Science des données pour les systèmes complexes

 
""

L'équipe Science des données pour les systèmes complexes du Conseil national de recherches du Canada (CNRC) collabore avec l'industrie et le gouvernement pour analyser les données recueillies par les systèmes techniques complexes que l'on trouve dans les véhicules, les bâtiments, les réseaux d'électricité et les entreprises de fabrication de pointe. À partir des données temporelles et spatiales recueillies par les capteurs, elle est en mesure de modéliser la performance du système en question, d'en jauger le fonctionnement, de déterminer les conditions anormales et de prévoir les pannes.

Nous poursuivons aussi des recherches multidisciplinaires, seuls ou avec les universités, afin de faire progresser le savoir dans les domaines de l'apprentissage machine et de l'intelligence artificielle. L'objectif est de doter l'ordinateur d'une intelligence à long terme, c'est-à-dire d'amener l'intelligence artificielle à expliquer les bases et les mécanismes d'apprentissage machine et de prise de décisions qui lui sont propres, un domaine baptisé « l'explicabilité » qui connaît une expansion phénoménale avec l'intégration de l'intelligence artificielle à la vie de tous les jours.

Ce que nous offrons

L'équipe a ses pénates au Centre de recherche en technologies numériques du CNRC. Voici un aperçu de ses principales compétences et des techniques qu'elle emploie.

  • Intelligence artificielle
  • Raisonnement fondé sur l'expérience ou des règles
  • Classification et regroupement
  • Filtrage collaboratif
  • Forage et analyse de données
  • Apprentissage profond
  • Moteurs d'inférence
  • Extraction de l'information
  • Apprentissage machine
  • Connaissance du langage naturel
  • Modélisation numérique
  • Recherches opérationnelles
  • Systèmes de recommandation
  • Systèmes articulés sur des règles
  • Analyse statistique

Applications de notre recherche

  • Conception et développement de matériaux
  • Entretien anticipé, disponibilité et durée de vie du matériel et des systèmes techniques
  • Optimisation des chaînes d'approvisionnement et des transports

Autres secteurs auxquels les recherches de l'équipe contribuent

  • Systèmes d'exploration de l'espace lointain
  • Diagnostic médical
  • Systèmes de gestion des effectifs et des apprentissages

Pourquoi collaborer avec nous

""

Nos experts cumulent une vingtaine d'années d'expérience dans l'analyse des ensembles volumineux de données venant des systèmes techniques complexes. Ils renseignent leurs collaborateurs de l'industrie et du gouvernement pour les aider à réduire le coût global de l'utilisation de l'équipement et à améliorer la disponibilité de ce dernier.

Au niveau de la recherche fondamentale, l'équipe souhaite collaborer avec des groupes qui partagent des intérêts dans les domaines que voici :

  • élaboration de nouveaux algorithmes pour l'apprentissage à long terme : composer avec l'évolution des concepts et transférer les résultats de l'apprentissage d'une tâche à une autre;
  • exploitation du savoir humain : exploiter les connaissances humaines dans le cadre de modèles formels, mettre à jour ou former de nouveaux modèles de type similaire, expliquer les modèles de boîte noire, raccourcir le processus de conception.

Composition de l'équipe

  • Al-Digeil, Muhammad
  • Belacel, Nabil (Ph. D.)
  • Bellinger, Colin (Ph. D.)
  • Buffett, Scott (Ph. D.)
  • Drummond, Christopher (Ph. D.)
  • Durand, Guillaume (Ph. D.)
  • Grinberg, Yuri (Ph. D.)
  • Guo, Harry (Ph. D.)
  • Regoui, Chaouki (Ph. D.)
  • Scarlett, Elizabeth
  • Valdes, Julio (Ph. D.)
  • Yang, Chunsheng (Ph. D.)

Contactez-nous

Vous aimeriez profiter de nos connaissances en science des données ou collaborer avec nous sur un projet de recherche? Appelez un de nos experts sans tarder!

Guillaume Durand, Chef d'équipe, Science des données pour les systèmes complexes
Téléphone : 506-861-0961
Courriel : Guillaume.Durand@nrc-cnrc.gc.ca

Publications

  • Long short-term memory over recursive structures (en anglais seulement)
  • C4.5, Class Imbalance, and Cost Sensitivity: Why Under-Sampling beats OverSampling. (en anglais seulement)
  • Belacel, N. Multicriteria Assignment Method PROAFTN: Methodology and Medical Application. European Journal of Operational Research (125), pp. 175-83, 2000.
  • Belanche, L., Valdés, J.J., Comas, J., Roda, I. et Poch, M. Prediction of the bulking phenomenon in wastewater treatment plants. Artificial Intelligence in Engineering, 14 (4), pp. 307-317, 2000.
  • Guo, H. et Viktor, H.L. Learning from imbalanced data sets with boosting and data generation: the DataBoost-IM approach. SIGKDD Explorations, 6, pp. 30-39, 2004.