En tant que Chargé de Recherche FNRS, Adrien Deliège développe l’« induction et composition génératives de règles explicites » pour permettre aux IA génératives d’inférer, de composer et d’appliquer des règles interprétables pour le raisonnement visuel

Adrien Deliège nous livre son parcours et la thématique de sa recherche qui l’ont mené à obtenir un mandat de Chargé de Recherches au sein du F.R.S.– FNRS.

Son parcours

J’ai étudié les mathématiques à l’Université de Liège (2008–2013), où j’ai acquis une solide formation en analyse mathématique avant de poursuivre un doctorat consacré aux méthodes à base d’ondelettes pour le traitement de signaux géophysiques (2013–2017, boursier F.R.S.– FNRS), sous la supervision du Professeur Samuel Nicolay. Mes travaux doctoraux ont combiné concepts mathématiques et données réelles, en développant des algorithmes fondés sur les transformées en ondelettes continues et discrètes afin d’extraire des structures multifractales et oscillatoires à partir de jeux de données environnementaux et planétaires. Cette recherche, qui a donné lieu à plusieurs publications (Springer Nature, Physical Review Journals) et m’a valu le premier prix du concours international « Ma Thèse en 180 secondes », traduisait déjà mon intérêt pour des modèles complexes mais interprétables et ancrés dans des données tangibles — une perspective qui continue à orienter mes travaux aujourd’hui.

À partir de 2017, mes recherches se sont orientées vers l’intelligence artificielle appliquée et la vision par ordinateur, d’abord à travers le projet DeepSport (ULiège, 2017–2021, projet coordonné par le Professeur Louis Wehenkel, avec le Professeur Marc Van Droogenbroeck comme partenaire, Appel WALInnov), dans lequel j’ai co-dirigé les travaux en apprentissage profond pour la compréhension automatique de vidéos sportives. Ce projet a remporté cinq Best Paper Awards lors de workshops de la conférence CVPR (Conference on Computer Vision and Pattern Recognition), conduit à la création du benchmark SoccerNet, et mobilisé de vastes campagnes d’annotation ainsi que des collaborations internationales avec l’Université d’Aalborg - Visual Analysis and Perception Laboratory (Danemark) et KAUST - Image and Video Understanding Lab (Arabie Saoudite). J’ai ensuite dirigé la recherche en tant que Lead Machine Learning Engineer chez Maddox AI, une start-up allemande basée à Tübingen (2022–2023), où j’ai encadré une équipe d’ingénieurs pour développer des systèmes industriels de contrôle qualité par vision artificielle. Depuis la mi-2023, je poursuis des recherches pour le Centre de Sémiotique & Rhétorique (Faculté de Philosophie et Lettres, ULiege), où j’explore comment la vision par ordinateur et l’analyse de données peuvent contribuer à l’histoire de l’art et à la sémiotique visuelle. J’y étudie la manière dont les modèles de génération d’images à partir de texte représentent les formes et le dynamisme des œuvres historiques, ainsi que la possibilité d’opérationnaliser les critères d’évaluation des historiens de l’art pour caractériser les stéréotypes dans les productions générées par IA. Parallèlement, sous la supervision du Professeur Pierre Geurts, je suis depuis 2025 le post-doctorant coordinateur ULiège du projet ARIAC (Digital Wallonia 4 Artifical Intelligence), le plus vaste projet belge en intelligence artificielle à ce jour, réunissant plusieurs universités et centres de recherche localisés en Région Wallonne.

Au fil de ces projets, j’ai publié une trentaine d’articles à comité de lecture, recueilli plus de 1000 citations, co-écrit neuf propositions de financement, obtenu quatre parrainages industriels pour des défis scientifiques, et collaboré avec plusieurs dizaines de chercheurs à l’international, tout en m’investissant dans la communication scientifique, l’enseignement et la participation à des jurys de thèse.

Sa recherche

Ma recherche future vise à étudier un nouveau paradigme en intelligence artificielle générative, que j’appelle Generative Explicit Rule Induction and Composition (GenERIC), dont l’objectif est de doter les modèles de la capacité à inférer, représenter et composer systématiquement des règles interprétables par l’humain. Alors que les modèles actuels excellent dans la reproduction de motifs, ils manquent souvent de raisonnement compositionnel et de structure interne. Je souhaite combler cette lacune en permettant aux modèles de découvrir des « primitives de raisonnement » (par exemple, des transformations géométriques, des manipulations de couleur ou des décalages temporels) à partir des données, puis de les organiser en règles génératives de plus haut niveau. Je commencerai par étudier ce cadre dans des contextes de raisonnement contrôlés tels que le benchmark ARC-AGI, en cherchant à internaliser l’exécution des règles dans les modèles plutôt que de recourir à une recherche exhaustive. Par la suite, je prévois d’étendre GenERIC à des domaines génératifs réels, comme la synthèse d’images à partir de texte et la modélisation de séquences temporelles, où le raisonnement fondé sur des règles peut offrir interprétabilité et contrôle compositionnel. Au-delà du développement technique, je souhaite contribuer à de nouveaux benchmarks et méthodologies d’évaluation qui mesurent les capacités de raisonnement plutôt que la seule justesse de sortie, afin d’influencer la manière dont la communauté de l’IA conçoit et évalue les progrès vers des systèmes capables de mieux raisonner.