On présentera comment il est possible d'optimiser un système

Dans cet exposé, nous nous intéressons aux modèles aléatoires de réseaux sociaux. L’objet mathématique pour modéliser un réseau étant le graphe, nous présenterons différents modèles de graphes aléatoires et d'algorithmes de simulation de graphes, et nous étudierons certaines caractéristiques de réseau dans ces modèles, comme la densité d’arêtes ou de triangles, les degrés des nœuds ou le diamètre d’un graphe. Nous souhaitons en particulier identifier les propriétés caractéristiques d’un réseau social.

Les méthodes de planification de trajectoires permettent de trouver le chemin le plus court, le plus économique et le plus sûr en évitant des obstacles pour qu’un véhicule autonome (ex UAV) rallie une position d’arrivée connaissant sa position de départ. La planification de trajectoires nécessite en général de disposer de connaissances préalables sur l’environnement d’évolution. Cette information peut être représentée de différentes manières, notamment sous forme de grilles ou d'espaces d'état, elle peut être disponible a priori ou évoluer au cours du temps. En fonction de ces différentes représentations, on présentera les structures classiques d’algorithmes associés et une analyse de leurs avantages et inconvénients.

Étant donné une distance à courir, du 100 m au 10 000 m, on se pose la question de comment répartir son effort pour faire le meilleur temps. Nous présenterons tout d'abord le modèle qui repose sur le principe fondamental de la dynamique, la conservation de l'énergie et la théorie du contrôle moteur car l'humain a un cerveau qui contrôle le mouvement. Cela conduit à un système d'équations différentielles couplées sur la vitesse, la force de propulsion et l'énergie pour lesquels on a un contrôle et on veut minimiser le temps final. Nous expliquerons la mise en œuvre numérique de la résolution du problème. Puis nous verrons comment à partir de données de course de champions (Femke Bol sur 400m et Ingerbrigsten sur 1500m), on identifie les paramètres physiologiques du problème et on en tire des informations sur les stratégies de course.

Les mécanismes de reconstruction élaborés par le système auditif humain lors de la reconstruction sonore font encore débat. Le but de cette étude est de proposer un modèle mathématique de reconstruction sonore basé sur l'architecture fonctionnelle du cortex auditif (A1). Le modèle s'inspire de la modélisation géométrique de la vision, qui a connu un grand développement au cours des dix dernières années. Il existe cependant des dissemblances fondamentales, dues au rôle spécifique joué par le temps et aux différents groupes de symétries. L’algorithme transforme le son dégradé en une « image » dans le domaine temps-fréquence via une transformée de Fourier. Cette image est ensuite relevée au groupe de Heisenberg et reconstruite via une équation intégro-différentielle de Wilson – Cowan. Des expériences numériques préliminaires seront proposées, montrant les bonnes propriétés de reconstruction de l'algorithme sur des sons synthétiques concentrés autour de deux fréquences.

La recherche Monte-Carlo est une famille d'algorithmes généraux de recherche. Ils ont de nombreuses applications dans différents domaines. C'est l'état de l'art dans les jeux à information parfaite et imparfaite. D'autres applications incluent le problème de pliage inverse de l'ARN, la logistique, l'alignement de séquences multiples, les jeux généraux, les puzzles, le packing, la recherche coopérative de chemins, les tests de logiciels et la vérification heuristique de modèles. Ces dernières années, de nombreux chercheurs ont exploré différentes variantes des algorithmes, leurs relations avec l'apprentissage par renforcement profond et leurs différentes applications. L'exposé donnera un aperçu général de la recherche de Monte Carlo et de ses applications.

Dans cette présentation, nous aborderons les outils de la théorie des systèmes dynamiques et du traitement du signal pour modéliser, simuler mais aussi analyser les sons musicaux.

Alors que l'IA est de plus en plus utilisée au sein des entreprises, elle soulève de nombreuses questions éthiques comme les discriminations, l'atteinte à la vie personnelle ou encore le manque d'interprétabilité. Cette conférence abordera les enjeux éthiques de l'IA en expliquant les sources de biais des modèles de Machine Learning. Nous verrons comment mesurer de manière probabiliste les biais de l'IA. Nous présenterons également des méthodes pour corriger les IA. Nous finirons enfin par une démonstration avec l'outil Giskard de tests éthiques d'algorithme d'IA en production.