Cet article présente une preuve de concept pour l’automatisation de l’inspection de conteneurs maritimes à travers un modèle de détection de défauts de type Yolo entraîné sur des vidéos d’intérieur de conteneurs collectées grâce à un drone roulant. Ce projet couvre toutes les étapes de développement d’un modèle d’IA, de l’exploration d’un gros volume de photos d’inspection historiques, la définition d’un système d’acquisition de données adapté à une automatisation de l’inspection, à l’annotation des images et l’entraînement du modèle sur un jeu de données frugal.
Dans ce tutoriel, nous allons vous présenter notre outil DLINKER de recherche d’entités similaires dans les graphes de connaissances. DLINKER a été conçu pour aider les utilisateurs à identifier des informations partageant des données communes ou équivalentes. Notre outil offre une flexibilité d’utilisation dans le processus d’appariement, avec une gestion simplifié des paramètres pour la rigueur dans le calcul de l’appariement. Au cours de cette démonstration, nous présentons en 5 étapes, comment DLINKER aide à réaliser la tâche d’appariement d’entités. DLINKER est facile à déployer et à utiliser, offre des possibilités d’optimisation de la recherche d’appariement de graphes de connaissances. Nous sommes convaincus que notre logiciel peut aider à gagner en efficacité et en productivité dans la gestion des processus d’appariement de toutes tailles et complexités.
Les applications à base de sémantique intéressent de plus en plus les industriels, principalement parce qu’elles permettent le partage d’information et l’explicabilité des résultats. Le socle de l’application sémantique est la base de connaissances. Afin de développer l’utilisation des applications sémantiques, il est nécessaire de proposer un outil de création de bases de connaissances. Un formalisme usuel désormais est l’ontologie et plus particulièrement dans l’industrie, une ontologie de domaine. Il s’agit donc d’aider à concevoir et mettre en place un outil de conception d’ontologie pour non experts, ce qui permettra la prise en compte du cœur ontologique comme mémoire de l’application, modélisant l’application proposée : spécifications fonctionnelles, non fonctionnelles, vérification et validation. Pour cela, nous proposons un outil qui prend en compte (1) l’interaction nécessaire avec l’utilisateur (interaction linguistique grâce à un verbaliseur), (2) différentes logiques nécessaires à l’utilisateur (dans la mesure du possible) ainsi que (3) l’existant (création de base de connaissances de zéro, à base de texte, à base de réutilisation ou d’alignement/fusion). (4) La vérification des bases de connaissances créées se fait avant tout par conception, au fil de l’eau. De nombreux travaux existent sur la création d’ontologie et nous nous positionnons d’un point de vue très pragmatique sur la mise en place de bases de connaissances limitées au domaine de l’application sémantique. Nous présentons ici des travaux en cours comprenant le développement d’une version béta de l’outil selon des spécifications non fonctionnelles et fonctionnelles ainsi que les spécifications des fonctionnalités à venir suite à de premiers tests et un état de l’art en évolution.
Le jeu sérieux Escape-SG a pour objectif de pro- poser des outils de simulation lors de la formation à la gestion de crise pour des situations d’évacuation massives de zones urbaines. Pour cela, il est nécessaire de proposer un ensemble de simulations crédibles des situations étudiées et de les intégrer dans une interface permettant de reproduire les interactions réelles d’une cellule de gestion de crise. Le jeu sérieux Escape- SG propose ainsi de coupler une simulation de trafic urbain s’appuyant sur les travaux du projet ESCAPE avec une interface offrant une visualisation en direct des évènements simulés tout en proposant des actions d’intervention mimant les actions possibles dans un cas réel de gestion de crise.
Disposer de jumeaux numériques des équipements industriels donne la possibilité de mieux comprendre l’état d’une chaîne de production en fonctionnement, et également de simuler des situations hypothétiques, telles qu’une nouvelle installation ou de nouveaux paramètres. Cependant, lorsque survient en production un incident dont la cause échappe à la modélisation choisie lors de la conception ou de la configuration du jumeau numérique, celui-ci peut se trouver dans l’incapacité de remplir correctement son rôle, voire même induire en erreur les utilisateurs. Cet article d’état de l’art et de prospection explore la possibilité, en cas de détection d’incident, de faire appel à un collectif d’agents autonomes pour générer et explorer un ensemble de scénarios alternatifs et présenter à un utilisateur les explications jugées comme étant les plus vraisemblables.
The Machine Learning (ML) based solutions in manufacturing industrial contexts often require skilled resources. More practical non-expert software solutions are then desired to enhance the usability of ML algorithms. The algorithm selection and configuration is one of the most difficult tasks for users like manufacturing specialists. The identification of the most appropriate algorithm in an automatic manner is among the major research challenges to achieve optimal performance of ML tools. In this paper, we present an auto-explained Automated Machine Learning tool for Big Industrial Data (AMLBID) to better cope with the prominent challenges posed by the evolution of Big Industrial Data. It is a meta-learning based decision support system for the automated selection and tuning of implied hyperparameters for ML algorithms. Moreover, the framework is equipped with an explainer module that makes the outcomes transparent and interpretable for well-performing ML systems.
L’ingénierie de la connaissance s’intéresse à la formalisation des expertises et en particulier à leur structuration, leur modélisation, leur exploitation et leur actualisation dans le temps. ÉPIONE est l’exemple même de l’efficience de cette démarche pour élaborer un référentiel pertinent sur un processus métier même jeune. Le domaine métier est celui du « déclassement » dans le nucléaire et les exigences des autorités de sûreté font que les justifications de dossier administratif doivent être d’une consistance sans faille. Au-delà du très classique transfert de connaissance entre expert et spécialiste métier, ÉPIONE révèle aussi la capacité d’une telle ingénierie à offrir comme résultat une exploitation polyfonctionnelle. La modélisation a été accélérée par la mise en œuvre d’un outil adapté à ce type d’opération; la plateforme Ardans Knowledge Maker
Afin d’échanger entre chercheurs, théoriciens et praticiens de l’ingénierie de la connaissance, à la question de l’« IA et les normes », l’article propose une réflexion sur ce qu’est aujourd’hui l’ingénierie de la connaissance dans le monde « opérationnel » et comment cela s’inscrit par rapport à la norme ISO30401 publiée en 2018. Cette vision est com- plétée par l’arrivée de l’environnement PARNASSE comme support à la mise en pratique de l’ISO30401 dédié au « manager de la connaissance ».
La s ́ecurisation des systèmes d’information doit faire face à de nombreux défis. D’une part, il est nécessaire de mettre en place des solutions adaptées au contexte des entreprises pour résister à des attaques potentielles. D’autre part, ces systèmes doivent respecter les textes de lois existants (e.g. Le réglement général de protection des données - RGPD). Toutes les organisations, quels que soient leur taille, doivent se conformer à ces exigences, ce qui représente une complexité relativement élevée pour les petites et moyennes entreprises qui disposent rarement à la fois de services informatiques et juridiques. Par conséquent, une solution automatisée permettant de mettre en corrélation les exigences l égales, réglementaires et normatives de l’organisation avec les mesures techniques correspondantes contribuerait à réduire la dépendance aux compétences externes pour les entreprises concernées. Dans cette démonstration, nous proposons ReglYs ( R ́eglementaire Acelys) une plateforme basée sur des approches de traitements automatique du langage naturel pour aider les organisations à maintenir un niveau élevé de cybersécurité en se basant sur les lois, réglementations et normes traitant de cybersécurité et de gouvernance des données.