Projet national d'intelligence artificielle pour le traitement de la littérature scientifique, financé par France 2030 (PEPR, ANR-25-APKO-0001).
AIKO développe des méthodes et des outils d'intelligence artificielle capables de traiter plus rapidement la quantité croissante d'informations scientifiques disponibles dans le monde. Le projet contribue aux initiatives françaises en faveur de la souveraineté scientifique, par des approches de science ouverte.
AIKO s'appuie sur un large spectre de modèles, en particulier des grands modèles de langue (LLM) associés à des approches de traitement automatique du langage naturel (TALN). Des données originales, annotées à différentes échelles (documents, segments, termes), seront produites et publiées sur les plateformes institutionnelles, notamment Recherche Data Gouv. Les modèles originaux s'appuieront sur ces données pour l'entraînement, l'adaptation (fine-tuning), la génération à enrichissement contextuel (RAG) et l'évaluation. Les modèles les plus éprouvés pourront être intégrés aux infrastructures françaises, en particulier ISTEX, partenaire du programme.
L'équipe Bases de données du LIP6 contribue à AIKO par un projet de thèse sur un cadre GraphRAG multimodal neuro-symbolique pour l'interrogation de la littérature scientifique.
Les publications combinent texte, figures et tableaux, et s'appuient sur des ressources externes (classements de benchmarks, dépôts de code, jeux de données, sources de la statistique publique). Les tableaux concentrent l'essentiel des résultats empiriques : scores de méthodes, mais aussi tableaux statistiques (effectifs, moyennes, tests, valeurs de la statistique publique citées par les articles). Les systèmes fondés sur les grands modèles de langue (LLM) linéarisent ces contenus, perdent leur structure et manipulent mal les valeurs numériques.
La thèse associe deux composantes :
Un graphe documentaire hétérogène de type GraphRAG fournit le contexte pour les questions qui ne portent pas sur des valeurs. Un LLM traduit les questions sur les résultats en requêtes ou programmes exécutés sur le graphe symbolique.
Un axe central porte sur la validation de la cohérence des valeurs : détecter les valeurs incohérentes au sein d'un tableau, entre tableau, figures et texte, entre articles et par rapport aux références externes (sources statistiques citées, classements publics de benchmarks), en distinguant erreurs d'extraction, divergences légitimes de protocole et erreurs de publication.