A<\/em>I\u201d. L’Intelligence Artificielle centr\u00e9e sur les donn\u00e9es est une approche prometteuse qui place les donn\u00e9es au c\u0153ur du processus d’apprentissage automatique, contrairement aux approches traditionnelles centr\u00e9es sur les algorithmes et les architectures de mod\u00e8les. Il s\u2019agit d\u2019un paradigme \u00e9mergent ces derni\u00e8res ann\u00e9es comme le montre les ateliers organis\u00e9s dans les conf\u00e9rences de premier plan (p.ex. NeurIPS 2021, ICDM 2023, ICML 2024, VLDB 2024, WWW 2024). Cette approche est ax\u00e9e sur la qualit\u00e9, la quantit\u00e9 et la repr\u00e9sentativit\u00e9 des donn\u00e9es qui sont des facteurs cl\u00e9s de la fiabilit\u00e9 et de la robustesse des syst\u00e8mes d\u2019IA.<\/p>\n Site web :\u00a0 <\/strong>https:\/\/sites.google.com\/view\/atelier-iacd-2026<\/a><\/p>\n Organisation<\/strong><\/p>\n R\u00e9sum\u00e9<\/strong> : L\u2019atelier Explain\u2019AI s\u2019int\u00e9resse \u00e0 l\u2019ensemble des aspects relatifs \u00e0 l\u2019explication des pipelines de traitement de l\u2019information allant des choix de gestion des syst\u00e8mes d\u2019informations aux pr\u00e9traitements de donn\u00e9es et aux algorithmes d\u2019analyse jusqu\u2019\u00e0 la restitution d\u2019information \u00e0 l\u2019utilisateur final. Nous souhaitons dans le cadre de cet atelier r\u00e9fl\u00e9chir \u00e0 la place centrale de l\u2019utilisateur dans les processus d\u2019explication et faire des liens notamment avec les sciences cognitives.<\/p>\n\n
SiDoS – Similarit\u00e9 de Donn\u00e9es S\u00e9quentielles massives : d\u00e9finition, calcul et optimisation<\/h2>\n
\n
NeuroSym4MLLM – Neuro-symbolique et connaissances pour les LLMs multimodaux<\/h2>\n
\n
GOLE – Graphes de connaissances et Ontologies : de l’Apprentissage \u00e0 l’Exploitation, \u00e9tat des lieux et perspectives<\/h2>\n
\n
IACD – Intelligence Artificielle Centr\u00e9e sur les Donn\u00e9es<\/h2>\n
\n
Explain\u2019AI 2026<\/h2>\n
\n