#BelgianAIWeek TRAIL-Let's challenge the challenges

Dans le cadre de la semaine belge de l’intelligence artificielle

Le but de cette session est de questionner les grands challenges en Intelligence Artificielle portés par le projet ARIAC. Des exposés flash en 360 secondes sur des réalisations en IA de la recherche et des entreprises en Wallonie seront mis en miroir.

#BelgianAIWeek TRAIL-Let's challenge the challenges

Dans le cadre de la semaine belge de l’intelligence artificielle

Le but de cette session est de questionner les grands challenges en Intelligence Artificielle portés par le projet ARIAC. Des exposés flash en 360 secondes sur des réalisations en IA de la recherche et des entreprises en Wallonie seront mis en miroir.

Description

En pratique, cette session alternera 10 exposés flash, un forum de discussion sur le transfert de technologie et l’innovation en IA en Wallonie, et 10 autres exposés flash.

TRAIL (TRusted AI Lab) est un institut de recherche d’ambition internationale en Intelligence Artificielle qui regroupe 5 universités (UCLouvain, ULB, ULiège, UMONS et UNamur) et 4 Centres de Recherche Agréés (Cenaero, Cetic, Multitel, Sirris), l’ADN et AI4Belgium.

Dans le cadre du plan Digital Wallonia4.AI, TRAIL porte le projet ARIAC dont les activités de recherche (plus de 50 chercheurs) rencontrent des grands challenges des entreprises de la Wallonie.

PROGRAMME

Introduction par Benoit Macq (UCLouvain) et Antoine Hublet (AdN)

9h15 – 10h15

  • Pitch 1 - Recurrent Neural Networks for movies recommandation and cardiac arrythmias detection

D’anciennes et nouvelles versions (réseaux récurrents, GRU) de réseaux de neurones ont été exploitées pour des tâches de prédiction sur séries temporelles. Dans cette présentation, je discuterai de leur application à deux applications très différentes: la recommandation du prochain film à regarder ou du prochain article à acheter (sur base de l’historique de consommation) ainsi que la détection, 30 secondes avant qu’ils ne se produisent, de problèmes cardiaques graves tels que la fibrillation atriale (FA).

par Hugues Bersini, professeur à l’ULB, chef du laboratoire IRIDIA.

  • Pitch 2 - Benoît Frenay
  • Pitch 3 - L'Intelligence artificielle : une révolution dans le domaine de la voix

La mission d’Acapela Group est de concevoir, développer et commercialiser des produits et services dans le domaine des technologies vocales. Les derniers progrès technologiques relatifs à l'intelligence artificielle (l’apprentissage profond et approches end-to-end) sont mis en œuvre dans bon nombre de projets et produits chez Acapela Group. Nous mettrons en évidence certains de ces développements ou futurs développements dans cette présentation.

par Olivier Deroo, Responsable innovation et projets de recherche chez Acapela

  • Pitch 4 - Patient-centric AI technologies for Parkinson disease monitoring

Le projet NeuroInsight a pour objectif le développement d'une plateforme destinée à améliorer le suivi de la maladie de Parkinson au travers de la collecte non-invasive de données telles que la capture de mouvement, l'analyse vocale et diverses informations rapportées par le patient et leur exploitation par l'intelligence artificielle.

par Anne-Sophie Bridoux, Co-responsable du groupe Vision par Ordinateur chez Multitel

  • Pitch 5 - Supervision de procédés industriels via des capteurs logiciels neuronaux

La supervision des procédés industriels est une tâche complexe qui requiert la déduction de l’état du procédé au départ de signaux souvent indirects. L’utilisation de capteurs logiciels neuronaux permet d’établir un lien entre l’état du procédé et ces signaux informatifs. Cet exposé est illustré par des exemples des mondes brassicole (collaboration avec la société Anabel Energy) et pharmaceutique (collaboration avec GlaxoSmithKline Vaccines).

par Laurent Dewasme, Senior Researcher/Part-time Substitute Lecturer à l’UMONS, Systems, Estimation, Control and Optimization (SECO) Group

  • Pitch 6 - MobFaceNet

Le projet MobFaceNet, collaboration entre la société MoodMe et l'UMONS permet d'analyser le visage (émotions, segmentation, ethnicité, âge, sexe, port de masque ...) sur smartphone sur base d'une approche la plus éthique possible.

par Chandra Dekeyser, CEO de MoodMe et Matei Mancas, Senior Researcher and Project Leader

  • Pitch 7 - L'intelligence artificielle au service des professionnels du droit

Aujourd'hui, l'information est disponible, tellement disponible qu'elle est devenue difficilement accessible. Pour pallier ce problème, le Cental développe, depuis 20 ans, des modèles et des outils permettant de fouiller, extraire et structurer l'information dans différents domaines. Nous présenterons quelques-unes de ces technologies au travers d'un projet, Aidalex, dont l'objectif est de mettre à disposition des professionnels du droit un outil d'aide à la décision juridique.

par Patrick Watrin, Responsable du Cental (Centre de traitement automatique du langage) à l’UCLouvain

  • Pitch 8 - Sébastien Barbieri
  • Pitch 9 - Optimisation conjointe de la conception et de la fabrication de pièces composites

Une optimisation technico-économique d'un flap en composite a été réalisée dans le but de minimiser les coûts (en identifiant le potentiel de réduction de masse et de minimisation du taux d'attrition) et de maximiser les performances du produit. La stratégie d'optimisation exploitée se base sur des algorithmes évolutionnaires couplés à des modèles approchés «temps réel» de type machine learning nourris par la simulation numérique et sur des capacités d’analyse de données et d’aide à la décision.

par Caroline Saintvitu, Senior Research Scientist - Minamo Team Leader

  • Pitch 10 - Stéphane Pierret

10h15-10h50 : Table ronde/débat sur le transfert de technologies en Wallonie
Animé par Corinne Boulangier avec la participation de Sandrine Brognaux (Réseau LiEU), Fabian Lapierre (SPW-EER), représentants de l’industrie (notamment Réseau IA).


10h50h – 11h50

  • Pitch 1 - Damien Delannay
  • Pitch 2 - TSorage - Vers l'apprentissage fédéré pour les séries temporelles à grande échelle dans l'Industrie

Afin d'assurer un contrôle strict de l'usage de données sensibles, les techniques de machine learning qui relèvent de l'apprentissage fédéré propose un apprentissage de modèles en deux temps, avec tout d'abord la production de modèles distincts par un ensemble de sources de données, et ensuite la combinaison de ces différents modèles en un super-modèle unique. Le CETIC développe une extension de TSorage, une solution pour la collecte et le stockage pérenne et à grande échelle de séries chronologiques, pour faciliter la mise en œuvre de telles techniques d'apprentissage fédéré.

Par Mathieu Goeminne, R&D Engineer chez CETIC.

  • Pitch 3 - Hercule : Data-driven Bio-manufacturing

L'industrie bio-pharmaceutique produit une énorme quantité de données. Des solutions numériques sont disponibles, par exemple pour traiter les analyses de laboratoire ou proposer une maintenance préventive des équipements de production. DNAlytics fait passer la biofabrication à un niveau supérieur grâce à la plateforme HERCULE : consolidation de toutes les données le long d'un processus de fabrication, aperçu global de toutes les procédures unitaires, examen de la qualité des processus et amélioration des processus grâce à des statistiques avancées et à l'intelligence artificielle.

Par Damien Bertrand, DNanalytics-Business Development Officer

  • Pitch 4 - L’IA au service de la recherche par similarité dans les collections des Musées royaux des Beaux-Arts de Belgique (Bruxelles)

par Karine Lasaracina, Attachée scientifique au Musée des Beaux-Art et Thierry Dutoit, Head Of Department at ISIA LAB – UMONS

  • Pitch 5 - Grégoire Vincke
  • Pitch 6 - La détection d’anomalie est un défi majeur dans les environnements industriels complexes.

Ce projet vise à développer des solutions efficaces, précises, robustes et interprétables en tenant compte des facteurs contextuels.

par Henrique Cabral, Senior Data Scientist labo Elucidata de Sirris en collaboration avec l’entreprise iCARE

  • Pitch 7 - On how to build machine learning algorithms without big data

Les entreprises belges qui sont prêtes pour une transition numérique ou pour l'inclusion d'algorithmes de décision AI dans leurs défis commerciaux n'ont pas nécessairement à leur disposition de grands ensembles de données - étiquetés - ou de grosses données. Une grande quantité de données est généralement une condition préalable à la formation d'algorithmes machine complexes. Heureusement, la boîte à outils du spécialiste des données contient des remèdes à ces problèmes : apprentissage par transfert, création de données synthétiques, itérations de l'entraînement des modèles pour aider les humains à étiqueter l'ensemble de données, etc. Ces solutions permettent d'établir une solide preuve de concept et de débloquer des fonds pour une collecte de données plus importante. Nous présenterons quelques-unes des techniques que nous avons appliquées avec succès dans nos projets.

Par Caroline Vandenplas, Project Manager b12 consulting

  • Pitch 8 - A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding

Dans cette conférence, le professeur Damien Ernst abordera le problème de la participation stratégique du stockage de l'énergie au marché intrajournalier continu européen où les échanges se font par le biais d'un carnet d'ordres centralisé. Il expliquera comment les approches basées sur l'apprentissage par renforcement peuvent être utilisées pour surpasser les stratégies classiques utilisées par l'industrie.

Par Damien Ernst, professeur université de Liège

  • Pitch 9 - Amélioration des images Cone-beam CT pour un meilleur suivi des évolutions anatomiques lors d’un traitement du cancer par protonthérapie.

Le proton thérapie permet un traitement précis du cancer, ce qui nécessite le contrôle des incertitudes de positionnement ainsi qu’une bonne adaptation du plan de traitement aux évolutions anatomiques du patient. L’acquisition d’images Cone-beam CT permet de garantir le premier point mais leur qualité est parfois jugée insuffisante lorsqu’il s’agit du second. Une amélioration des images par deep learning a été développée pour remédier au mieux à ce problème. Projet financé par la RW, « PROTHER-WAL : Proton Therapy Research in Wallonia ».

par Sébastien Brousmiche, CBCT system expert

  • Pitch 10 - IA pour la planification automatique en protonthérapie

Le traitement du cancer par radiothérapie ou protonthérapie recourt encore à de nombreuses étapes manuelles, comme le contourage des organes à cibler ou à éviter. L'intelligence artificielle permet d'automatiser ces étapes par apprentissage rétrospectif sur les données de traitements passés. Une perspective à plus long terme vise à simuler complètement les options de traitement et leurs effets pour aboutir à un système d'aide à la décision médicale.

par John Lee, professeur à l’UCLouvain, affilié Ion Beam Applications (IBA)

Mot de clôture par Nathanaël Ackerman (AI4Belgium) - introduction des sessions suivantes