Description of the laboratory skills (Lab'InSight Artificial Intelligence Business intelligence / Datamining 30/05/2011)

1. 1Bruxelles – 30 mai 2011
POLE-TI
UMONS, Mons
Dr. Stéphane Dupont
Coordinateur Adjoint
Lab’Insight « Intelligence Artificielle » -
Datamining et Business Intelligence, Bruxelles, le 30 mai 2011

2. 2Bruxelles – 30 mai 2011
EN QUELQUES CHIFFRES
 Personnel (63ETP): 17 enseignants, 14 assistants, 13 boursiers, 51 chercheurs avec
contrat,
 Production (2009-2010): près de 200 publications dont 32 articles de revues
internationales, 9 chapitres d'ouvrages, 125 articles de conférences avec comité de
lecture,
 Propriété Intellectuelle: > 10 brevets internationaux, notamment dans les domaines du
traitement de la parole et de la photonique.

3. 3Bruxelles – 30 mai 2011
QUELQUES DOMAINES TRANSVERSAUX
• NUMEDIART – programme régional, formation et recherche dans le domaine
des technologies des arts numériques, et capitalisant sur la dynamique
enclenchée dans le cadre de MONS 2015.
• DIYSE - projet européen dans le cadre Eureka ITEA2,
"Do-it-Yourself Smart Experiences" développe des
technologies et des services autour de l'internet des
objets et des environnements intelligents.
• GREENRAIL – projet régional, mise au point d'un système de gestion temps-
réel du système ferroviaire en vue de l'optimisation de la consommation
énergétique.
• LOCOTRAC - projet régional, sécurité des lignes ferroviaires régionales et
locales, et en particulier développement du réseau telecom/telealim
Logistique et transports
Interaction, media, et arts numériques

4. Domaines de compétences
• Modélisation de séries temporelles et signaux complexes
• Interaction homme-machine
• Gestion de contenu
• Recherche opérationnelle
• IT for green
• Temps-réel et optimisation
Secteurs d’activité potentiellement intéressés
• Industries culturelles et créatives
• Logistique et transports
• Production
4Bruxelles – 30 mai 2011
DOMAINES DE COMPÉTENCES
ET CIBLES INDUSTRIELLES

5. 5Bruxelles – 30 mai 2011
Technologies vocales/audioTechnologies vocales/audio
Deux facettes
 Mise en œuvre de techniques de data mining variées sur des volumes
important de données, socle de l’apprentissage automatique:
 Audio, plusieurs centaines, voire milliers d’heures; texte, plusieurs milliards de mots, ou
plus.
 Spécificités UMONS POLE-TI dans:
 différentes architectures de Réseaux de Neurones Artificiels (RNA) pour la classification.
 une modélisation des mécanismes d’attention humaine.
 Reconnaissance vocale, et plus généralement audio, rendent possible le data
mining de contenu audiovisuel.
Projets
 RW IRMA (06-08) - Interface de Recherche Multimodale dans le contenu Audiovisuel.
Reconnaissance vocale facilitant la recherche dans des archives audiovisuelles.
 EUREKA SERKET (06-08) - Securisation Keeps Threats Ahead.
Data mining de données de video et audio-surveillance, détection d’anomalies.

6. 6Bruxelles – 30 mai 2011
Technologies pour le contenu
multimedia
Technologies pour le contenu
multimedia
Problématiques
 Intelligence artificielle pour l’analyse de contenu audiovisuel et 3D
 Scalabilité du système de base de données, spécificité du multimedia
Examples
 Data mining sur base de mesures des mouvements et de gestuelle de
danseurs, et interface de recherche visuelle dans ce contenu.
 Analyse et groupement de sons similaires, et interface de
recherche/création musicale innovante.
Projets
 RW NUMEDIART (07-13) – Programme de recherche sur les technologies des arts
numériques.
Clustering, classification, recherche par similarité, outils pour production.
 RW NAVIMED (06-08) – Navigation intuitive dans les données médicales.
Clustering de cas, sur base de recherche dans le texte, et dans l’image.

7. 7Bruxelles – 30 mai 2011
Optimisation & Aide à la décisionOptimisation & Aide à la décision
Méthodes
 Aide à la décision et optimisation en présence de critères
multiples
 Heuristiques et métaheuristiques pour l’optimisation approchée
 Modélisation des imprécisions et des préférences: logique floue,
contraintes flexibles
 Classification
Examples
 Optimisation, de la production en particulier
 Tuyttens D, Vandaele A. "Using a greedy random adaptative search procedure
to solve the cover printing problem." Computers & Operations Research.
2010;37(4):640-648.
 Teghem J, Souai N. "Genetic algorithm based approach for the integrated airline
crew-pairing and rostering problem." European Journal of Operational
Research. 2009;199(3):674-683.
 Javier Roca, Etienne Pugnaghi and Gaëtan Libert. “Solving an Extended
Resource Leveling Problem with Multiobjective Evolutionary Algorithms.”
World Academy of Science, Engineering and Technology 46. 2008.
 Optimisation énergétique

8. 8Bruxelles – 30 mai 2011
Optimisation énergétiqueOptimisation énergétique
Projet GreenRAIL
 Pôle de compétitivité « Logistics in
Wallonia », plan MARSHALL appel 3
 Gestion du parcours pour
l’optimisation des ressources
énergétiques
 Coordinateur: ALSTOM Belgium, 7
partenaire
 Rôle du Pôle TI: Solutions
d’optimisation heuristiques et meta-
heuristiques

9. 9Bruxelles – 30 mai 2011
Calcul parallèleCalcul parallèle
Méthodes informatiques
 cadres théoriques et modèles solides
 hypothèses et heuristiques nécessaires pour les mettre en
pratique
 optimisation poussée et emploi des architectures de calcul
actuelles
Très pertient dans le cadre de « data mining » sur de vastes
volumes de données
Calcul haute performance
 Puces multi-coeurs, même pour les systèmes embarqués
 Accélérateurs graphiques (GPGPU – General Purpose Computation
on Graphics Processing Units)
 Grilles de calcul et « cloud computing »

10. Exemples
→Etudes de faisabilité, ou projets de R&D ciblés, parfois par le biais de
thèses de master.
→Recherche industrielle: par exemple data mining de signaux de toux
avec société développant des produits de monitoring médical à domicile,
en cours.
→Recherche à long-terme, par exemple par thèses de doctorat
cofinancées entreprise-université: plusieurs en cours, notamment avec
Acapela Group, et avec EVS.
→Protection de la propriété intellectuelle par prise de brevet.
→Aide pour l'accès aux programmes de recherche et d'innovation
régionaux, et européens, y compris constitution d'un consortium.
→Outils logiciels variés, parfois open source (ne pas réinventer la roue).
10Bruxelles – 30 mai 2011
SERVICES A L’ENTREPRISESERVICES A L’ENTREPRISE

11. Equipements
11Bruxelles – 30 mai 2011
SERVICES A L’ENTREPRISESERVICES A L’ENTREPRISE
Tests couche physique
pour transmissions
numériques jusqu’à
10 Gb/s.
Capture de
mouvement "full-
body", technologie
inertielle sans fil.
Cluster pour le calcul
haute performance
parallèle sur CPU et
GPU.
Salle blanche et
équipements pour la
recherche en photonique
et réseaux de Bragg. Laser
femtoseconde. Inscription
point par point.
Laboratoire et outils
pour la conception et
la certification en
micro-électronique.

12. 12Bruxelles – 30 mai 2011
CONTACTS LABO
Prof. Joël Hancq
Professeur, Coordinateur Pôle-TI
Joel.hancq@umons.ac.be - Phone : +32 65 37 47 30
Dr. Stéphane Dupont
Coordinateur Adjoint Pôle-TI
Stephane.dupont@umons.ac.be - Phone : +32 65 37 47 39
Université de Mons
POLE-TI
31, Bvd. Dolez – B-7000 Mons
http://www.umons.ac.be/poleti