Offre de Post-doctorat (24 mois) : LLM et Ontologies : Génération Itérative Contrôlée (LOGIC) Laboratoire GREYC (UMR 6072) Équipe CODAG, Caen, France Financement de la Région Normandie - Projet émergent Résumé L'Intelligence Artificielle Générative (les LLM comme GPT, Llama ou Gemini) a révolutionné l'extraction d'informations depuis des documents textuels. Toutefois, lorsqu'il s'agit de structurer ces connaissances pour peupler des ontologies formelles (qui demandent une grande rigueur sémantique et syntaxique), les approches actuelles montrent leurs limites. Elles reposent massivement sur des méthodes de prompting statiques (ingénierie manuelle) et échouent souvent à extraire des relations complexes (relations n-aires) ou génèrent des assertions illogiques vis-à-vis des contraintes de l'ontologie [2]. Le projet régional LOGIC vise à dépasser ces limites en s'inspirant des travaux récents sur l'optimisation automatique de prompts [1, 3]. L'ambition est de remplacer la génération guidée par templates par une génération itérative contrôlée par l'erreur. Il s'agirait d'ajuster itérativement la stratégie du LLM, en exploitant, par exemple, les incohérences détectées par un moteur d'inférence (violation de domaine, incohérences de cardinalité, etc.). Présentation du projet Une ontologie est une structure formelle utilisée pour modéliser et représenter de manière explicite les connaissances dans un domaine particulier. Elle définit les concepts, les relations entre ces concepts, et les propriétés associées. Ce sont des outils essentiels pour structurer et organiser des connaissances dans des domaines variés tels que la biologie, la médecine, et les données ouvertes liées (Linked Open Data). Une ontologie est généralement divisée en deux composantes principales : 1. TBox (Terminological Box) : Elle décrit les aspects terminologiques, c'est-à-dire la structure conceptuelle et les relations générales entre les concepts. Par exemple, dans une ontologie pour le domaine médical, la TBox pourrait définir que Médicament est une sousclasse de Produit ou qu'un Patient peut recevoir une Prescription. 2. ABox (Assertional Box) : Elle contient les instances qui exploitent les concepts et relations définis dans la TBox. Par exemple, elle pourrait inclure des informations concrètes comme "Paracétamol est un médicament" ou "Alice est une patiente" ou encore le fait qu'Alice reçoit la prescription1 qui contient du Paracétamol. Les éléments ontologiques (cf. Figure 1) sont représentés sous la forme de triplets (sujet, prédicat, objet). Pour la ABox, on parle d'assertions de classes, par exemple, (Paracétamol, type, Médicament) ou (Alice, type, Patiente), et d'assertions de propriétés, comme (Alice, reçoit, prescription1) ou (prescription1, contient, Paracétamol). Figure 1 - Exemple simplifié d'une ontologie Le peuplement d'ontologie consiste à "remplir l'ontologie", autrement dit créer ou agrandir la ABox et donc ajouter des assertions de classes et de propriétés. Disposer d'une ontologie peuplée permet d'exploiter les connaissances du domaine sur des données d'entrée. Il peut y avoir plusieurs intérêts à cela. En particulier, cela peut permettre de dégager de l'implicite dans ces données. Cela peut aussi permettre aussi d'y trouver des incohérences. C'est pourquoi le peuplement d'ontologies à partir de divers types de données (textes, images, etc.) constitue un enjeu critique de recherche, étudié par la communauté du Web sémantique. Ce projet se concentre sur le problème de peuplement d'ontologies à partir de données textuelles, plus précisément de descriptions textuelles, pour lequel nous disposons de données sur 3 domaines différents : descriptions de maisons, de bateaux et de restaurants. Récemment, l'état de l'art a basculé des méthodes purement statistiques ou linguistiques vers l'utilisation de Grands Modèles de Langage (LLM). La thèse d'Aya Sahbi [2] a introduit HyLOPop, une méthode hybride combinant la puissance générative des LLM avec une validation sémantique stricte, afin de peupler des ontologies à partir de descriptions textuelles. Cependant, cette hybridation présente trois limites majeures que le projet LOGIC entend dépasser : 1. Rigidité des Prompts : Les méthodes actuelles reposent sur des templates de prompts statiques (basés sur une ingénierie de prompt manuelle). Or, les travaux récents sur l'optimisation de prompts, tels que TextGrad [3] ou DSPy [1], montrent que les LLM peuvent optimiser leurs propres instructions via une rétropropagation textuelle basée sur des logs d'erreurs. 2. Faiblesse sur les relations n-aires : Les méthodes actuelles fonctionnent correctement sur des triplets (Sujet, Prédicat, Objet) indépendants mais échouent souvent à capturer des relations n-aires complexes (par exemple, une relation impliquant deux lieux ou points d'intérêt et une distance entre ceux-ci : "X est situé à Y km de Z"), cruciales pour des domaines techniques. 3. Goulot d'étranglement de l'évaluation : Lorsqu'on dispose d'une "vérité terrain" (l'ensemble des triplets qu'on aimerait obtenir qui servent de référentiel), l'évaluation d'une approche nécessite un alignement, potentiellement coûteux car manuel, entre les données générées et la vérité terrain, par exemple, pour identifier que l'individu "Maison_A" généré par une approche correspond à "Bien_01" du référentiel. Le projet LOGIC propose de passer d'une génération guidée par templates à une génération itérative contrôlée par l'erreur, où l'ontologie agirait comme une fonction de perte sémantique guidant le LLM. Missions et Objectifs du Post-doctorat Au sein de l'équipe CODAG (Contraintes, Ontologies, Données, Annotations, Graphes) du laboratoire GREYC, la personne recrutée aura pour mission de lever trois verrous technologiques majeurs : 1. Développer un mécanisme d'optimisation automatique de prompts : Implémenter une boucle de rétroaction où un raisonneur logique formel pilote la correction dynamique du LLM. 2. Maîtriser l'extraction de structures complexes : Étendre la capacité du système pour extraire et modéliser des relations n-aires (par exemple, des créneaux d'ouverture et fermeture dépendant des jours de la semaine), conformément aux schémas OWL. 3. Automatiser l'évaluation : Concevoir un module d'évaluation automatisé (alignement d'entités) utilisant un LLM comme juge pour comparer les prédictions générées avec la vérité terrain. Profil recherché - Formation : Doctorat (soutenu avant le 30 septembre 2026) en Informatique. - Compétences clés : Ingénierie des Connaissances / Web Sémantique (Ontologies, RDF, OWL, moteurs d'inférence). Techniques de Traitement Automatique des Langues (TAL) moderne et manipulation des Grands Modèles de Langage (LLM). - Programmation : Maîtrise de langages de programmation (Python/Java) et des bibliothèques associées en TAL et Web sémantique. - Qualités : Rigueur, autonomie, esprit d'initiative, capacité à publier dans des conférences et journaux internationaux d'excellent niveau. Informations pratiques et candidature - Lieu de travail : Laboratoire GREYC, Campus 2, Caen, France. - Durée : 24 mois - Date de début : 1er octobre 2026. Pour candidater : Merci d'envoyer avant le 21 juin 2026 : - votre CV incluant une liste de publications avec leur rang (A/B/etc. pour les conférences ou Q1/Q2/etc. pour les journaux) ; - une lettre de motivation explicitant l'adéquation avec le projet ; - des lettres de recommandation et/ou les coordonnées de référents. à l'adresse suivante : celine.alec@unicaen.fr (Céline ALEC, Coordinatrice du projet LOGIC). Références [1] O. Khattab et al. DSPy : Compiling Declarative Language Model Calls into Self-Improving Pipelines. In The Twelfth International Conference on Learning Representations (ICLR), 2024. [2] A. Sahbi. Vers une hybridation entre LLM et sémantique : application au peuplement d'ontologies à partir de descriptions textuelles. PhD thesis, Normandie Université, 2025. [3] M. Yuksekgonul et al. TextGrad : Automatic "Differentiation" via Text. arXiv preprint arXiv :2406.07496, 2024.