DELPHI - L'IA à Nantes Université

L'Intelligence Artificielle pour la Santé et l'Industrie du Futur

Dans le cadre de l'accueil des TRusted AI Labs à Nantes Université du 04 au 14 Septembre, le cluster de l'I-Site NExT DELPHI vous invite à assister à la conférence réunissant les chercheurs du LS2N, du GeM et de l'IETR autour des thématiques comme : Smart Manufacturing, Fabrication mécanique, Série Temporelle, Simulation numérique, Gestion de la géométrie, Apprentissage profond, Modèles graphiques probabilistes, Modélisation de systèmes complexes, Explicabilité des modèles, Ordonnancement dynamique, Données synthétiques, Prédiction des performances énergétiques, Plates-formes multi-cœurs, L’imagerie médicale et bien d’autres…

L'objectif est de stimuler des collaborations internationales et les mobilités entrantes et sortantes en intelligence artificielle, si vous recrutez (CDD, CDI, étudiants, etc…) ou si vous cherchez du financement ou des collaborateurs pour répondre à des AAP en intelligence artificielle, rejoignez nous lors de la conférence de 13h00 à 16h00 suivi d'un moment de convivialité et tournoi de "Palets Nantais" de 16h00 à 18h00. 

Vous y retrouverez les 83 participants des workshops du TRAIL. Cette conférence inter-disciplinaire s'adresse aux chercheurs, entrepreneurs et étudiants curieux d'apprendre sur les recherches menées à Nantes Université en Intelligence Artificielle dans les domaines tels que Fabrication intelligente, Impression 3D, Contrôle qualité, Optimisation de la production, Aide à la décision industrielle, Modélisation médicale, Simulation de patients numériques, Fabrication additive avancée, Simulation de procédés, Projection laser, Santé intelligente, Industrie du Futur, Gestion de la production, Planification industrielle, Optimisation des opérations, L’Intelligence artificielle embarquée, Optimisation énergétique et gestion de ressources limitées et l’Internet des objets IoT.
Programme Final :

L'intelligence Artificielle pour la Santé du Futur

 

Artificial spatial attention for automatic embryo quality assessment

Gomez Tristan, Post-Doctorant, LS2N Nantes Université

L’un des traitements les plus courants de l’infertilité est la fécondation in vitro (FIV). Cette procédure consiste notamment a cultiver des embryons en milieu contrôle et a en évaluer la qualité après plusieurs jours de croissance. La technologie time-lapse permet un suivi continu des embryons et génère une grande quantité d’images qui a déjà été exploitée par des applications d’apprentissage profonds. Une limitation importante au développement de ces solutions est la nature opaque des modèles proposes qui pose des problèmes éthiques déjà soulevés par la communauté. Nous avons développe une base de données annotées par plusieurs experts pour permettre a la communauté de comparer les algorithmes développes et d’arriver a un consensus. Pour rendre les décisions des réseaux plus transparentes et explicables, nous avons travaillé sur un nouveau mécanisme d’attention artificielle non-paramétrique (BR-NPA). Nous comparons qualitativement cette proposition avec l’état de l’art de l’attention visuelle artificielle.

Ce travail montre l’intérêt des modèles d’attention spatiale pour améliorer l’interprétabilité des modèles d’apprentissages profonds, dans le but d’aider les biologistes travaillant dans le domaine de la FIV mais aussi tous les praticiens utilisant des modèles de classification d’images dans leur travail quotidien.

Apprentissage et Utilisation de modèles graphiques probabilistes pour la modélisation de systèmes complexes - vers des modèles d'IA compréhensibles et soutenables.

Leray Philippe, PU, LS2N Polytech

Les modèles graphiques probabilistes comme les réseaux bayésiens sont des outils pour la représentation de connaissances incertaines et le raisonnement à partir d'information incomplètes. La partie graphique de ces modèles offre un cadre intuitif et attractif pour toutes les applications où l'utilisateur a besoin de comprendre le modèle qu'il utilise. L'apprentissage de ces modèles à partir de données permet aussi la découverte de nouvelles connaissances, en plus de la fourniture d'un modèle "interrogeable".

Nous proposerons dans cette présentation un aperçu de nos travaux sur l'apprentissage de ces modèles, et leur mise en œuvre dans plusieurs applications dans le domaine de la Santé ou de l’Industrie du Futur.

Generation of anonymous synthetic ECG signals for training IA algorithms

Moussaoui Saïd, PU, LS2N École Centrale Nantes

The aim of this talk is to present a data anoymization method through signal generation from a non-anonymous private database. The method consist of a statistical mixing model where each signal is considered as a mixture of its neighbors in an adequate representation. This generative model is then used to simulate a set of synthetic signals which preserve the significant information of the initial data. The quality of the synthetic database is assessed in terms of privacy and utility. The proposed approach is applied to a database of real ECG signals. We compare the predictive performance of a classifier trained on the real database and on the synthetic anonymous database.

This is a joint work with : 
- Alban-Félix Barreteau (Octopize, LS2N, Centrale Nantes, Nantes Université), 
- Eric Le Carpentier (LS2N, Centrale Nantes, Nantes Université), 
- Olivier Regnier-Coudert (Octopize), 
- Pierre-Antoine Gourraud (CR2TI, Pôle Santé,  Nantes Université). 

Prédiction des performances et de l’énergie consommée par des réseaux de neurones déployés sur des plates-formes multi-cœurs

Le Nours Sébastien, PU, IETR Nantes Université

La diffusion constante de dispositifs électroniques et l’émergence de l'Internet des objets conduisent à utiliser de plus en plus d’algorithmes d’intelligence artificielle pour appréhender les données relevées au sein de notre environnement physique. Cependant, mettre en œuvre des algorithmes d’intelligence artificielle sur des plates-formes d’exécution aux ressources limitées est difficile compte tenu des nombreuses contraintes à considérer (précision des algorithmes, nombres de ressources de calcul et de mémorisation nécessaires, consommation énergétique). Afin d’améliorer l’efficacité des mises en œuvre, il est important d’explorer l’espace des conceptions possibles et établir des déploiements optimisés des algorithmes sur des plates-formes d’exécution multi-cœurs. Dans cette présentation, nous aborderons une approche de modélisation et d’exploration rapide et précise de l’espace de conception. Nous illustrerons cette approche au travers de différents cas d’étude du domaine de la vision par ordinateur et nous présenterons les gains potentiels pouvant être apportés à la mise en œuvre de réseaux de neurones sur des systèmes embarqués. 

Smart Manufacturing : applications d'I.A. en fabrication mécanique

Ritou Mathieu, MCH, LS2N, Nantes Université

La collecte et l'exploitation de données de monitoring de procédés de fabrication mécanique offrent de nouvelles possibilités. En effet, elle permet une meilleure maîtrise de la qualité, grâce à des systèmes d'aide à la décision ou jumeaux numériques. La présentation portera sur plusieurs applications industrielles aéronautiques, de la fabrication des pièces élémentaires (en usinage), à leur assemblage (par perçage et vissage).

Enhancing Multivariate Time Series Forecasting, Using Event Histories - Feasibility Study for Data-Driven Simulation of a Digital Patient under Anaesthesia

Sinoquet Christine, MCF HdR, LS2N, Nantes Université

So far, models that take advantage of sequences of events to refine time series forecasting have only been designed for specific applications. In this presentation, we introduce the Non-Homogeneous Markov Chain AutoRegressive (NHMC-AR) model. In our model, the innovation arises from the synchronization of a multivariate Hawkes temporal point process with an autoregressive first-order hidden Markov model, through contextual variables.

Our proof-of-concept experiments address a real-world case related to digitally assisted training in anaesthesia. We compare NHMC-AR with a version in which the contextual variables only take into account the latest occurrences of the events. We also compare our model with a recent cutting-edge model, able to handle partially annotated states. We have specially adapted this latter model to link events to states, under three different assumptions regarding the categories of events considered.

Our experimental results on real-world anaesthesia data describing a cohort of 1000 patients show that NHMC-AR has substantially better predictive performance, compared to the two competing methods. This result holds for all the physiological variables considered.

Finally, we show that the model is interpretable and that the simulations are realistic.

Gestion de la géométrie des cordons en fonction des paramètres procédé dans le cadre de la simulation numérique des procédés de fabrication additive

Courant Bruno, MCH, GeM, Nantes Université 

La simulation numérique des phénomènes induits lors de la fabrication de pièces par des procédés additifs nécessite des temps de calcul d’autant plus longs que le modèle est complexe. Les modèles les plus exigeants intègrent les mouvements de convection dans le bain en fusion afin de prédire finement la géométrie des cordons. Les temps de calcul sont alors trop longs pour des simulations à l’échelle de la pièce et il est nécessaire de mettre en place deux modèles, l’un à l’échelle du bain et l’autre à l’échelle de la pièce. Afin de limiter ces temps de calcul, nous avons développé une approche simplifiée sur la base de quelques hypothèses physiquement justifiées. La géométrie du cordon est représentée par une portion de cylindre dont les caractéristiques géométriques peuvent être reliées analytiquement aux paramètres du procédé. Un paramètre global assimilable à un rendement est ensuite ajusté par régression linéaire à l’aide de données expérimentales. Les simulations numériques peuvent alors être réalisées à l’aide de la méthode des éléments finis sous Comsol®. Nous présentons ici l’application de ce modèle pour les procédé projection laser, fusion de lit de poudre et fusion additive arc-fil métallique.

Application de technique de Machine learning pour l'ordonnancement dynamique de la production

Bouazza Wassim, MCF, LS2N Nantes Université

Les environnements industriels modernes sont aussi complexes que dynamiques. Des outils de productions toujours plus flexibles accroissent davantage la difficulté du pilotage de tels systèmes. Néanmoins, l’avènement de l’industrie 4.0 transforme les usines « classiques » en système de production cyber-physique. Dans ce contexte, l’ordonnancement manufacturier est de ce fait une tâche cruciale particulièrement difficile.

Ainsi, nous explorerons comment les techniques de Machine Learning peuvent être déployées pour résoudre les problèmes liés à la planification dynamique de la production. Les approches algorithmiques, des modèles prédictifs, et des stratégies d'optimisation qui sous-tendent cette démarche, seront discutés, tout en mettant en lumière les avantages potentiels tels que l'amélioration de l'efficacité opérationnelle, la réduction des coûts, et l'optimisation de la satisfaction client.

 

Piloté par NExT à travers une aide de l’Etat gérée par l’ANR au titre du Programme d’Investissements d’Avenir (référence ANR-16-IDEX-0007), le cluster DELPHI bénéficie d’un soutien financier de Région Pays de la Loire et de Nantes Métropole.