Arrivé en 2017 à DSTI, Didier Auroux revient sur son parcours, le contenu de ses cours, ses conseils… Il est le professeur du mois.
Enseignant différents cours comme celui d’Applied Mathematics ou de Continuous Optimisation, Didier Auroux nous parle dans cet interview de ses nombreuses activités et de l’enseignement à DSTI.
Qui êtes-vous et quel est votre parcours ?
Je suis Didier Auroux, professeur des universités à Université Côte d’Azur, en mathématiques appliquées.
Après une classe prépa à Lyon, j’ai intégré l’Ecole Normale Supérieure de Lyon en 1997, dans un parcours mixte mathématiques-informatique, au cours duquel j’ai notamment obtenu l’agrégation de mathématiques en 2000. Ayant eu la chance d’avoir des professeurs qui m’ont intéressé à la recherche, j’ai naturellement continué en thèse, de 2000 à 2003 à l’Université Nice – Sophia Antipolis, sur des problématiques d’assimilation de données pour l’environnement (prévisions météorologiques, océanographiques, …).
J’ai ensuite obtenu en 2004 un poste de maître de conférence à l’Université Paul Sabatier Toulouse 3, et j’ai développé un nouvel axe de recherche sur le traitement d’images par analyse asymptotique topologique. Et j’ai finalement obtenu un poste de professeur des universités, à l’Université Nice – Sophia Antipolis (désormais Université Côte d’Azur), en 2009.
Depuis combien de temps enseignez-vous à DSTI ?
J’enseigne depuis 2017 à DSTI. Jacques Blum, également professeur de mathématiques à Université Côte d’Azur, et moi enseignions un cours sur l’assimilation de données. Il n’y avait à cette époque que deux étudiants en cours ! Cela m’a permis de voir l’évolution des différents cursus, des cohortes, la mise en place de l’apprentissage, etc.
Parlez-nous de vos cours à DSTI ?
J’enseigne actuellement le cours Applied Mathematics, qui est le premier cours après le Warm-Up, commun à tous les parcours. Il s’agit de donner ou redonner les bases mathématiques nécessaires pour les cours suivants, avec une partie calculs (dérivation, intégration, …), une grosse partie algèbre linéaire (calcul vectoriel, matriciel, diagonalisation, …) et une petite partie sur les nombres complexes.
J’enseigne ensuite le cours de Continuous Optimisation, conjointement avec Jacques Blum, pour les étudiants Data Scientists. L’idée est d’introduire un cadre rigoureux permettant de garantir l’existence et/ou l’unicité d’un minimum, ou la convergence d’un algorithme de minimisation vers un minimum. Les étudiants peuvent ainsi toucher du doigt toute la complexité de ce domaine qui est primordial pour l’intelligence artificielle, des modèles de régression linéaire aux réseaux de neurones les plus complexes.
Vers la fin du parcours Data Science, j’enseigne enfin le cours Inverse Problems and Data Assimilation, toujours avec Jacques Blum. Nous présentons quelques méthodes pour calibrer un modèle (en identifiant les paramètres optimaux), identifier une solution ou la condition initiale, et finalement tout ce qui est nécessaire pour mettre en place un jumeau numérique. Ces techniques, très classiques en météorologie et océanographie (et notamment utilisées au quotidien par les centres de prévision), sont relativement peu connues dans les autres domaines d’application, en partie à cause des connaissances multiples qu’il faut maîtriser pour les mettre en œuvre, et de la difficulté inhérente au passage de quelques équations sur une feuille à un code numérique opérationnel.
Je suis également souvent mis à contribution pour des journées de support sur les cours de Foundations of Statistics for Machine Learning 1 & 2.
Quelle est votre activité principale ?
Je suis enseignant-chercheur à l’université. Cela implique qu’une partie de mon temps est dédié à l’enseignement, en ce qui me concerne à l’école d’ingénieurs Polytech’Nice-Sophia (située à 300 mètres du campus DSTI Sophia Antipolis), dans le cycle ingénieur Mathématiques Appliquées et Modélisation. Mes principaux cours actuels portent sur les modèles mathématiques discrets et les méthodes numériques pour la finance (et notamment le pricing d’options).
Une autre partie essentielle de mon métier est la recherche. Mes thématiques sont globalement en lien avec les problèmes inverses : à partir de données (expérimentales, ou synthétiques – issues de simulations numériques), reconstruire l’état d’un système. C’est le cas des prévisions météorologiques afin de mieux prédire l’évolution future de l’atmosphère. C’est également le cas en traitement d’images.
Au fil de différentes collaborations, industrielles (contrats avec des entreprises, thèses CIFRE, …) ou académiques (projets européens, collaborations scientifiques, …), j’ai également travaillé sur des problématiques d’optimisation d’antennes satellites, de mise au point d’isolants thermiques, de découpe de matériaux par jets abrasifs, … Toujours en lien plus ou moins direct avec les problèmes inverses, le couplage modèles-données, et surtout avec des applications réelles.
En parallèle de cette activité de recherche et enseignement supérieur, j’ai régulièrement occupé des postes plus administratifs: direction adjointe du laboratoire de mathématiques qui comprend plus d’une centaines de chercheurs et enseignants-chercheurs, direction du département Mathématiques Appliquées et Modélisation à l’école d’ingénieurs Polytech’Nice-Sophia avec 150 étudiants chaque année, …
Je suis également fortement impliqué dans le HPC (Calcul Haute Performance), avec la présidence du comité thématique mathématiques-informatique-algorithmique pour l’attribution des heures de calcul sur les supercalculateurs nationaux (qui offrent une puissance de plusieurs dizaines de Pflops). Je suis également président du conseil scientifique du mésocentre Azzurra d’Université Côte d’Azur, permettant à tous les personnels, enseignants ou étudiants, de l’université de mener à bien des calculs.
Avez-vous des conseils à donner aux étudiants pour qu’ils réussissent dans la data ?
Pour moi, le meilleur conseil est de toujours essayer de comprendre d’où viennent les données, avant d’essayer de les faire parler. Quand on sait par quel moyen ces données ont été acquises, on comprend souvent très rapidement ce qu’elles contiennent, ce qu’elles ne contiennent pas, quel type de bruit peut les parasiter, etc. Il est aussi utile de les visualiser, un dessin étant parfois plus efficace qu’un calcul. Et il devient alors beaucoup plus simple d’en extraire les informations essentielles.
Comment vous êtes-vous retrouvé dans le secteur de la data science ?
Mes recherches, depuis ma thèse, sur l’assimilation de données en océanographie ou météorologie m’ont conduit à travailler dès 2000 sur des quantités de données très importantes, desquelles il fallait savoir extraire la partie essentielle. Déjà à l’époque, il n’était pas rare de travailler sur des millions de données, généralement issues de codes de simulation numérique qui tournaient pendant plusieurs jours. Alors qu’un modèle d’océan peut être approché de façon très efficace par une cinquantaine de paramètres seulement, même si on ne parlait pas encore de data science (ni même de big data), nous étions déjà confrontés à tous les problèmes inhérents à la science des données : optimisation, statistiques d’erreur, prévision, taille des échantillons, …
Quelles sont selon vous les particularités de l'enseignement à DSTI ?
Ce qui m’a frappé dès le départ, c’est la flexibilité de DSTI, permettant d’adapter en temps réel les cours mis à disposition des étudiants, leur contenu, dans un cursus particulièrement réfléchi et intégré. Chaque cours est là pour une raison bien précise, dans un but bien identifié, toujours parfaitement en adéquation avec le marché du travail et avec les cours précédents et suivants.
L’enseignement hybride (en présentiel et en distanciel, parfois lointain!) est selon moi l’une des conséquences de cette flexibilité, afin de répondre aux besoins des étudiants, où qu’ils soient, et quelle que soit leur activité.
Cette capacité d’adaptation à toutes les situations, y compris lors de la pandémie, rend l’enseignement à DSTI très singulier (mais dans le bon sens du terme!)
Qu’est-ce qui vous plait dans l’enseignement ? Dans l’enseignement et plus particulièrement à DSTI ?
J’ai toujours beaucoup aimé enseigner, c’est une composante essentielle selon moi du métier d’enseignant chercheur, et pour plusieurs raisons.
D’une part, comme je l’ai moi-même vécu lors de mes études supérieures, je pense qu’il est important d’intéresser les étudiants lors d’un cours, de leur expliquer pourquoi on fait tout ceci, et finalement, à quoi ça sert (même si les applications directes ne sont pas toujours dans la vie concrète). Cette transmission du savoir n’est probablement efficace que s’il y a transmission d’une passion par la même occasion. C’est effectivement un challenge quasi quotidien, mais les étudiants y sont généralement sensibles.
Un autre avantage important de l’enseignement, est qu’il permet de découvrir de nouveaux domaines, de nouvelles thématiques, sur lesquelles on peut alors être amené à travailler d’un point de vue recherche. Le simple fait d’enseigner une matière nous oblige à l’apprendre, et il n’est pas rare de réutiliser ces connaissances dans notre recherche, même plusieurs années après.
Enfin, c’est aussi un vrai bol d’air qui me permet de sortir un moment la tête de questions de recherche qui peuvent parfois occuper l’esprit jour et nuit.
Comme indiqué précédemment, l’enseignement à DSTI se fait dans un environnement que je trouve particulièrement privilégié, avec du support et un environnement technique et humain qui ont autant d’avantages extrêmement bénéfiques pour les enseignants comme pour les étudiants.
Je dois également signaler qu’il est extrêmement plaisant pour un professeur d’avoir en plus, en face de soi, des étudiants très intéressés par leurs études et particulièrement demandeurs d’approfondir les cours. L’enseignement à DSTI repose sur un cercle vertueux qui est relativement unique, et qui nous incite à donner le meilleur de nous-mêmes à chaque nouvelle promotion !