Veuillez choisir le dossier dans lequel vous souhaitez ajouter ce contenu :
Colloque
Membre a labase
Martin Otis : UQAC-Université du Québec à Chicoutimi
L’ingénierie utilise la modélisation pour représenter une simplification d’un phénomène physique, dont le modèle résultant répond à des règles, des lois et des critères de performance autour d’un point d’opération. Ces modèles sont utilisés pour la conception des processus contrôlés permettant la transformation d’une matière en valeur ajoutée de manière prévisible et reproductible. L’ingénierie doit légalement expliquer toutes les sorties et dans le cas d’une erreur ou un incident de fonctionnement, démontrer la source de l’erreur ou de l’incident, sa cause et être en mesure de les reproduire par des simulations. Afin d’assurer une acceptabilité, les modèles non-explicables doivent supporter ce processus ou au moins ne pas nuire à ce processus ou aider à prévoir les erreurs potentielles et doivent donc répondre à des hypothèses claires et précises, tout en respectant les processus d’audit. En ce sens, il est évident que la mesure de la qualité d’une explication sur un modèle est difficilement acceptée considérant les risques légaux et éthiques. Certaines opportunités sont donc plus favorables à l’utilisation des modèles non-explicables et cette présentation suggèrera une méthodologie favorisant leurs applications tout en respectant le caractère prévisible, reproductible et transparent des processus contrôlés.
L’apprentissage profond a permis plusieurs avancées dans des domaines historiquement difficiles tels que la classification des images. Cependant, peu de ces progrès ont été intégrés aux produits et aux processus. En effet, la plupart des résultats n’ont pas été appliqués à l’ensemble des problèmes qu’ils peuvent résoudre.
Dans ce colloque, nous nous intéressons à deux secteurs, le génie logiciel et la numérisation des processus industriels, qui sont à première vue très éloignés, mais qui en réalité peuvent être très proches quant à l’expérience de l’application de l’apprentissage profond à leurs problématiques.
Dans le domaine du génie logiciel, selon une analyse des articles publiés, l’apprentissage profond a été exploité pour aider les développeurs dans plusieurs tâches du génie logiciel, telles que la synthèse des programmes ou la prévision des défauts.
L’augmentation de la valeur ajoutée des produits et l’atteinte de l’excellence opérationnelle des processus sont entre autres les effets positifs de l’utilisation de l’apprentissage profond pour la numérisation en industrie. Plusieurs applications illustrent ces effets, comme la maintenance prédictive et la prise de décision en temps réel. Ces applications présentent des opportunités, mais aussi des défis. L’automatisation intelligente des processus par l’intermédiaire de la mécatronique a contribué à l’émergence de l’industrie 4.0.
L’avènement de l’apprentissage profond, les avancées de celui-ci et la démocratisation des outils utilisés dans le domaine ont suscité un grand intérêt, mais n’ont pas donné de résultats convaincants pour le génie logiciel ni pour le développement de solutions pouvant être moins coûteuses, par exemple dans le monde de l’industrie.
Ces dernières années, de grands investissements ont été consentis pour intégrer les progrès de l’apprentissage profond dans de nouveaux produits. Cependant, il est clair que plusieurs secteurs ont été délaissés, car le rendement de l’investissement semble moins prometteur.
Ce colloque, organisé par le Laboratoire de recherche en génie logiciel et en intelligence artificielle (GLIA) de l’UQAR, offrira une occasion exceptionnelle de :
Thème du congrès 2021 (88e édition) :
Thème du colloque :
Date :
4 mai 2021
Titre du colloque :
Thème du colloque :
Responsables :
