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

trail nantes23 header (1)

description de l'evenement

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…

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.

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, MCH, 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

Description à venir