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) |
Télécom SudParis |
Mounîm El Yacoubi |
EC |
ML:
Deep Learning/Neural Networks |
Télécom SudParis |
Dijana Petrovska
|
EC |
VIS:
Language and Vision |
Télécom SudParis |
Nesma Houmani
|
EC |
VIS:
Statistical Methods and Learning |
Télécom SudParis |
Sonia Garcia
|
EC |
AISI:
Biomedical/Bioinformatics/Medicine |
Télécom SudParis |
Jérôme Boudy |
EC |
MAS:
Coordination and Collaboration |
Télécom SudParis |
Catherine Lepers |
EC |
ML: Machine Learning (General/other) |
Télécom SudParis |
Marius Preda |
EC |
VIS:
Statistical Methods and Learning |
Télécom SudParis |
Nicolas Rougon |
EC |
VIS:
Statistical Methods and Learning |
Télécom SudParis |
Veronica Scurtu |
EC |
VIS:
Statistical Methods and Learning |
Télécom SudParis |
Catalin Fetita |
EC |
ML:
Deep Learning/Neural Networks |
Télécom SudParis |
Titus Zaharia |
EC |
ML:
Deep Learning/Neural Networks |
Télécom SudParis |
Mihai Mitrea |
EC |
VIS:
Object Detection |
Télécom SudParis |
Vincent Gauthier |
EC |
ML:
Machine Learning (General/other) |
Télécom SudParis |
Hervé Debar |
EC |
AISI:
Security and Privacy |
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 |
Télécom SudParis |
Hossam Afifi |
EC |
ML:
Deep Learning/Neural Networks |
Télécom SudParis |
Michel Marot |
EC |
ML:
Deep Learning/Neural Networks |
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 |
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 |
Télécom SudParis |
Daniel Clark |
EC |
ML:
Machine Learning (General/other) |
Télécom SudParis |
Emmanuel Monfrini |
EC |
AISI:
Biomedical/Bioinformatics/Medicine |
Télécom SudParis |
Marc Castella |
EC |
CSO:
Constraint Optimization |
Télécom SudParis |
Frédéric Lehmann |
EC |
ML: Probabilistic Graphical Model |
Télécom SudParis |
Wojciech Pieczynski |
EC |
ML:
Bayesian Learning |
Télécom SudParis |
Sylvain Le Corff |
EC |
ML:
Bayesian Learning |
Télécom SudParis |
Daqing Zhang |
EC |
ML:
Clustering |
Télécom SudParis |
Noël Crespi |
EC |
ML:
Data Mining |
Télécom SudParis |
Marc Girod-Genet |
EC |
ML:
Classification |
Télécom SudParis |
Alain Petrowski |
EC |
ML:
Reinforcement Learning |
Télécom SudParis |
Djamal Zeghlache |
EC |
ML:
Time-Series/Data Streams |
Télécom SudParis |
Ana Rosa Cavalli |
EC |
ML:
Machine Learning (General/other) |
Télécom SudParis |
Djamel Belaïd |
EC |
ML: Machine Learning (General/other) |
Télécom SudParis |
Sophie Chabridon |
EC |
AISI:
Security and Privacy |
Télécom SudParis |
Amel Bouzhegoub |
EC |
KRR:
Ontologies |
Télécom SudParis |
Badran Raddaoui |
EC |
KRR:
Ontologies |
Télécom SudParis |
Alda Grançarski |
EC |
AISI:
Social Networks |
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 |
Télécom SudParis |
Mohamed Sellami |
EC |
ML:
Data Mining |
Télécom SudParis |
Bruno Defude |
EC |
CSUS:
Modeling And Control Of Complex High-Dimensional Systems |
Télécom SudParis |
Hind Castel |
EC |
ML: Reinforcement Learning |
Télécom SudParis |
Walid Ben Ameur |
EC |
ML:
Machine Learning (General/other) |
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