En poursuivant votre navigation, vous acceptez l'utilisation de cookies destinés à des fins de mesure d'audience, à améliorer la performance de ce site et à vous proposer des services et contenus personnalisés. En savoir plus

X

Eric Moulines : Prix de la réalisation technique 2020 de l’EURASIP

Société savante européenne influente dans le domaine du traitement du signal, EURASIP a décerné son Prix de la réalisation technique 2020 à Éric Moulines, professeur au Centre de mathématiques appliquées, pour ses contributions majeures en inférence statistique, en particulier sur les chaînes de Markov cachées et le filtrage non linéaire.

L'Association européenne pour le traitement du signal (EURASIP) est une société savante prestigieuse qui décerne chaque année un Prix à un chercheur ayant marqué la discipline par ses travaux, à l’image de Martin Vetterli, actuel président de l’Ecole polytechnique fédérale de Lausanne (EPFL).

Cette année, cette distinction est attribuée à Éric Moulines, professeur au Centre de mathématiques appliquées de l’Ecole polytechnique (CMAP*) pour ses travaux en inférence statistique, en particulier sur les chaînes de Markov cachées et le filtrage non linéaire.

« J’ai été très agréablement surpris par ce Prix qui montre que la communauté du traitement du signal me considère encore comme l’un des leurs » explique le chercheur. En effet, l’étonnement d’Éric Moulines est suscité par un changement d’orientation de sa carrière qui s’est produit il y a une quinzaine d’années vers les statistiques computationnelles.

Des recherches de pointe en traitement du signal

« J’ai consacré mon début de carrière au traitement du signal » raconte Éric Moulines. « J’ai découvert les chaînes de Markov cachées au milieu des années 1980. Ces outils ont été à l’origine de la première « révolution » en reconnaissance de parole et ont ouverts la voie aux méthodes d’apprentissage. »

L’idée fondamentale des chaînes de Markov cachées est de postuler l’existence d’un processus caché – une représentation latente -, souvent relativement simple. Ce processus latent est supposé donner naissance à des observations (potentiellement très complexes), vues comme des fonctions aléatoires de cet état. « Au début des années 1980, le processus caché était le plus souvent une chaîne avec un nombre fini d’états. » explique le chercheur. « J’ai participé activement à la généralisation des chaînes de Markov cachées pour prendre en compte des dynamiques latentes beaucoup plus complexes. Avec mes étudiants, aujourd’hui souvent devenus des collègues, nous avons à la fois développé les bases théoriques de l’inférence de tels modèles, mais aussi proposé des méthodes numériques très innovantes : les méthodes de Monte Carlo séquentielles ».  Ces approches permettent de développer des méthodes de « filtrage non-linéaires » utilisées aujourd’hui dans de nombreux domaines : poursuite d’objets dans des environnements complexes (permettant par exemple à un robot de se déplacer dans un environnement encombré), systèmes de navigation sur carte numérique, prévision de séries temporelles (l’hydrologie, le climat, etc…).

Du signal à la data

Au milieu des années 2000, Éric Moulines a opéré progressivement un changement d’objet d’étude. Depuis les signaux, principalement physiques comme le son, la position, la pression, la température, il s’est intéressé aux statistiques computationnelles et au traitement de ce qu’on appelle aujourd’hui les Big Data. En réalité, il travaillait déjà sur des grands ensembles de données dans le domaine du traitement du signal, et le passage de l’un à l’autre s’est fait naturellement.

« Les problèmes qu’on se posait en traitement du signal il y a 20 ans sont au cœur de l’apprentissage statistique d’aujourd’hui » explique le chercheur. « Les données sont beaucoup plus variées mais les problèmes, comme la modélisation de structures de dépendance des données, ou encore les incertitudes et les données latentes sont en fait très proches. ».

Éric Moulines s’attache donc à poursuivre ses recherches, aujourd’hui récompensées par la communauté du traitement du signal, et à les mettre à œuvre au sein de HI! Paris, nouveau Centre interdisciplinaire de l’Institut Polytechnique de Paris et HEC dédié à l'analyse des données et à l'intelligence artificielle pour la science, l'entreprise et la société, et dont il est le co-directeur scientifique.

En savoir plus sur Éric Moulines

Ancien élève de l’École polytechnique (X 1981) et ingénieur du Corps des Telecom, Éric Moulines débute sa carrière à Télécom Paris. De 1996 à 2015, il y occupait le poste de professeur. Il y a notamment fondé l’enseignement en statistiques et en sciences des données. Il rejoint l’École polytechnique en septembre 2015 pour y développer ces enseignements au niveau du cycle ingénieur et au niveau des masters, notamment le Master of Science Big Data for Business associant l’X et HEC. Ses connaissances approfondies l’ont amené à monter depuis 2017 les chaires « IA & maintenance positive », « Next-Gen RetAIl », « Data Science Institute » avec la Côte d’Ivoire et « Data Science & Processus Industriels ».

En 2017, il est nommé à l’Académie des sciences dans la section des sciences mécaniques et informatiques dont il est aujourd’hui le délégué. Cette nomination a confirmé l’influence de ses travaux dans un domaine de mathématiques appliquées émergeant grâce aux Big Data : les probabilités calculatoires à l’intersection entre la statistique computationnelle et les modèles probabilistes.

Éric Moulines a également été primé pour ses travaux en statistique au niveau national en recevant la Médaille d’Argent du CNRS en 2010 et le Grand Prix « Orange » de l’Académie des Sciences en 2011. En juillet 2016, c’est une reconnaissance internationale de la part de ses pairs qu’il obtenait en étant nommé à l’IMS. Il est auteur de 2 monographies de recherche sur les problèmes d’inférence de dynamiques complexes et de plus de 100 articles de recherche dans des revues internationales. Par ailleurs, durant trois années consécutives entre 2013 et 2015, il était l’éditeur en chef de la revue Bernoulli, revue européenne de référence dans le domaine des statistiques.

*CMAP : une unité mixte de recherche CNRS, École polytechnique - Institut Polytechnique de Paris