Biographie :Leopoldo Bertossi est un chercheur de renommée internationale dont les travaux se situent à l'intersection de la logique informatique, des bases de données et de l'intelligence artificielle. Originaire du Chili, il a jeté les bases de sa carrière académique à la Pontificia Universidad Católica de Chile, où il a obtenu un doctorat en mathématiques. Cette formation rigoureuse en logique pure a profondément influencé sa vision de l'informatique, l'amenant à privilégier des solutions élégantes et mathématiquement prouvées pour résoudre des problèmes complexes de gestion de l'information.

Sa carrière est marquée par une mobilité internationale qui l'a conduit à devenir une figure centrale de l'informatique théorique en Amérique du Nord et en Europe. Pendant de nombreuses années, il a exercé comme professeur titulaire à la Carleton University à Ottawa, au Canada. C'est durant cette période qu'il a consolidé sa réputation de leader d'opinion, attirant des étudiants et des chercheurs du monde entier. Plus récemment, il a intégré la Skema Business School en France en tant que professeur d'intelligence artificielle, tout en maintenant des liens étroits avec son pays d'origine en tant que professeur émérite et membre du Centre de recherche sur le Web sémantique (CIWS).

L'apport scientifique majeur de Leopoldo Bertossi réside dans le concept de Consistent Query Answering (CQA). À une époque où la prolifération des données entraîne inévitablement des erreurs et des contradictions, Bertossi a développé des cadres logiques permettant d'extraire des informations fiables à partir de bases de données "sales" ou incohérentes, sans nécessiter un nettoyage manuel préalable. Cette approche, qui traite l'incohérence comme une propriété gérable plutôt que comme un échec du système, est devenue un pilier de la théorie moderne des bases de données.

Aujourd'hui, ses recherches se tournent vers les défis éthiques et techniques de l'intelligence artificielle, particulièrement l'IA explicable (XAI). Il travaille sur le développement de méthodes permettant de "déballer" les boîtes noires des algorithmes de Machine Learning. En utilisant des outils comme les valeurs de Shapley et les explications contrefactuelles, il cherche à fournir des justifications logiques et compréhensibles aux décisions prises par les machines. Son engagement envers une technologie transparente et robuste lui a valu d'être nommé ACM Distinguished Scientist, une reconnaissance de son impact durable sur la science informatique mondiale.