C ARTOGRAPHIE DES COMPÉTENCES DATA ANALYTICS ET IA 30

C ARTOGRAPHIE DES COMPÉTENCES DATA ANALYTICS ET IA 30
VERNACULAR MAPPING SITEDANCE AND EMBODIED URBAN CARTOGRAPHIES INTRODUCTION IN

C artographie des compétences

Data Analytics et IA

30 Octobre 2018

Contributeur

Ecole : Télécom SudParis, laboratoire SAMOVAR, UMR 5157.

Rédacteur(s) : Amel Bouzeghoub, Mounîm El Yacoubi, Sylvain Le Corff, Yohan Petetin.

Forces en présence

Nombre d’enseignants-chercheurs : 55
Nombre d’ingénieur de R&D : 0
Nombre de post-docs : 0
Nombre de doctorants : 7

Ecoles	Nom	Catégorie	Mot clés
Télécom SudParis	Graciana Puentes	EC	ML: Machine Learning (General/other)
Télécom SudParis	Yann Frignac	EC	ML: Machine Learning (General/other)
Télécom SudParis	Yaneck Gottesman	EC	ML: Machine Learning (General/other) VIS: Statistical Methods and Learning
Télécom SudParis	Mounîm El Yacoubi	EC	ML: Deep Learning/Neural Networks VIS: Language and Vision VIS: Face and Gesture Recognition VIS: Statistical Methods and Learning AISI: Biomedical/Bioinformatics/Medicine
Télécom SudParis	Dijana Petrovska	EC	VIS: Language and Vision VIS: Face and Gesture Recognition VIS: Statistical Methods and Learning
Télécom SudParis	Nesma Houmani	EC	VIS: Statistical Methods and Learning VIS: Language and Vision AISI: Biomedical/Bioinformatics/Medicine
Télécom SudParis	Sonia Garcia	EC	AISI: Biomedical/Bioinformatics/Medicine VIS: Language and Vision
Télécom SudParis	Jérôme Boudy	EC	MAS: Coordination and Collaboration MAS: Multiagent Learning
Télécom SudParis	Catherine Lepers	EC	ML: Machine Learning (General/other)
Télécom SudParis	Marius Preda	EC	VIS: Statistical Methods and Learning VIS: Videos
Télécom SudParis	Nicolas Rougon	EC	VIS: Statistical Methods and Learning VIS: Videos ML: Data Mining
Télécom SudParis	Veronica Scurtu	EC	VIS: Statistical Methods and Learning VIS: Videos
Télécom SudParis	Catalin Fetita	EC	ML: Deep Learning/Neural Networks AISI: Biomedical/Bioinformatics/Medicine
Télécom SudParis	Titus Zaharia	EC	ML: Deep Learning/Neural Networks VIS: Object Detection VIS: Object Recognition VIS: Videos
Télécom SudParis	Mihai Mitrea	EC	VIS: Object Detection VIS: Object Recognition VIS: Videos
Télécom SudParis	Vincent Gauthier	EC	ML: Machine Learning (General/other) ROB: Localization, Mapping, and Navigation
Télécom SudParis	Hervé Debar	EC	AISI: Security and Privacy CSUS: Network Modeling, Prediction, And Optimization
Télécom SudParis	Joaquin Garcia-Alfaro	EC	AISI: Security and Privacy
Télécom SudParis	Maryline Laurent	EC	AISI: Security and Privacy
Télécom SudParis	Grégory Blanc	EC	AISI: Security and Privacy ML: Deep Learning/Neural Networks
Télécom SudParis	Hossam Afifi	EC	ML: Deep Learning/Neural Networks ML: Reinforcement Learning ML: Classification AISI: Energy
Télécom SudParis	Michel Marot	EC	ML: Deep Learning/Neural Networks ML: Reinforcement Learning ML: Classification AISI: Energy
Télécom SudParis	Antoine Lavignotte	EC	ML: Machine Learning (General/other)
Télécom SudParis	Mounia Lourdiane	EC	ML: Machine Learning (General/other)
Télécom SudParis	Randal Douc	EC	ML: Bayesian Learning ML: Learning Theory ML: Time-Series/Data Streams RU: Stochastic Optimization
Télécom SudParis	François Desbouvries	EC	ML: Machine Learning (General/other) ML: Time-Series/Data Streams
Télécom SudParis	Yohan Petetin	EC	ML: Machine Learning (General/other) ML: Time-Series/Data Streams ML: Deep Learning/Neural Networks
Télécom SudParis	Daniel Clark	EC	ML: Machine Learning (General/other) ROB: Localization, Mapping, and Navigation
Télécom SudParis	Emmanuel Monfrini	EC	AISI: Biomedical/Bioinformatics/Medicine ML: Machine Learning (General/other) RU: Stochastic Optimization
Télécom SudParis	Marc Castella	EC	CSO: Constraint Optimization CSO: Machine Learning and Optimization
Télécom SudParis	Frédéric Lehmann	EC	ML: Probabilistic Graphical Model
Télécom SudParis	Wojciech Pieczynski	EC	ML: Bayesian Learning ML: Unsupervised Learning (Other)
Télécom SudParis	Sylvain Le Corff	EC	ML: Bayesian Learning RU: Stochastic Optimization ML: Learning Theory ML: Time-Series/Data Streams AISI: Environmental
Télécom SudParis	Daqing Zhang	EC	ML: Clustering CSUS: Network Modeling, Prediction, And Optimization ROB: Localization, Mapping, and Navigation
Télécom SudParis	Noël Crespi	EC	ML: Data Mining ML: Deep Learning/Neural Networks HAI: Understanding People, Theories, Concepts and Methods AISI: Social Networks
Télécom SudParis	Marc Girod-Genet	EC	ML: Classification ML: Machine Learning (General/other) CM: Symbolic AI
Télécom SudParis	Alain Petrowski	EC	ML: Reinforcement Learning ML: Machine Learning (General/other)
Télécom SudParis	Djamal Zeghlache	EC	ML: Time-Series/Data Streams ML: Reinforcement Learning
Télécom SudParis	Ana Rosa Cavalli	EC	ML: Machine Learning (General/other) AISI: Security and Privacy PRS: Planning, Routing, and Scheduling (General/Other)
Télécom SudParis	Djamel Belaïd	EC	ML: Machine Learning (General/other)
Télécom SudParis	Sophie Chabridon	EC	AISI: Security and Privacy CSUS: Modeling And Prediction Of Dynamic And Spatiotemporal Phenomena And Systems
Télécom SudParis	Amel Bouzhegoub	EC	KRR: Ontologies KRR: Knowledge Representation (General/Other) AIW: Ontologies and the Web: Creation, Extraction, Evolution, Mapping, Merging, and Alignment; Tags and Folksonomies ML: Data Mining CM: Symbolic AI
Télécom SudParis	Badran Raddaoui	EC	KRR: Ontologies KRR: Knowledge Representation (General/Other) AIW: Ontologies and the Web: Creation, Extraction, Evolution, Mapping, Merging, and Alignment; Tags and Folksonomies ML: Data Mining CM: Symbolic AI
Télécom SudParis	Alda Grançarski	EC	AISI: Social Networks ML: Data Mining
Télécom SudParis	Gaël Thomas	EC	CSUS: Modeling And Control Of Complex High-Dimensional Systems
Télécom SudParis	Pierre Sutra	EC	CSUS: Modeling And Control Of Complex High-Dimensional Systems
Télécom SudParis	Elisabeth Brunet	EC	CSUS: Modeling And Control Of Complex High-Dimensional Systems
Télécom SudParis	Amina Guermouche	EC	CSUS: Modeling And Control Of Complex High-Dimensional Systems
Télécom SudParis	François Trahay	EC	CSUS: Modeling And Control Of Complex High-Dimensional Systems
Télécom SudParis	Walid Gaaloul	EC	ML: Data Mining ML: Machine Learning (General/other)
Télécom SudParis	Mohamed Sellami	EC	ML: Data Mining ML: Machine Learning (General/other)
Télécom SudParis	Bruno Defude	EC	CSUS: Modeling And Control Of Complex High-Dimensional Systems ML: Machine Learning (General/other)
Télécom SudParis	Hind Castel	EC	ML: Reinforcement Learning
Télécom SudParis	Walid Ben Ameur	EC	ML: Machine Learning (General/other) CSO: Machine Learning and Optimization
Télécom SudParis	Tijani Chahed	EC	ML: Machine Learning (General/other)

Doctorants en sciences des données et intelligence artificielle

Aurelien Enfroy
Etude de processus de Markov déterministes par morceaux pour l’inférence bayésienne de données massives.
Randal Douc, co-encadrement avec Alain Durmus (ENS Paris Saclay).

Kimsy Tor
Bornes explicites pour des classes de noyaux de Markov et applications aux processus localement stationnaires et aux méthodes de Monte Carlo par Chaînes de Markov.
Randal Douc, co-encadrement avec François Roueff (LTCI).

Kamelia Daudel
Méthodes de Monte Carlo adaptatives pour les modèles complexes.
Randal Douc, co-encadrement avec François Roueff (LTCI) et François Portier (LTCI).

Nicolas Granger
Deep-Learning for High Dimensional Sequential Observations: Application to Continuous Gesture Recognition.
Mounîm El-Yacoubi,

Maxime Debois
Internet des Objets pour le suivi et la modélisation de la glycémie de patients diabétiques.
Mounîm El-Yacoubi, co-encadrement avec M. Ammi (LIMSI, Univ. Paris Sud).

Christian Kahindo
Analyse automatique de l’écriture manuscrite sur tablette pour la détection de différents types de dysgraphies associés à différents troubles neurodéveloppementaux.
Mounîm El-Yacoubi, co-encadrement avec Sonia Garcia.

Danya Bachir

Estimating Urban Mobility with Mobile Network Geolocation Data Mining.
Mounîm El-Yacoubi.

Production scientifique

Principaux projets nationaux et européens en cours (titre, montant, partenaires, guichet, contact IMT) :

ITEA3 MEASURE

Aide 5,799,000 euros

Stéphane Maag

BITDEFENDER, Naval Group, Ericsson, ICAM, Montimage, SOFTEAM, TMOB BILISIM, Turkcell, Turkgen, University of Bucharest, VU University Amsterdam.

L'objectif du projet est d'accroître la qualité et l'efficacité des logiciels complexes, ainsi que de réduire les coûts et les délais de mise sur le marché du génie logiciel en Europe. En mettant en œuvre un ensemble complet d'outils de mesures automatisées et continue, ce projet fournit un ensemble de techniques permettant aux projets futurs de mesurer correctement leurs impacts. Plus important encore, il ouvre un nouveau champ d'innovation. La véritable innovation réside dans l'analyse avancée des données de mesure rendue possible par le projet en mettant notamment en œuvre les techniques d’apprentissage.

ANR BottleNet

Aide de l’ANR 881 458 euros.

Djamal Zeghlache.

Orange, INRIA, Université Lille 1, LORIA .

L’objectif de BottleNet est de développer de nouvelles méthodes, algorithmes et infrastructures logicielles pour mesurer la qualité d’expérience mais surtout diagnostiquer les sources de défaillance dont les effets peuvent être perçues par les usagers. Il s’agit de proposer des solutions utilisables par les usagers (ordinateurs, tablettes, téléphones, box ou TVs) pour mesurer non seulement la qualité de service mais aussi capturer la perception des usagers afin de pouvoir inférer des modèles personnalisés de leur qualité d’expérience. BottleNet souhaite le développement de nouvelles approches et solutions basées sur l’intelligence collective pour aider les usagers, les opérateurs de réseaux et de services ainsi que les régulateurs à mieux comprendre les problèmes qui peuvent perturber de manière plus ou moins critique nos activités sur Internet.

ANR Discont

Aide de l’ANR 814 677 euros.

Paul Gibson.

Clearsy, IRIT, LACL, LORIA .

Les systèmes cyber-physiques (CPS) interconnectent le monde réel au travers de réseaux de capteurs et d’actionneurs: des composants physiques et logiques (calculatoires) interagissent selon différentes voies, dépendant du contexte selon des échelles spatiales et temporelles différentes. Une des plus communes architectures dans les CPS est un contrôleur logiciel discret qui communique avec son environnement physique selon le schéma de la boucle fermée dans lequel les données provenant des capteurs sont traitées et les résultats sont fournis et communiqués à des actionneurs. Nous envisageons de combler l’espace entre les deux mondes discret et continu par l’utilisation de méthodes formelles et de la théorie du contrôle. Nous souhaitons accroître le niveau d’abstraction que l’on trouve dans les méthodes usuelles assurant ce lien. Afin de réussir cette entreprise, nous proposons de nous concentrer sur des objectifs de haut niveau (O1) développer un modèle formel hybride; (O2) démontrer des étapes de raffinement pour différents types d’exigences de contrôle; (O3) proposer une méthode rationnelle de conception incrémentale et des outils associés; (04) valider la théorie/les modèles fondés sur des problèmes classiques à partir du corpus du contrôleur discret; et (O5) valider le processus rationnel fondé sur des cases d’étude à partir d’éléments des domaines d’applications.

FP7 SILENSE

Montant de la subvention EU pour le consortium : 8 726 966 euros,

Montant de la subvention EU pour TSP: 346 035 euros

Contact : Marius Preda.

Partenaires: NXP, IMEC, VERHAERT, SOLMATES, SYNOPSYS, TNO, TU DELFT, TU/E, COVENTOR, CEA, IFAG, VALEO, TUB, TUC, IFAT, CTR, LCM, JKU, PRODINTEC, BCB, GRUPO ANTOLIN, ALPHASIP, IMA, BUT, UTIA AV CR, SINTEF, ELLIPTIC, CONTINENTAL, SPEEDO.

L’objectif du projet SILENSE est le développement des nouvelles interfaces entre hommes et machines basée sur les ultrasons. Télécom SudParis pilote la partie logicielle du projet. La mission consiste à développer des algorithmes de traitement des signaux (images 3D) pour reconnaître les gestes effectués par les utilisateurs. En utilisant des réseaux de neurones profonds, l’objectif est de générer un dictionnaire de gestes et de reconnaitre les gestes indépendamment de l’utilisateur.

SATT CBORBIG

Montant de la subvention EU pour TSP: 359 300 euros

Contact : Marius Preda.

Partenaire: Whatis.

Le domaine de la reconnaissance d’objets dans les images a connu de très nettes avancées ces quinze dernières années. Sur plusieurs problèmes d’un intérêt évident, les méthodes obtenues par apprentissage automatique ont aujourd’hui des performances égales à celle de l'être humain. Même s’il est possible de faire encore des progrès marginaux sur ces problèmes, on peut considérer qu’ils sont résolus. C’est ainsi le cas de la reconnaissance des chiffres dans les images, comme en témoigne par exemple le benchmark reposant sur la base de données MNIST [http://yann.lecun.com/exdb/mnist/]. Un autre secteur marqué par ce fort gain de maturité technologique est la détection de visages « de face ». Les premiers succès sont venus de l’utilisation du boosting par Viola et Jones et des forêts aléatoires par Amit et Geman dans le contexte du traitement d’images. En 2012, les méthodes neuronales « profondes » - c’est-à-dire basées sur des réseaux de neurones possédant un nombre important de couches - se sont imposées dans plusieurs challenges d’analyse d’images avec une première percée dans le domaine de la classification avec les travaux de Krizhevsky.

Malgré ces améliorations, les méthodes obtenues par apprentissage automatique ont des performances inférieures à celle des êtres humains dans le cas de la classification et détection d’objets dans les images. La reconnaissance d’objets dans les vidéos est, quant à elle, beaucoup moins mûre que la reconnaissance d’objets dans les images. A date, il n’existe pas de technologie capable d’attaquer le problème de la reconnaissance d’objets dans les vidéos, même dans des poses contraintes, qui donne des performances comparables aux performances humaines. Le principal obstacle aujourd’hui tient à la quantité de données qu’il faut prendre en compte dans ce problème : une vidéo comporte habituellement un grand nombre de trames et un grand nombre d’objets comparativement aux ordres de grandeur commun dans l’analyse des images statiques. L’objectif du projet CBORBIG, est de résoudre ce problème en développant une brique logicielle de classification à grande échelle compatible avec les données fournies par un outil d’analyse vidéo. Un service de reconnaissance d’objets dans des vidéos en temps réel sera ainsi créé pour valider les méthodes proposées.

Grands défis Numérique IRN-MEN

Montant de la subvention pour le consortium : 6 014 000 euros,

Montant de la subvention pour IMT: 338 000 euros

Contact : Marius Preda.

Partenaires: e.l.m eblanc, Immersion, Adecam Industrie

L’objectif du projet est d’interfacer de façon industrielle les outils de réalité augmentée avec les modèles numériques pour l’opérateur de production de demain. Les solutions de réalité augmentée promettent depuis des années d’apporter l’information numérique directement dans l’usine, en incrustant des objets ou informations directement dans le champ de vision d’un opérateur. Récemment, des avancées majeures, comme une amélioration de la robustesse des algorithmes de positionnement, une intégration matérielle allégée ou l’arrivée de casques autonomes, ouvrent de nouvelles perspectives pour le déploiement de cette technologie à grande échelle. C’est l’ambition du projet IRON-MEN : créer une nouvelle génération d’outils métiers pour accroitre la flexibilité et l’efficacité de l’outil industriel tout en conservant l’humain au centre des processus de production grâce à la réalité augmentée. Les activités à conduire par TSP dans le cadre du projet porterons, entre autres, sur la localisation 3D à l’aide des techniques de classification sur la base des réseaux des neurones. Le projet dans son ensemble vise à développer un prototype de produit intégrant des technologies de pointe pour capturer automatiquement des espaces 3D physiques, éditer / créer des modèles 3D et générer des scènes de réalité augmentée où des objets industriels 3D réels sont fusionnés avec les modifications prévues des objets en fonction de la position et de l’orientation de l’opérateur.

ITEA PAPUD

Aide 9221k euros

Profiling and Analysis Platform Using Deep Learning

Bull, 4C CONSULTING, BEIA Consult International, ContentSide, Ericsson, HI Iberia, IMT, KU Leuven, KoçSistem, Lille 1 University, PERTIMM, Setur, Softeam, Türk Telekomunikasyon, Turkgen, LORIA

Noel Crespi

Le projet PAPUD a pour but de créer de nouveaux modèles et algorithmes dédiés à l’analyse de grandes masses de données textuelles et hétérogènes issues des différentes applications. Etant donné que les méthodes classiques du Machine Learning ont déjà montré leurs limitations, dans le cadre de ce projet, le Deep Learning sera utilisé comme technologie principale. Le passage à l’échelle est également une dimension importante que nous allons prendre en compte dans le cadre de ce projet. Nous comptons déployer nos solutions sur des technologies basées sur des architectures parallèles et distribuées.

H2020 Wise-IoT

Aide EU 1500k euros

Wordwide interobability for semantics IoT

NEC, KAIST, EGM, Sejong U., PIQ, CAE, KNU, KETI, IMT, Santader, SK Telecom, Samseung, U. Cantabria, J.Moore U.n Solum, Irels, U. of Applied Science of Northern Switzerland.

Noel Crespi

Sur la base du concept morphing gateway, ce projet propose un système de recommandation basé sur la confiance, s'appuyant sur des API d'informations contextuelles permettant une interopérabilité sémantique de bout en bout et la distribution dynamique des fonctions analytiques sur un projet de 'Global IoT Services' (GIoTS). Ces GIoTS permettent la virtualisation de l’IoT et l'interaction avec des systèmes au-delà de l’IoT, ainsi que l'établissement et la gestion de la confiance. Six expérimentations en Europe et en Corée du Sud sont fédérés pour mettre en œuvre des projets pilotes de villes, de loisirs et de soins de santé intelligents démontrant les capacités d'itinérance des applications GIoTS sur tous les continents.

FUI FAUCON

Aide BPI 1743k euros

From complex And UnCertain data to Open source intelligence

SMILE, Thales, Expert System, ARMADILLO, IP-Label, LIP6, IMT

Noel Crespi

Le principal challenge de FAUCON est l’analyse prescriptive et contextuelle de l’information incertaine. À partir d’un ensemble de données provenant de multiples sources, les outils actuels présentent de complexes tableaux de bord pour l’aide à la décision. Or les sources d’information sont imparfaites et les algorithmes de traitement peuvent l’être. Comment les décideurs peuvent-ils prendre de décision sans connaître la fiabilité des informations dont ils disposent ? Une avancée scientifique et technique sur la prise en compte de l’incertitude tout au long de la chaîne en permettra une meilleure présentation et ainsi une meilleure décision.

FUI Idiom

2M€

François Trahay

DDN, Criteo, Qarnot, QuasarDB, CEA, Université de Bretagne Occidentale, TSP, INRIA

Sesame (idex)

Elisabeth Brunet / Bruno Defude

Construction d'un cluster de machines pour les data sciences.

H2020 CloudButton

3M€

Pierre Sutra

Serverless Data Analytics Platform

Universitat Rovira i Virgili, IBM, RedHat, Atos, Imperial College, IMT, European Molecular Biology Laboratory, The Pirbright Institute, Answaretech SL, The Matrix fondation

ANR RainbowFS

900k€

Pierre Sutra

Just-Right Consistency for Scalable File Systems

Scality, Université de Grenoble, Sorbonnes Université, Université de Savoie-Mont-Blanc, IMT

ANR Primate

500k€

Gaël Thomas

PRIvacy preserving Multi-compartment Trusted Execution

Telecom SudParis, INSA de Lyon, Technische Univ. Braunschweig

ANR Scalevisor

700k€

Gaël Thomas

Breaking down the barriers to rack-scale computing

IRIT, EOLAS, Virtual Open Systems, Telecom SudParis

FUI COCAPS

5.1M€

Amel Bouzeghoub

Développent de capteurs à faible coût permettant de fournir des informations enrichies sur le comportement de(s) personne(s) à l'intérieur d'un bâtiment

LEGRAND ; IRLYNX, emka electronique, id3 Technologies, Université d’Orléans, UTC, Télécom SudParis

Logiciels et plateformes développées (bref descriptif, contact IMT) :

Diatabase

Consortium M4P (Altran, OpenHealth, Ant’inno)

Constitution d’une base de données cliniques sur le diabète dans le but d’améliorer les prises en charge et d’approfondir la recherche sur cette pathologie qui concerne 3,7 millions de personnes en France. L’objectif est de fournir et d’industrialiser les outils numériques de collecte et d’analyse de données cliniques représentatives des individus souffrant de cette maladie.

MyMultimediaWorld

Marius Preda

Plateforme en ligne dont le but est l’évaluation des performances d’algorithmes de compression multimedia pour les objets 3D. Elle permet, lors de l’analyse d’un nouvel objet 3D, de comparer les résultats des compressions fournies par les algorithmes de l’état de l’art déjà implémentés sur MyMultimediaWorld. Par ailleurs, toute nouvelle méthodologie peut être

BioMICA

Bio-Medical Imaging & Clinical Applications

Catalin Fetita

Plateforme de recherche pour les applications en bio-imagerie afin d’aider au développement d’outils ayant un fort potentiel de déploiement clinique, orientés vers le diagnostic assisté par ordinateur. Dans ce sens, Le logiciel AirWays exploite la représentation graphique en maillage de la surface des bronches, après analyse des images cliniques, puis génère des rendus 3D afin de faciliter le diagnostic. Cela fournit la possibilité de mieux mesurer les différences morphologiques à divers endroits de l’appareil respiratoire, à plusieurs temps donnés, dans le but de choisir un traitement adapté.

EZTrace (http://eztrace.gforge.inria.fr)

François Trahay

Framework d'analyse de performance pour applications parallèles.

CRESON (https://github.com/otrack/infinispan-creson)

Pierre Sutra

Framework de construction d'objets partagés pour les systèmes NoSQL.

En cours de développement

Logiciel "micro-conteneur pour la gestion autonomique et générique des systèmes à base de composants basé sur l'apprentissage (Reinforcement Learning techniques)".

Partenariats industriels privilégiés (nom entreprise, site, niveau du contact –direction ou équipe-) :

2 thèses CIFRE sur le process mining avec Orange, Bonitasoft.

1 thèse sur contrat industriel avec Safran/Zodiac Aerospace/Triagnosys (Munich, Allemagne).

1 thèse CIFRE avec Bouygues.

1 thèse CIFRE avec Ozwillo.

Autres contrats industriels avec :

Critéo, RedHat, Thalès, Nokia Bell Labs, SFR, Orange Labs, EDF,

Prologue, Air Liquide, Bosch, Philips, Barco,

Bull, Schneider Electric, Emerging System Technologies.

Liens avec d’autres équipes IMT (projets ou publications…) :

Projet Big-POMM – Mars 2018 – Mars 2020.

Randal Douc, Wojciech Pieczynski (TSP) – François Roueff, François Portier (LTCI).
Estimation en grande dimension dans des modèles de Markov partiellement observés.

Un co-encadrement de thèse CIFRE avec Télécom Nancy.

Plateforme commune avec le genethon (étude de cellules avec de la microscopie et du machine learning pour prédire l'évolution des cellules).

Yaneck Gottesman et Daniel Stockholm (Genethon).

Nombre de publications dans des revues et conférences internationales avec comité de lecture sur les 5 dernières années (2013-2018) :

Chapitres d’ouvrage	Revues	Conférences	Brevets	Thèses soutenues
34 + 3 livres	504	1017	14	167

Activités de recherche de l’école

Domaines de recherche
AIW: AI for Data Analytics
AIW: Ontologies and the Web: Creation, Extraction, Evolution, Mapping, Merging, and Alignment; Tags and Folksonomies
AISI: Biomedical/Bioinformatics/Medicine
AISI: Computational Social Science
AISI: Networks
AISI: Security and Privacy
AISI: Social Networks
CM: Bayesian Learning
CM: Symbolic AI
CSUS: Modeling And Control Of Complex High-Dimensional Systems
CSUS: Modeling And Prediction Of Dynamic And Spatiotemporal Phenomena And Systems
CSUS: Network Modeling, Prediction, And Optimization
CSUS: Sensor Networks for Monitoring Environments
CSO: Constraint Optimization
KRR: Ontologies
KRR: Knowledge Representation Languages
ML: Active Learning
ML: Bayesian Learning
ML: Classification
ML: Clustering
ML: Data Mining
ML: Deep Learning/Neural Networks
ML: Dimensionality Reduction/Feature Selection
ML: Learning Theory
ML: Machine Learning (General/other)
ML: Online Learning
ML: Probabilistic Graphical Model
ML: Reinforcement Learning
ML: Time-Series/Data Stream
PRS: Planning, Routing, and Scheduling (General/Other)
RU: Bayesian Networks
RU: Graphical Models
RU: Stochastic Optimization
ROB: Localization, Mapping, and Navigation
VIS: Statistical Methods and Learning
VIS: Videos
VIS: Language and Vision
VIS: Motion
VIS: Object Detection
VIS: Face and Gesture Recognition

Domaines applicatifs
Energy optimization
Data analytics et AI
Health/Biomedical/Bioinformatics/Medicine
Intelligent User Interfaces
Computational Social Science
Mobility

IoT and networks
Security, Privacy and risks

Social Networks
Transportation

Web

Other Applications

Résumé :
Les activités de recherche du laboratoire liées à l’intelligence artificielle et aux sciences des données s’articulent suivant différents axes. Ces dernières années, l'utilisation d'importants réseaux de capteurs a permis l'acquisition en temps réel d'un grand nombre de données décrivant des systèmes dynamiques très variés. L'accès à ces informations permet d'envisager la combinaison d'outils de modélisation mathématique et d'apprentissage statistique pour le contrôle optimal des séries temporelles. Diverses applications en astronomie, traitement de flux vidéos ou en poursuite de cibles ont permis des avancées en statistique théorique et computationnelle pour l’inférence et l’optimisation de tels systèmes (méthodes de Monte Carlo en grande dimension, inférence bayésienne).

Les travaux du laboratoire en intelligence artificielle ont permis par ailleurs de développer des algorithmes visant à une analyse discriminante de ces données complexes et complémentaires pour la classification et la détection dans différents domaines : imagerie biomédicale (réseaux de neurones pour l’aide au diagnostic), analyse de signaux d’électroencéphalographie, identification biométrique, reconnaissance de gestes.

Les problématiques d’acquisition et d’utilisation de ces données massives, souvent hétérogènes et multi-échelles, suggèrent également le développement de nouvelles techniques de communication, de détection et de surveillance robustes face à la dimension des données (détection d’interférence, allocation dynamique de capteurs). Les équipes du laboratoire contribuent activement à l’introduction et à l’analyse de nouveaux algorithmes permettant de collecter, de compresser, de traiter efficacement et d’enrichir ces données. Les réseaux mobiles (5G, cloud, réseaux optiques) fournissent un cadre d’application particulièrement dynamique des sciences des données pour l’évaluation des performances d’allocation de ressources.

La gestion de données à large échelle, l’analyse et l’extraction des connaissances pour le diagnostic rapide et précis de phénomènes normaux ou anormaux constitue également un axe traité dans le laboratoire. Les problèmes sous-jacents ont donné lieu au développement de modèles et d’algorithmes mixant apprentissage machine, fouille de données et raisonnement logique. Des applications comme l’aide à la personne, la ville intelligente, l’usine du futur et la maintenance prédictive illustrent bien ces problèmes.

En outre, le laboratoire participe à l’amélioration des infrastructures logicielles permettant la mise à disposition d’une importante puissance de calcul (calcul distribué) pour mener les simulations numériques utiles à l’inférence et à la prédiction.

Tags: analytics et, data analytics, artographie, analytics, compétences