Page 6 - GESI n°96 // Mai 2022

6 // RETOUR SUR LE COLLOQUE DE CRÉTEIL
• L’INTELLIGENCE ARTIFICIELLE DANS L’INDUSTRIE AVEC MATLAB/SIMULINK: DU MYTHE À LA PRATIQUE
M. Moubarak Gado – Société MathWorks
Sujets abordés :
• AI-driven system design workflow
• Data preparation represents most of your AI effort
• Domain experts build better AI systems
• Automated labeling Apps save you weeks to months
• Reduce human supervision and development time
• Generate synthetic data and simulate rare system failure
• Start with a complete set of algorithms and pre-built
models
• Domain-specialized reference examples
• AI modeling Apps automate training, tuning, visualization
• Accelerate AI training on GPUs, cloud, and datacenter
resources without specialized programming
• LES SOLUTIONS FESTO POUR L’IA M. Arthur Le Pivert – Société Festo
Sujets abordés :
• Festo Automation eXperience (AX)
• Original Equiopent Manufacturer (OEM)
• Entraînement
• L’humain dans la boucle
• Workflow
• SCRAIBRAIN & SCRAIFIELD
• La technologie comme outil pour l’industriel
• Outil MPS403 et son scénario d’apprentissage IA
PRÉSENTATIONS DE CHERCHEURS ET ENSEIGNANTS-CHERCHEURS :
• INTRODUCTION AU DEEP LEARNING
M. Romain Négrier – Institut de recherche XLIM / Département GEII / IUT du Limousin
Sujets abordés :
• De quoi parle-t-on, contexte et concept ?
• Principe de fonctionnement des réseaux de neurones
artificiels
• Différents types d’apprentissage automatique
• L’IA en quelques faits marquants
• AlphaGo vs Lee Sedol
• Projet étudiants S3-S4
• APPRENTISSAGE AUTOMATIQUE EN CHIMIE ET EN SCIENCE DES MATÉRIAUX
M. Jean-Claude Crivello – ICMPE / CNRS
Sujets abordés :
• IA : vers un nouvel paradigme en chimie ?
• Découverte de nouvelles molécules
• Du Materials Genome Initiative au Machine Learning • Exemples d’applications de l’IA en chimie
• Génération de phases solides
• L’IA : une science interdisciplinaire
•RÉFLEXIONS SUR LA FORMATION ET LA RECHERCHE EN IA
M. Mounim A. El Yacoubi – TELECOM SudParis
Sujets abordés :
• Intelligence artificielle (IA)
• Apprentissage automatique (Machine Learning)
• Réseaux de neurones profonds (Deep Learning)
• Reconnaissance statistique de formes (Statistical Pattern
Recognition)
• Fouille de données (Data Mining), Classification, Prédiction
• Science de données (Data Science), Traitement du Signal et
des Images
•USING ARTIFICIAL INTELLIGENCE AND ENTROPY MEASURES FOR BIOMEDICAL IMAGES CLASSIFICATION FROM TEXTURE
M. Ryan Furlong – LARIS / IUT Angers & AME Department, Institute of Technology, Carlow, Ireland
Sujets abordés :
• Entropy
• Classification Performance • Computation Speed
• Parameter Optimization
• Practical Application
• EpiStroma Tests
• Biomedical Applications
•EXPLOITATION DES RELATIONS SPATIALES PAR APPARIEMENT INEXACT DE GRAPHES POUR LA SEGMENTATION SÉMANTIQUE D’IMAGES PAR APPRENTISSAGE PROFOND
M. Jérémy Chopin – LARIS / IUT Angers & IUT de Nantes
Sujets abordés :
• Apprentissage profond
• Informations structurelles
• Mise en relation des informations de haut et bas niveaux •Support de l’apprentissage profond en utilisant des
graphes
• Amélioration des résultats de la segmentation
• Stabilisation lors de la rédaction de la base d’apprentissage
3 Bilan de la commission
Cette commission a permis d’avoir un riche retour d’expérience avec 10 présentations très intéressantes dont 5 présentations de professionnels et 5 présentations de chercheurs et d’enseignants- chercheurs. Les supports des présentations sont disponibles sur le site du colloque. Les enregistrements vidéos de toutes les présentations peuvent être demandés au département GEII de l’IUT de Créteil-Vitry !
Les intervenants professionnels ont présenté des applications très concrètes : Traitement d’image, Conduite autonome, Robotique, etc. Ces intervenants ont montré que l’IA impacte beaucoup de domaines industriels et devient désormais un outil puissant et indispensable.
Les intervenants académiques ont réalisé un bon état de l’art sur les bases principales de l’IA : Apprentissage automatique (Machine Learning), Science des données (Data Science) et Fouille de données (Data Mining), Réseaux de neurones, Apprentissage profond, Classification. Lors des discussions avec ces intervenants académiques, des réflexions sur la formation de l’IA en GEII ont été abordées.
Enfin, l’échange avec tous les intervenants a permis d’analyser les besoins pour nos étudiants de BUT GEII et d’identifier des voies d’amélioration. Selon les échanges de cette commission, il a été souligné que le niveau de BUT1 est très prématuré pour aborder de l’IA. Cependant, le niveau de BUT2 peut permettre aux étudiants le renforcement des matières essentielles (Algorithmique, Programmation, Mathématiques, ...) et le niveau de BUT3 peut effectivement contribuer à l’initiation de l’IA (Projets en robotique, Utilisation des réseaux de neurones, ...).
GESI // 41e ANNÉE