… développe un ensemble de méthodes et d’algorithmes de graphes attribués pour améliorer les techniques d’apprentissage en IA. Elle fournit une contribution logicielle exploitant la parcimonie des réseaux complexes pour réduire les coûts de calcul. De plus, elle présente des modèles de graphes non neuronaux permettant de résoudre les tâches de classification de noe uds et de prédiction de liens, montrant comment ces méthodes peuvent surpasser les approches par réseaux de neurones tout en étant plus économes en ressources de calcul. Enfin, elle propose un algorithme de fouille de motifs permettant de générer des résumés concis et lisibles pour de grands réseaux. Ainsi, ces contributions soulignent le potentiel de ces approches pour fournir des solutions efficaces et interprétables aux défis techniques de l’IA. La deuxième partie adopte une approche interdisciplinaire pour étudier l’IA en tant que système sociotechnique. En considérant l’IA comme un écosystème influencé par divers acteurs et préoccupations sociétales, elle utilise des modèles de graphes pour analyser les interactions et tensions liées à l’explicabilité, à l’éthique et à l’impact environnemental au coe ur de l’IA. Une étude utilisateur explore l’influence des designs d’explications à base de graphes sur la perception des recommandations d’IA, tandis que la constitution et l’analyse d’un corpus de chartes et manifestes éthiques en IA permettent de quantifier le rôle des principaux acteurs dans la gouvernance de l’IA. Une dernière analyse étudie la littérature scientifique à la frontière des domaines de l’IA et de l’environnement, et révèle que les préoccupations environnementales en IA sont principalement abordées sous un angle technique, soulignant la nécessité d’une approche plus large pour saisir les implications écologiques de la digitalisation.