Chaires industrielles

La Chaire industrielle IdaML : Industrial Data Analysis & Machine Learning, rassemble Grandes Écoles et industriels autour d'actions de formation (Summer School on Transfer Learning) ou de défis jeunes chercheurs, pour créer un écosystème favorable au développement de nouvelles applications à base d'intelligence artificielle et d'apprentissage (machine learning).

Chaire Industrial Data Analytics and Machine Leaning (IDAML)

La genèse…

L’accord de création de la chaire fut signé fin 2016 et réunissait l’ENS Paris-Saclay, le CEA, et le groupe Atos. Les années 2017 et 2018 furent consacrées à la recherche de nouveaux partenaires et d’un titulaire de la chaire. Cette recherche a pu se concrétiser autour de Bertin IT, l’ENSIIE (juillet 2018), Michelin et la SNCF (septembre 2018), et enfin, la Banque de France en 2020 (en savoir plus…).
Mathilde Mougeot est nommée professeure titulaire de la chaire IDAML en septembre 2018 ce qui a permis d’initier le programme de travail sur les différents axes visés par le partenariat.

Une interview de Mathilde Mougeot pour le magazine I&T (Industrie & Technologies, le 2 avril 2020.

Les objectifs

Développer des programmes scientifiques permettant le développement de la recherche et des connaissances scientifiques sur la thématique de la chaire.

Former les étudiants, doctorants et post-doctorants dans le cadre de la chaire pour en faire des acteurs de l’Intelligence Artificielle pour l’industrie.

Animer une communauté scientifique internationale autour du machine learning appliqué aux données industrielles, sous forme notamment de colloques et de séminaires.

Diffuser les résultats de la recherche, par le biais de publications et d’interventions, mais aussi par la production de logiciels libres facilitant le transfert de connaissances et de technologie vers l’industrie.

Les thèmes de recherche

Une des motivations de la chaire IDAML est de développer une expertise scientifique autour de la science des données et du machine learning appliqués à l’industrie. Les domaines visés sont la maintenance préventive, le contrôle qualité, la sécurité, etc. ce qui renvoie à des thèmes scientifiques variés comme la science des réseaux, le traitement du signal et des images, la recherche opérationnelle, etc. qui sont les domaines apportant les modélisations pertinentes du point de vue du cadre applicatif.

Les thématiques abordées sont principalement :

le Transfer learning : l’apprentissage par transfert de règles de décision est la clé pour pouvoir accélérer l’apprentissage sur de nouvelles instances du système avec moins de données d’apprentissage. Il s’agit de produire des règles performantes ET robustes.

le Graph Signal Processing : les signaux multivariés mesurés sur une structure de graphes sont typiques de l’information temporelle et spatiale produite par des réseaux de capteurs. C’est une approche qui se développe rapidement au carrefour du traitement du signal, de la théorie des graphes et du machine learning.

le Monitoring de systèmes complexes : ce sujet emblématique des cas industriels repose sur la modélisation de données multivariées complexes à des fins de détection/prédiction d’événements, ce qui requiert notamment d’opérer une fusion de données hétérogènes et de prendre en compte la nature et l’organisation du système à surveiller.

la Recherche opérationnelle : ces problématiques renvoient à des problèmes d’optimisation discrète dont la résolution est critique pour le calcul embarqué et l’allocation optimale de ressources dans la gestion des réseaux.

Thèmes scientifiques iDaML

L’animation scientifique

Groupe de travail interne du MLMDA
L’équipe de recherche Machine Learning and Massive Data Analysis (MLMDA) au sein du Laboratoire regroupe environ 30 chercheurs et doctorants. Les personnels de la chaire sont les bienvenus aux sessions du groupe de travail de l’équipe (sorte de séminaires internes et groupes de lecture). Ces séances contribuent au développement des connaissances spécialisées et transverses pour les chercheurs et au partage de connaissances. Les collaborateurs des partenaires industriels sont les bienvenus pour y participer.

Écoles d’été franco-allemandes (2018-2019-2020…)

La chaire co-organise depuis 2018, en collaboration avec l’université de Passau, une école d’été franco-allemande sur la thématique du machine learning, et du transfer learning en particulier. Cette initiative s’est inscrite dans la continuité d’une école d’été réunissant les partenaires académiques d’Atos et Worldline (réseaux IRIXYS et AIDA) qui s’est tenue en juillet 2017 sur le lac de Chiemsee en Bavière. Cette école faisait interagir de manière originale les jeunes chercheurs des centres académiques partenaires avec les jeunes ingénieurs et data scientists du côté industriel. L’esprit de ces rencontres a été conservé et les mêmes réseaux ont été mobilisés pour les éditions de 2018 (ENS Paris-Saclay, campus de Cachan) et 2019 (université de Passau en Bavière) organisées désormais par la chaire IDAML. La dernière session de cette école d’été Summer School on Transfer Learning a vu la présence de l’ensemble des partenaires de la chaire et a donné lieu à des rencontres à des équipes de R&D en IA de certains groupes industriels allemands comme Siemens ou BMW.

L’édition 2020 est en cours de préparation et se tiendra à Clermont-Ferrand avec le soutien de Michelin.

Challenge « IA pour l’industrie » organisée par la région Ile-de-France

La chaire accompagne la région Ile-de-France dans la mise en place du challenge « IA for Industry » à destination des start-ups et des petites entreprises. Pour la mise en place de ce challenge, les partenaires de la chaire ont été sollicités pour proposer des cas d’usage (données et question d’étude).
Michelin a proposé un cas d’étude sur l’estimation de l’usure de pneus et la localisation dans une image d’un témoin d’usure à partir d’une base d’images. Un cas d’usage sur la prédiction des validations des tickets dans plusieurs grandes gares parisiennes a été proposé par la SNCF à partir de données disponibles en opensource de Transilien.

Mathématiques et Intelligence Artificielle

Le CMLA, aujourd’hui Centre Borelli, a été un des pionniers de la recherche en mathématiques pour l’intelligence artificielle en hébergeant l’équipe de recherche de Robert Azencott en 1993 et la création du MVA en 1996. Pour rendre hommage à une personnalité scientifique exceptionnelle, un colloque en son honneur a été organisé en juin 2019. Ce colloque a rassemblé pendant 2 jours plus de 120 chercheurs sur le site de l’ENS Paris-Saclay. Les discussions autour de la table ronde qui rassemblait chercheurs du milieu académique et de l’industrie ont été retranscrites et seront publiées en 2020.

Forte de cette légitimité, la chaire IDAML est active dans l’organisation de la journée « Mathématiques et Intelligence Artificielle », organisée par les deux fondations mathématiques de la région parisienne (FMJH, FSMP). Cette journée aura lieu le 5 mars 2020 au muséum d’histoire naturelle. Un point remarquable à souligner est la participation à cette journée de tous les acteurs de la région parisienne travaillant autour des mathématiques et de l’IA (fondations centre 3IA, chaires…).