Paradigmes d'apprentissage pour le support à la décision piloté par l'IA dans les contextes critiques pour la sécurité et contraints en ressources

L'intelligence artificielle est devenue une capacité fondamentale pour le support à la décision dans des domaines où les défaillances peuvent entraîner des dommages en matière de sécurité, d'économie ou de société. Ces environnements sont souvent limités par des données restreintes, des ressources informatiques réduites, des exigences de latence et des conditions opérationnelles évolutives. Cet article examine les paradigmes d'apprentissage qui sous-tendent les systèmes de support à la décision pilotés par l'IA dans de tels contextes, avec un accent particulier sur les environnements critiques pour la sécurité et contraints en ressources. En synthétisant les preuves issues des soins de santé, des transports, de la cybersécurité, des systèmes industriels et des infrastructures compatibles avec l'edge computing, l'étude analyse comment les paradigmes d'apprentissage supervisé, non supervisé, semi-supervisé, par renforcement, fédéré et par ensemble contribuent à une prise de décision fiable. Un cadre méthodologique unifié est proposé, intégrant la conception architecturale, la sélection des apprentissages et les stratégies d'évaluation. Les résultats empiriques et les analyses comparatives démontrent les compromis entre précision, robustesse, interprétabilité et efficacité des ressources, mettant en lumière des voies vers un support à la décision IA résilient et adaptable.