Slides de la réunion GDN16 du 11/04/2016

Grands Défis du Numérique 2016
Lundi 11 avril 2016, Inria de Paris
1
Programme
 15h45 - Mot d’accueil, Isabelle Ryl, Inria de Paris
 15h55 - Présentation des présélectionnés de la vague 1
animée par Johan d’Hose, Systematic Paris Région
 16h15 - Présentation de l’appel GDN 2016, Laurent Rojey, CGI
 16h30 - Table ronde sur l’intelligence artificielle animée par
Philippe Roy, Cap Digital. Avec :




Yann Lechelle, Snips
Yann LeCun, Facebook
Tony Pinville, Heuritech
Jean Ponce, ENS et Inria
 17h15 - Discours d’Axelle Lemaire, Secrétaire d’Etat au
Numérique
17h30 – 17h45 : Pause
 17h45 - Séance d’émergence, animée par Cap Digital et
Systematic
2
Isabelle Ryl
Directrice de Inria de Paris
3
Présentation des présélectionnés de la vague 1 des
« Grands défis du numérique »
Animée par Johan d’Hose, Responsable du Service Innovation
Systematic Paris Région
4
Les 5 projets présélectionnés
Projet
OSTV
ARMS
CONDOR
RISQ
SPOGEM
Porteurs
Amarisoft, Nexedi, AW2S, BJT
Partners, Splitted Desktop
Systems, Université Paris 7
Air France Industries, Laster
Technologies, Diotasoft, CEA
Description
Equipements de
télécommunications Open source
IRT b<>com, IHU Alsace,
Harmonic / Thomson Video
Networks, IRCAD, INSERM /
LTSI, UNISTRA / ICube,
Medtronic / IHS
Large consortium mené par
Secure-IC
Réseaux optimisés pour le bloc
opératoire
NewGeneration SR, ENS Lyon,
Inria, CNRS, GRDF
Réalité augmentée pour les
services de maintenance
Rassemblement de l’industrie
française pour la sécurité postquantique
Génération intelligente d’énergie
pour les centres de données
5
OSTV : Equipements de télécommunications
open source
Amarisoft, Nexedi, AW2S, BJT Partners, Splitted
Desktop Systems, Université Paris 7
6
ARMS : Réalité augmentée pour les services
de maintenance
Air France Industries, Laster Technologies,
Diotasoft, CEA
10
Programme Investissement d’Avenir - Plan Réalité Augmentée
Projet ARMS
ARMS
Augmented Reality For Maintenance Services
« Making Maintenance Services Easier, Faster, Safer »
Programme d’Investissements d’Avenir
11
Plateforme de Réalité Augmentée ARMS
Projet ARMS
Exemple d’un futur casque de réalité augmentée
dédiée à l’industrie
Programme d’Investissements d’Avenir
12
Retombées économiques : Applications
•
Projet ARMS
Exemples d’applications de la Lunette de Réalité augmentée ARMS
Programme d’Investissements d’Avenir
13
CONDOR : Réseaux optimisés pour le bloc
opératoire
IRT b<>com, IHU Alsace, Harmonic / Thomson
Video Networks, IRCAD, INSERM / LTSI, UNISTRA /
ICube, Medtronic / IHS
14
La chirurgie, un enjeu sociétal majeur
France :
• 8.000 blocs
• 6,5 millions d’opérations chirurgicales par an
• 63 à 92 milliers d’erreurs graves (EIG)  200 M€
comparé à l’aviation et ses 120 accidents dans le monde
Chirurgie :
Check list
« Boite noire »
« Tour de contrôle »
« standard de
communication »
13/04/2016
11/04/2016
/ 15
du studio TV à la salle d’opérations chirurgicales
les studios TV évoluent du point à point au tout IP
Capacité x 15
Prix / 2
 nouveau standard de vidéo médicale temps-réel
mi-2016
à
mi-2019
Encodeur 4K
medical ultra
basse latence
Analyse
automatique,
alertes, RA
Supervision,
flux patient
compte rendu
Reconnaissanc
e, terminologie
télémonitorage
SP1
SP2
SP3
SP4
Equipement
Réduire les erreurs grâce à la tour de contrôle
chirurgicale
Salle d’opération
Service de chirurgie
11/04/2016
13/04/2016
Formation
/ 16
RISQ : Sécurité numérique post-quantique
Large consortium mené par Secure-IC
17
RISQ
 Cryptographie : un maillon essentiel
 Le basculement quantique
de l’économie numérique
 Normalisation post-quantique en marche
 Standard outil de conquête du marché
18
EUROPE I APAC I AMERICAS I www.secure-ic.com I [email protected]
RISQ
 Création d’une filière en sécurité numérique post-quantique
ANSSI
Partenaires extérieurs
19
EUROPE I APAC I AMERICAS I www.secure-ic.com I [email protected]
RISQ
 Une feuille de route pour préparer la transition et non la subir
Produit
Grand public
Candidatures
standards
Appel à
candidats
2016
Développement
techno
Intégration marché
Produit (niche)
Entrée en vigueur
RISQ
Standard
Fin des
candidatures
Normalisation
Draft de standard
Maturité du marché
2017
2018
2019
2020
Axe 4 : « faire de la sécurité numérique un
avantage concurrentiel pour les entreprises
françaises »
20
EUROPE I APAC I AMERICAS I www.secure-ic.com I [email protected]
SPOGEM : Génération intelligente d’énergie pour
les centres de données
NewGeneration SR, ENS Lyon, Inria, CNRS, GRDF
21
Grands Défis Numériques 2016
Laurent Rojey, Directeur du programme Économie Numérique,
Commissariat Général à l’Investissement
22
Programme d’investissements d’avenir
Grands défis du numérique
Laurent Rojey
Directeur de programme « économie numérique »
Commissariat général à l’investissement
11 avril 2016
Sélectionner et soutenir des projets associant
des partenaires aux compétences complémentaires
afin de développer des solutions nouvelles
s’appuyant sur les technologies numériques
24
Soutenir des projets ambitieux
dans le domaine numérique
•
Investissement de R&D de 5 à 10 millions d’euros sur 2 à 3 ans soutenu en
subventions et avances remboursables à un taux de 30% à 50% suivant la nature du
partenaire (PME, start-up, ETI, grande entreprise, laboratoire public)
•
3 axes prioritaires :
– Digitalisation du réel (usine du futur, impression 3D, virtualisation, objets
connectés, simulation numérique…)
– Economie de la data (outils big data et leurs applications …)
– Economie de la confiance (cybersécurité, biométrie, blockchain…)
25
Que recherche-t-on ?
Un défi bien identifié
Qui débouche sur une solution à un problème plutôt que la description d’une thématique large
Un potentiel économique réel à l’issue du projet
Qui s’exprime au travers d’un produit ou service commercialisable par l’un ou plusieurs des partenaires
Un partenariat de qualité
Quelques partenaires réellement impliqués plutôt qu’un consortium pléthorique
26
Processus de sélection
•
Un processus de sélection en trois phases :
– Phase 1 : pré-sélection (évaluation écrite+auditions) sur la base d’un pré-dossier
– Phase 2 : remise des dossiers complets
– Phase 3 : instruction et décision finale de financement
•
Vague 1 : dépôt des dossiers complets (phase 2) : le 11 avril 2016 (aujourd’hui)
•
Vague 2 : relève des pré-dossiers (phase 1) : le 31mai 2016
•
Vague 3 : d’ici fin 2016
27
Grands Défis de
l’Intelligence Artificielle
Table ronde avec :
 Jean Ponce, ENS et Inria
 Yann Lechelle, COO, Snips
 Tony Pinville, CEO, Heuritech
 Yann LeCun, Directeur de Facebook AI Research
Et animée par Philippe Roy, Délégué Adjoint, Cap Digital
28
Jean Ponce
Professeur, Ecole Normale Supérieure / PSL Research University
Directeur du Département d'Informatique de l'ENS (ENS/CNRS/Inria UMR 8548)
Responsable de l'équipe-projet WILLOW commune à l'ENS, à l'Inria et au CNRS
29
Les défis de l’intelligence artificielle pour l’économie
Intelligence artificielle (“IA”)
[1956-1990s]
Apprentissage
Jeux
Robotique
Langage
Parole
Vision
Planification
Preuves
Jean Ponce
Département d’informatique de l’ENS
ENS/CNRS/Inria UMR 8548, PSL
Raisonnement
Les défis de l’intelligence artificielle pour l’économie
Intelligence artificielle (“IA”)
Apprentissage
Jeux
Langage
Robotique
Parole
Vision
Planification
Preuves
Aujourd’hui
Raisonnement
2000—2010—
• Puissance de calcul
• Masse de données
• Progrès méthodologiques et scientifiques
Les défis de l’intelligence artificielle pour l’économie
Intelligence artificielle (“IA”)
Apprentissage
Jeux
Langage
Robotique
Parole
Vision
Planification
Preuves
Raisonnement
Aujourd’hui Demain
2000—2010—
—
• Puissance de calcul
• Masse de données
• Progrès méthodologiques et scientifiques
?
Une explosion des applications industrielles
Qui ?
• Amazon, Apple, Dropbox, Facebook, Fedex, Google,
IBM, Microsoft, Nvidia, Qualcomm, Tesla,Twitter,
Uber, Yahoo!, etc.
• Orange, PSA, Renault, Sagem, Technicolor, Thales, etc.
• PME innovantes : Criteo, DXO, Morpho, Parrot, etc.
• Start-up (OK, biais personnel) : Deepomatic, Iconem,
Regaind, Solidware, etc.
Quoi ?
• Accès intelligent aux données multimédia
• Imagerie 2D et 3D
• Logistique
• Placement de publicités
• Prédiction financière
• Systèmes de question/réponse
• Véhicules autonomes, etc.
Défis scientifiques
Exemples :
• Dépasser l’apprentissage supervisé classique
• Dépasser les boites noires (réseaux convolutifs)
pour modéliser et raisonner
• Développer des systèmes fiables malgré l’incertitude
• Développer des systèmes respectant la vie privée
• Passer à l’échelle
• Etc.
Ne pas oublier :
• L’IA est à l’interface de plusieurs disciplines
scientifiques, de l’informatique, les mathématiques
et les statistiques à l’archéologie, la biologie et
l’environnement par exemple
• La machine intelligente est encore loin
Défis concrets
• Ne pas se leurrer : la technologie n’est pas assez
mûre pour se passer de la recherche publique
• Former les chercheurs et les ingénieurs qui vont
construire l’IA de demain
• Développer des relations « gagnant-gagnant » entre
la recherche publique et l’industrie
• Aller plus loin : Dyson (5M£ en robotique à Imperial
College),Toyota ($1B dans la robotique et l’IA),
Foxconn (>50K robots déployés en Chine)
• Explorer les applications hors Facebook, Google, etc.
• Développer le tissu nécessaire pour construire l’IA de
demain en France
Yann Lechelle
COO, Snips
36
Tony Pinville
CEO, Heuritech
66
ARTIFICIAL INTELLIGENCE APPLIED
TO BUSINESS ISSUES
Tony Pinville, CEO - [email protected] - heuritech.com - @heuritechdata
ARTIFICIAL INTELLIGENCE APPLIED
TO BUSINESS ISSUES
Tony Pinville, CEO - [email protected] - heuritech.com - @heuritechdata
Yann LeCun
Directeur de Facebook AI Research
76
Les Progrès et
Les Enjeux
De L'intelligence Artificelle
Yann Le Cun
Facebook AI Research
Center for Data Science, NYU
Courant Institute of Mathematical Sciences, NYU
http://yann.lecun.com
Y LeCun
Convolutional Network (vintage 1990)
Y LeCun
Filters-tanh → pooling → filters-tanh → pooling → filters-tanh
Y LeCun
Deep Convolutional Nets for Object Recognition
1 to 10 billion connections, 10 million to 1 billion parameters, 8 to 20
layers.
Deep Learning = Learning Hierarchical Representations
Y LeCun
It's deep if it has more than one stage of non-linear feature transformation
Low-Level
Mid-Level
High-Level
Trainable
Feature
Feature
Feature
Classifier
Feature visualization of convolutional net trained on ImageNet from [Zeiler & Fergus 2013]
DeepMask: ConvNet Locates and Recognizes Objects
[Pinheiro, Collobert,
Dollar ICCV 2015]
ConvNet
produces
object masks
and categories
Y LeCun
Image Recognition
Y LeCun
Image Recognition
Y LeCun
Image Recognition
Y LeCun
Image Recognition
Y LeCun
Image Recognition
Y LeCun
Image Recognition
Y LeCun
Image Recognition
Y LeCun
Image Recognition
Y LeCun
The Deep Learning Revolution
Y LeCun
Speech Recognition
Image & Video Understanding
Natural Language Understanding
Language Translation
All using combinations of Convolutional
Nets and Recurrent Nets.
Scene Parsing/Labeling
No post-processing
Frame-by-frame
Y LeCun
VIDEO: SCENE PARSING
ConvNet runs at 50ms/frame on Virtex-6 FPGA hardware
But communicating the features over ethernet limits system
performance
[Farabet et al. ICML 2012, PAMI 2013]
NVIDIA: ConvNet-Based Driver Assistance
Drive-PX2: Open Platform for Driver Assistance
Embedded Super-Computer: 42 TOPS
( =150 Macbook Pros)
Y LeCun
MobilEye: ConvNet-Based Driver Assistance
Deployed in the latest
Tesla Model S and Model X
Y LeCun
Brain Tumor Detection
[Havaei et al. 2015]
Arxiv:1505.03
540
InputCascadeCNN
architecture
802,368
parameters
Trained on 30
patients.
State of the art
results on
BRAT2013
Y LeCun
Predicting DNA/RNA – Protein Binding with ConvNets
Y LeCun
“Predicting the sequence specificities of DNA- and RNA-binding proteins by
deep learning” by B Alipanahi, A Delong, M Weirauch, B Frey,
Nature Biotech, July 2015.
Y LeCun
Natural Language Processing
with
Memory-Augmented
Neural Nets
Augmenting Neural Nets with a Memory Module
Y LeCun
Recurrent networks cannot remember things for very long
The cortex only remember things for 20 seconds
We need a “hippocampus” (a separate memory module)
LSTM [Hochreiter 1997], registers
Memory networks [Weston et 2014] (FAIR), associative memory
Stacked-Augmented Recurrent Neural Net [Joulin & Mikolov
2014] (FAIR)
NTM [DeepMind 2014], “tape”.
Recurrent net
memory
Differentiable Memory
Y LeCun
Like a “soft” RAM circuit
Sum
Or a “soft” hash table
Stores Key-Value pairs (Ki,Vi)
Values Vi
=
e
Coefficients Ci
Softmax
∑ e
Keys Ki
=
Dot Products
Input (Address) X
Memory/Stack-Augmented Recurrent Nets
Y LeCun
[Joulin & Mikolov, ArXiv:1503.01007]
Stack-augmented RNN
[Sukhbataar, Szlam, Weston, Fergus NIPS
2015]
ArXiv:1503.08895]
Weakly-supervised MemNN:
discovers which memory location to
use.
Y LeCun
Memory Network [Weston, Chopra, Bordes 2014]
Add a short-term memory to a network
http://arxiv.org/abs/1410.3916
Results on
Question Answering
Task
Near Future
Y LeCun
Question Answering
Dialog Systems, virtual assistants
Driving Assistance, self-driving cars
Medical diagnosis assistance
Automated medical experts that can read the medical literature
And answer any question
Specialized and largely non-autonomous systems.
You car will drive you better than you.
We are (very) far from human-level general AI.
Y LeCun
Obstacles to Progress
in
Artificial Intelligence:
Three Types of Learning
Y LeCun
Reinforcement Learning
The machine predicts a
scalar reward given once in a
while.
A few bits for some samples
Supervised Learning
The machine predicts a
category or a few numbers
for each input
10→10,000 bits per sample
Unsupervised Learning
The machine predicts any
part of its input for any
observed part.
Predicts future frames in
PLANE
CAR
How Much Information Does the Machine Need to Predict?
Y LeCun
Reinforcement Learning (cherry)
The machine predicts a scalar
reward given once in a while.
A few bits for some
samples
Supervised Learning (icing)
The machine predicts a
category or a few numbers for
each input
10→10,000 bits per
sample
Unsupervised Learning (cake)
The machine predicts any
part of its input for any
observed part.
Common Sense through Unsupervised Learning
Y LeCun
Learning a predictive model of the world gives us common sense.
If I say: “John picks up his bag and leaves the room”
You can infer:
John stood up, extended his arm, walked towards the door,
opened the door, walked out.
He and his bag are not in the room anymore.
He probably didn't dematerialize of fly out.
Y LeCun
Learning Simple Physics
With Predictive Learning
[Lerer, Gross, Fergus arXiv:1603:01312]
Learning Physics (PhysNet)
Y LeCun
[Lerer, Gross, Fergus arxiv:1603.01312]
ConvNet produces object masks that predict the trajectories
of falling blocks
Uses the Unreal game engine.
Learning Physics (PhysNet)
Y LeCun
[Lerer, Gross, Fergus arxiv:1603.01312]
ConvNet produces object masks that predict the trajectories
of falling blocks
Uses the Unreal game engine.
Learning Physics (PhysNet)
Y LeCun
[Lerer, Gross, Fergus arxiv:1603.01312]
ConvNet produces object masks that predict the trajectories
of falling blocks
Uses the Unreal game engine.
Predictive Unsupervised Learning
Y LeCun
Our brains are “prediction machines”
Can we train machines to predict the future?
Some success with “adversarial training”
[Mathieu, Couprie, LeCun
arXiv:1511:05440]
But we are far from a complete solution.
Discovering Regularities
Y LeCun
LAPGAN & DCGAN:
adversarial training
to generate images.
[Metz, Chintala 2015]
[Denton et al 2015]
Random
Vector
Generator
Network
Fake
Image
Discriminator
Network
Random
Index
Training
Set
Real
Image
Real/
Fake
What Will AI Be Like?
Y LeCun
Human and animal behavior has basic “drives” hardwired by evolution
Fight/flight, hunger, self-preservation, pain avoidance,
desire for social interaction, etc…
Humans do bad things to each other because of these drives (mostly)
Violence under threat, desire for material resource and social
power…
But an AI system will not have these
drives unless we build them into it.
It's difficult to imagine an intelligent
entity without these drives
Although we have plenty of
examples in the animal world
He will we get autonomous AI systems to like us?
Y LeCun
We will build a few basic, immutable, hardwired drives:
To not hurt human and to interact with humans
To crave positive feedback from trusted human trainers
Human trainers will associate rewards with behaviors that make
surrounding humans happy and comfortable.
This is how children
learn how to behave in
society.
Can we prevent unsafe
AI?
Yes, the same way we
prevent unsafe airplanes
and cars.
[from Yael Niv]
How Will Human-Level AI Emerge
Y LeCun
The emergence of human-level AI will not be an “event”.
It will be progressive
It will not happen in isolation
No single entity has a monopoly on good ideas
Advancing AI is a scientific question right now, not a technological
challenge
Formulating unsupervised learning is our biggest challenge
Individual breakthroughs will be quickly reproduced
AI research is a world-wide community
The majority of good ideas will come from Academia
Even if the most impressive applications come from industry
It is important to distinguish intelligence from autonomy
Most intelligent systems will not be autonomous.
Discours d’Axelle Lemaire
Secrétaire d’Etat au Numérique
115
Emergence de projets et présentation
de compétences
lundi 11 avril 2016, Inria de Paris
116
Processus d’accompagnement des pôles
Cap Digital, Systematic, Finance Innovation
117
Cap Digital
118
Cap Digital
Pôle de compétitivité et de transformation numérique
www.capdigital.com
Cap Digital – 3 leviers d’accélération
1er écosystème d’innovation digitale en Europe
MEDIAS
EDUCATION
FORMATION
COMMERCE
DISTRIBUTION
MAISON – VILLE
TRANSPORT
SANTE
BIEN ETRE
ENTREPRISE
ETAT
COMMUNICATION
PUBLICITE
Connexion au 1er écosystème
numérique/innovation
d’Europe
Mobilisation d’expertises
pluridisciplinaires
d’excellence au service de la
stratégie de l’entreprise
TOURISME
www.capdigital.com
Accompagnement au
financement de l’innovation et
au développement et à la
croissance de l’entreprise
Accompagnement R&D Cap Digital
Appel à projets Grands Défis du Numérique 2016
• Hotmail pour poser vos questions et demande de rendez-vous
individuels : [email protected]
• Dépôt des dossiers à Cap Digital pour expertise et
labellisation : mardi 17 mai 2016 à midi
• Envoi des expertises aux porteurs de projets :
semaine du 23 mai 2016
• Dépôt des propositions détaillées sur le site de Bpifrance par les
porteurs de projets et dépôt des attestations de labellisation par
le pôle : mardi 31 mai 2016
Contacts équipe R&D France
 Philippe Roy, Délégué Adjoint
 [email protected]
 Christelle Ayache, Chargée de mission projets R&D et responsable
du marché Santé, Bien-être
 [email protected]
 Camille Coste, Chargée de mission projets R&D
 [email protected]
 Léonard Pommereau, Chargé de mission projets R&D
 [email protected]
Systematic
123
PROCESS DE LABÉLISATION
SYSTEMATIC
CENTRÉ SUR LE LOGICIEL ET LE NUMÉRIQUE ET DES AXES
TECHNOLOGIQUES & MARCHÉS APPLICATIFS
Organisation autour de 9 Groupes
Thématiques avec l’objectif de :
 Poser une vision (technos, marchés, territoires)
 Faire émerger et suivre des projets de R&D
 Animer une communauté
Les Groupes Thématiques sont
constitué de :



PME
Grandes entreprises
Centres de recherche et/ou
d’enseignement supérieur
Gouvernance des Groupes
Thématiques :


Présidence assurée par un industriel
directement impliqué dans les décisions
stratégiques du Pôle
Vice-présidence académique
125
LES RÉSULTATS : LA DYNAMIQUE PROJET
2,75
milliards €
d’effort R&D
525
projets de
R&D
1
milliard €
d’aide
Processus de sélection des projets FSNGDN dans le pôle Systematic
 17/05 : Envoi du 1er draft de l’annexe technique à
l’adresse : [email protected]
 Semaine du 23/05 : Etude des dossiers reçus et retours
des remarques aux porteurs de projets.
 31/05 : Dépôt des pré-propostions auprès de la DGE
 Contacts :
[email protected]
[email protected]
127
Finance Innovation
128
FINANCE INNOVATION
La Finance au service de la croissance et de l’emploi
129
FINANCE INNOVATION
Prise de contact
Label
Dépôt de la
demande de
labellisation
Label Finance Innovation
Instruction du
projet
Présentation au
Comité de
labellisation
Label R&D Collaboratif
Décision du
Comité de
labellisation
Label EIP**
Cible
Projets innovants
Projets R&D collaboratifs
PME innovantes
Critères
Stratégique, Crédible,
Innovant
Stratégique, Crédible,
Innovant, Consortium
Crédibilité face aux
investisseurs privés
Objectifs
Crédibilité ; Visibilité
Financement public (FUI*,
bpifrance, etc.)
Financement privé
Communication
Accompagnement
Aide au montage du projet
Relation avec les financeurs
Accompagnement
Accompagnement
Communication
Mise en relation avec des
investisseurs
Actions du
pôle
130
FINANCE INNOVATION
 Calendrier labellisation
 Envoi d’une Manifestation d’Intérêt: Abstract et consortium
pressenti, partenaires recherchés, budget si possible – Dès que
possible - date limite: 02/06/2016
 Remise au pôle du dossier: Semaine du 09/05/2016
 Comité de labellisation: Semaine du 23/05/2016
 Envoi de l’attestation de labellisation: Au plus tard le 30/05/2016
 Dépôt du dossier sur le site de la CDC: Au plus tard le 31/05/2016
131
FINANCE INNOVATION
Contact
•
•
•
Maximilien Nayaradou
[email protected]
Tel: 01 73 01 93 51 / 06 51 32 80 04
•
•
•
Cyril Armange
[email protected]
Tel: 01 73 01 93 33 / 06 83 56 80 86
132
PROJETS
133
PROJETS
N°
1
2
3
4
5
6
7
PROJET
2IdO
Cloud4IoT
Dataswords
M4P
MY-CYBER-HEALTH 3.0
RaAS
SPAASM
ORGANISME
Areva & Altran
Activeeon
Kleos
CERITD
Santech
Intelligence
Expert System
PRESENTATEUR
Dominique Pinet
Brian Amedro
Pierre Navidi
Jean-Hugues
Pierre-Yves Simonot
Tahar Arib
Charles Huot
134
PROJET 2IdO
Internet Industriel des
Opérateurs et des Objets
ALTRAN et AREVA
135
2IdO
 Description de la proposition


Fournir une architecture hybride, adaptée aux contraintes industrielles en matière
d’interopérabilité, de sûreté, de sécurité, de simplicité de mise en œuvre en intégrant les
capacités de communication dans un environnement industriel incluant l’autonomie des
éléments connectés.
Grâce aux nombreux cas d’usage de nos partenaires, ce réseau deviendra un standard dans
le domaine de l’internet industriel adapté aux déploiements les plus exigeants. »
 Autres éléments (si disponibles)
– 2/3 ans, 10 M€
– 3 PoC à réaliser (localisation indoor, suivi temps réel, opérateur
augmenté)
136
2IdO
 Partenaires
– Cas d’usage
• TOTAL, AREVA, SNECMA, AIRBUS SAFRAN LAUNCHER
– Partenaires techniques
• DIOTA, ENODO, Internet of Trust, LAAS, Prove&Run
– Sous-traitants
• IDOSENS, ORIDAO, ..
137
2IdO
 Compétences recherchées
– Cyber sécurité du capteur à l’IHM
– Fabricant d’électronique industrielle
138
2IdO
•
•
•
•
Dominique Pinet
AREVA
[email protected]
+33679419293
139
PROJET Cloud4IoT
140
Cloud4IoT
ACTIVEEON
141
Cloud4IoT
 Développement d’un Cloud
pour l’IoT et les usines du futur.
Real-time Big Data Analytics
–
–
–
–
Récupération des données
Transports des données vers le Cloud
Traitements et analyse des données
Déclenchement d’actions préventives ou
correctives
Identification
Correlation
Cloud Enabler
Cloud
Workflows de
déploiement
MultiCloud
Cloud/
Fog
deployment
Monitoring
Algorithmes et contrôle
Big Data
Fog
 Déploiement multi-clouds/fog
 Clouds
 Gateways
 Mécanisme offload Big Data
Orchestration
Atutomatisation,
provisonnement de
cloud/fog
142
Cloud4IoT
 Compétences recherchées
– Conception de sondes pour le monitoring de machines et de
structures (industriel)
– Analyse et étude des matériaux (industriel / recherche)
– Conception de machines-outils et/ou de machines
– Industriel des gateways/logiciels pour gateways
143
Cloud4IoT
144
PROJET
DATASWORDS
Création d’une commodité pervasive
d’adresses ipv6 mobiles en Europe
Kleos R&D
145
Une technologie innovante
d’accès radio
 macrocell TDD/SDMA LTE/5G
 L1 propriétaire :
1.6×
 60% de couverture en plus
 Meilleur qualité en émission / réception (personnal cell)
1×
• Module de connexion cat1 : >>1 million /cell
• full outdoor, passive cooling, 1.2 kWh / site
• Zero tool rollout
Simulation de la Couverture Grand paris
Cout de déploiement par personne couverte : 4 €
Moins de 0.01 Wh par personne couverte
Application :
Réseaux privés intelligents d’objets connectés
Création d’une grille connectée de stockage et traitement ML
~1.2 meter
~1 meter
Basic node
1.5 PB net capacity
700 x 4 GB vmachines (288 CPU)
40 gbps redundant network
2.500.000 iops
4 kWh
Stackabe





Zero complexity
Zero networking
Zero disks
Zero touch
Zero downtime
147
DATASWORDS
 Compétences recherchées
–
–
–
–
–
Opérateurs mobiles
Intégrateurs
Développeurs/startup internet des objets
Administration, etc.
Etc.
148
DATASWORDS
[email protected]
+33672863153
149
PROJET M4P
Médecine Personnalisée, Préventive,
Prédictive, Participative appliquée au
diabète
CERITD
Centre et de Recherche pour l’Intensification du traitement du
Diabète
150
M4P
 Description de la proposition


L’ambition est de fournir et d’industrialiser une base de données cliniques et extra-cliniques
représentative au plan National. Ce sont des données cliniques, biologiques et génétiques
issues de personnes souffrant du diabète en ambulatoire et à l’hôpital.
Ceci constituera un support essentiel au déploiement d’une prise en charge coordonnée
Hôpital-Ville des personnes présentant un diabète sévère et à la recherche clinique sur le
diabète.
L’objectif est de pouvoir dans le futur faire bénéficier les personnes présentant un diabète,
d’améliorations de leurs circonstances de vie, ceci rendu possible par le travail sur des
données de la ‘ vraie vie ’ :


•
Permettre le partage et l’échange d’une information appropriée autour du patient dans le cadre de la mise en œuvre
d’une approche coordonnée interprofessionnelle autour du patient. Ceci par exemple comprend la genèse d’alertes
automatiques permettant d’alerter les intervenants qui peuvent agir au bon moment en fonction des informations
analysées.
Pouvoir analyser de grosses masses d’informations de « vraie vie » du diabétique: pour faire évoluer la
compréhension de la maladie, sa prise en charge et disposer d’éléments de suivi des médicaments et des dispositifs
médicaux utilisés. L’approche permet de détecter des marqueurs et d’en vérifier la pertinence sur un suivi prospectif.
Projet évalué à 5/10 Me
151
M4P
 Partenaires
– Cas d’usage
• AIR LIQUIDE / Vitalaire: prestataires de services auprès des patients. En tant que
tels ils seront en charge d’une partie de la collecte des données
• Industriels des dispositifs médicaux tels SANOFI ou ROCHE Diabetes healthcare qui
mettent en place de dispositifs médicaux source de données en flux continu
– Partenaires associatifs: AFD: Association Française des Diabétiques
– Partenaires techniques
• ALTRAN
– Partenaires scientifiques:
•
•
•
•
CERITD: maitre d’œuvre et animateur du conseil scientifique
4 CHU participants au départ (Besançon, Nancy, Reims et CHSF)
Pr Philippe Frogel (Lille) pour les aspects de l’analyse génétique
Génopole d’Evry dans le cadre de l’effort de génotypage complet
152
M4P
 Compétences recherchées
– Experts médicaux capables de sélectionner les données utiles pour le soin et
la recherche médicale puis de les analyser ceci incluant un expert des
données génétiques
– Partenaires industriels du médicament et des dispositifs médicaux (dans le
domaine du diabète) pour définir les attentes industriels sur les données
d’usage
– Payeurs du régime obligatoire et/ou complémentaire pour comprendre les
attentes des payeurs sur le domaine du diabète
– Un spécialiste des systèmes d’information pour assurer la circulation et la
conservation sécurisée des données
– Des spécialistes de l’intelligence artificielle permettant l’analyse automatique
des données sur la base des questions posées par les scientifiques (requêtes à
façon, détections de corrélations et agrégations de données pertinentes)
153
M4P
•
•
•
•
Dr. Jean-Hugues Masgnaux
CERITD
[email protected]
06 76 75 86 88
154
PROJET
MY-CYBER-HEALTH 3.0
155
MY-CYBER-HEALTH 3.0
 Environnement de construction d’écosystèmes e-santé intelligents pour le
bien-être, la prévention et l’accompagnement des fragilités
– Fonctionnalités clés à fournir dans cet environnement
• Interpréter les données collectées pour contextualiser et personnaliser les solutions
• Orchestrer les services pour optimiser le suivi longitudinal et l’interopérabilité des
solutions
• Utiliser les outils d’analyse (BI, Big Data) pour le suivi transversal et l’optimisation
des recommandations
– Principaux points durs identifiés :
• Sécurisation et reconfigurabilité des systèmes cyber-physiques multi-constructeur,
multi-domaine (santé, smart city, smart home) et multiplateforme
• Intelligence ambiante multiplateforme pour la prévention et la santé
• Répartition entre intelligence ambiante et intelligence distante
 Autres
– Première évaluation : projet sur 3 ans pour un budget de l’ordre de 6-7M€
– Problématiques : Digitalisation du réel, économie de la data et économie de la confiance
– Un domaine d’application : la santé (prévention, accompagnement)
156
MY-CYBER-HEALTH 3.0
 Santech est fortement présent dans l’écosystème de l’e-santé
 Nos clients sont en attente de solutions plus intelligentes et
mieux individualisables
 Partenaires approchés




Institutionnels : ARS Ile-de-France, CNAV, …
Assurances : SIACI St Honoré, Mondial Assistance, …
Recherche : INRIA, IMT, UTT, …
Industriels : Samsung, Eolane, Thuasne, …
157
MY-CYBER-HEALTH 3.0
 Compétences recherchées
– Sécurité et reconfigurabilité des systèmes cyber-physiques
• Organismes de recherche, industriels de l’électronique, constructeurs objets
connectés, …
– Intelligence ambiante et modélisation des connaissances
• Organismes de recherche, éditeur de logiciels dans l’IA, …
– Exploitation des outils BI et Big Data pour le suivi transversal
• Organismes de recherche, assureurs, institutionnels, …
158
MY-CYBER-HEALTH 3.0
•
•
•
•
Pierre-Yves Simonot
CTO Santech
[email protected]
(33) 6 07 29 00 86
159
PROJET RaAS
Robotic as Augmented Service
160
RaAS
 Description de la proposition
– Coopération large et intelligente entre les robots et l’humain :
• Coordination et supervision d’une flotte de robots mobiles et autonomes et qui
coopèrent de manière systématique et intelligente.
• Perception, Raisonnement, Planification (Complexe) et Action dans un contexte de
coopération entre l’Homme et une flotte de robots mobiles et autonomes.
• Amplification des possibilités robotiques, et ce grâce à l’IA et à la data, afin de
compléter les capacités humaines grâce à la robotique.
• Une plateforme en mode SaaS pour orchestrer, manager et superviser les services
robotiques et des applications fournis au travers cette plateforme, qui est dotée
aussi d’outils d’analyse (BI et Big Data Analytics) et de tableaux de board.
• Champs d’application : Robotique comme vecteur facilitateur de la transformation
des métiers tels que la sécurité, la surveillance et le facility management.
 Autres éléments (si disponibles)
– Durée, budget, co-labellisation
161
RaAS
 Partenaires
– Partenaire n°1 : EOS Innovation
– Partenaire n°2 : ...
– …
162
RaAS
 Compétences recherchées
– Conception et création de plateformes robotiques (Robots)
– Agents autonomes (Intelligence Artificielle appliquée à la robotique,
Smart Data, Machine Learning, Logique floue...), SLAM 2D/3D
– Réalité augmentée et réalité virtuelle
– Sécurité des services réseaux (échange de données, prise de contrôle
à distance..)
– ...
163
RaAS
Pour nous contacter :
•
•
•
•
Tahar ARIB
Intelligence Power Group
[email protected]
Tél.: 0629753068
164
PROJET SPAASM
Santé Publique, Architecture, ASthme et
Maladies respiratoires
165
SPAASM
 Description de la proposition
– Exploration du lien Santé et Habitat sous l’angle des maladies
respiratoires
– Elaboration de recommandations de santé publique quant à la
construction de nouveaux logements ou la réhabilitation de logements
anciens
– Construction d’un modèle numérique global des aéro-contaminants
en lien avec les maladies respiratoires
 Autres éléments (si disponibles)
– Projet de 36 mois
– Budget 10 M€
– Demande de label auprès de Cap Digital et de Lyonbiopôle
166
SPAASM
 Les 12 partenaires du projets
–
–
–
–
–
–
–
–
–
–
–
Expert System
Kappa Santé
CNAM (Laboratoire CEDRIC; Laboratoire MESURS)
QUINTEN
SWORD
Fondation AIA
SANOFI
ENGIE
AD Conseil
iHealth
E3S
167
SPAASM
•
•
•
•
Charles HUOT
Expert System
[email protected]
06.74.53.10.85
•
•
•
•
•
•
•
Prof Michel BERA
CNAM / CEDRIC
[email protected]
Dr Stéphane SCHUCK
Kappa Santé
[email protected]
06.13.21.19.16
168
Compétences
169
Compétences
N°
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
ORGANISME
A.I.Mergence
AllCare
ANT'inno
AppCraft
Armines MinesParisTech
Craft ai
Cyberwatch SAS
De Vinci
eVeDrug
icanopée
Inria équipe CEDAR
Inria équipe MUSE
Inria ENS
Intelligence Power Group
Kiolis
PRESENTATEUR
Théophile Gonos
Arnaud Lambert
Hugues Roulon
Gregory Potdevin
David Ryckelynck
Clodéric Mars
Maxime Alay-Eddine
Jean Rohmer
Claude Touche
Xavier Augay
Michaël Thomazo
Vassilis Christophides
Albert Cohen
Tahar Arib
Michel Manago
170
A.I.MERGENCE
Expertise et Développement en Intelligence
Artificielle et Robotique Autonome
171
Algorithmes et Intelligence Artificielle
 Simulation du réel
 Systèmes multi-agents (PNJ)
 Architecture de contrôle
 Comportement biomimétique
 Interface réel – digital
 Robotique
 Interface haptique
 Systèmes embarqués
172
Merci
N’hésitez pas à me contacter pour en savoir plus
•
Mes coordonnées :




Théophile Gonos
Président-Fondateur / PhD
[email protected]
07 68 10 95 14
173
AllCare
174
AllCare
 Description de la proposition
– AllCare est spécialisée dans la gestion des maladies chroniques :
Diabète, Maladies cardiovasculaires, respiratoires et obésité.
– AllCare met à disposition sa plateforme technologique basé sur un
réseau social et ses consultants pour aider les industriels à mieux
suivre leurs utilisateurs
– Depuis 2013, AllCare a développé une plateforme de dépistage de
rétinopathie diabétique déployée à l’international.
175
AllCare
 Partenaires
– Ecole Normale Supérieure – Département DATA – Mathématiques &
Informatiques
176
AllCare
ALLCARE
Arnaud LAMBERT - CEO
Organisme
[email protected]
+33 6 88 28 44 32
177
ANT’inno
178
ANT’inno



Simplification de l’exploitation de gros volumes documentaires grâce à un moteur de
recherche sémantique et cross-lingue développé par le CEA-List que l’on interroge en
langage naturel
Langues supportées : Français, Anglais, Espagnol, Arabe – Langues en développement :
Allemand, Russe, Chinois
Outils de visualisation du corpus documentaire sous forme de tableaux de bord ou bien de
graphes permettant de visualiser les liens entre les éléments de connaissance
179
ANT’inno
•
•
•
•
Hugues Roulon
ANT’inno
[email protected]
07 89 68 73 77
180
AppCraft
181
AppCraft
 Compétences proposées
 Composants web
 Plug’n’play et précablés
 Back-end et front-end
 Mobile-friendly
 Interfaces DIY
 Edition en ligne
 Open Source
 Searchkit, Elastic, etc
 Langages de programmation
 Javascript, Ocaml, C/C++,
Java, Python, etc.
[email protected]
0619661398
182
AppCraft
Gregory Potdevin
Fondateur
[email protected]
0619661398
@GregoryPotdevin
[email protected]
0619661398
183
Armines MinesParisTech
184
Armines Mines-ParisTech
 Compétences proposées
 Calibration de modèles et big data




modélisation de la rupture des matériaux
simulations remplacées par des données
outils de collaboration en temps réel
comparaison essais/modèles
 Réduction de modèle en mécanique
 Métamodèles à approximation tensorielle en
grande dimension et réseaux de neurones
profonds
FE&
Impossible d’afficher l’image.
Impossible d’afficher l’image.
185
Armines Mines-ParisTech
•
•
•
•
David Ryckelynck
Mines ParisTech
[email protected]
01.60.76.31.71
Outils de collaboration en temps réel
en substitution aux modèles éléments finis
186
Craft ai
187
Intelligence Artificielle « as-a-service »
Adaptation au contexte, apprentissage des habitudes
À l’échelle d’un utilisateur
Pour développeurs
IoT, assistants, coachs, automatisation, ...
188
Clodéric Mars, CTO
Contact : Caroline Chopinaud
[email protected]
01 55 43 13 40
189
CYBERWATCH
Logiciel de
correction des
vulnérabilités
informatiques
190
CYBERWATCH
Détection, qualification et remédiation intégrées, dans le respect de vos procédures.
Vue synthétique et tableau de bord pour votre Maintien en Conditions de Sécurité.
191
CYBERWATCH
Société créée en 2015
Plus de 400 serveurs couverts par notre solution en France
Secteurs privilégiés : Banques, Administrations, IT
Nous voulons intégrer un projet en cours de montage :
• sur le sujet économie de la confiance ;
• faisant appel à de la supervision en matière de sécurité informatique ;
• qui doit protéger en continu son infrastructure.
Maxime ALAY-EDDINE
Président de CYBERWATCH SAS
[email protected]
06 25 23 64 81
192
DE VINCI RESEARCH CENTER
193
DE VINCI RESEARCH CENTER
Paris La Défense
45 chercheurs, laboratoire commun à 3 écoles: Ingénieurs, Managers,Designers
Une approche systémique et transverse du Numérique
Management des Risques et de l’Innovation:
Finance
Assurances
Blockchain
Marketing Digital
Réseaux Sociaux
Objets Connectés
Big Data et Sémantique
Tourisme
Gestion des connaissances
Modélisation et simulation mathématique et numérique
Nouveaux matériaux
Smart Grids
Problèmes Multiphysiques et Multiéchelles
194
DE VINCI RESEARCH CENTER
Paris La Défense
•
•
•
•
Jean Rohmer
Pôle Universitaire Léonard de Vinci
[email protected]
06 63 44 64 84
195
eVeDrug
196
Lanceur d’alertes
Pour
une santé publique
et
citoyenne
197
Autorités
de santé
Bruits de la
toile
Patients
Professionnels
www.myereport.eu
FREE
PAID
Industrie
pharmaceutique
198
Lanceur d’alertes
[email protected]
199
Icanopée
200
icanopée
 Application dédiée au DMP dossier médical partagé
 Efficience 1e logiciel dédié au DMP
 API DmpConnect
 Intégrer les standards
 CDA r3
 Sécuriser les échanges
 Pérenniser les données
 Partager pour coordonner
201
icanopée
[email protected]
Xavier AUGAY
15 avenue René Cassin
86960 FUTUROSCOPE
202
Equipe CEDAR
Inria et Ecole Polytechnique
http://team.inria.fr/cedar
203
Equipe CEDAR
INRIA et Ecole Polytechnique
Techniques d' analyse de données sémantiques
 Répondre à des requêtes sur des bases de connaissances:
expressivité et efficacité
 Analyse, résumé, exploration interactive de graphes sémantiques
Optimisations avancées pour l' analyse des Big Data
 Données hybrides
 Stockages hybrides (multi-cloud, NoSQL, SQL, ...) pour la
performance
 Optimisation de performances du cloud pour permettre l'analyse en
temps réel sur Big Data
Financements récents:
Collaborations:
204
Equipe CEDAR
INRIA et Ecole Polytechnique
205
Equipe CEDAR
INRIA et Ecole Polytechnique
Contact
•
•
•
•
Ioana Manolescu / Michaël Thomazo
Equipe CEDAR, INRIA Saclay
[email protected], [email protected]
01 72 92 59 20
206
Inria Paris - MUSE
https://team.inria.fr/muse/projects/
207
[INRIA Paris - MUSE]
Renata Teixeira
Team leader
Vassilis Christophides Timur Friedman Anna-Kaisa Pietilainen
UPMC (50% Inria)
SRP
ARP
 Measuring Internet quality of experience (QoE)
 Home network diagnosis
 User content summarization and filtering
208
Inria / ENS
209
Inria / ENS
210
Inria / ENS
Thème émergent
Convergence entre fonctions de diagnostic (traditionnellement fait hors ligne, en besteffort et sans contrainte de sureté/certification), optimisation en ligne non-linéaire
(contrôle prédictif), et controle temps reel (avec exigence de sureté)
Opportunité industrielle majeure dans de nombreux domaines à forte intensité
technologique (micro-processeurs, e.g., Kalray; éditeurs logiciels pour l’embarqué, e.g.,
Esterel Technologies)
Point de rencontre entre traitement des données et embarqué/cyberphysique, e.g.,
Safran Analytics
211
Inria / ENS
•
•
•
Albert Cohen
Inria
[email protected]
212
Intelligence Power Group
213
Intelligence Power Group
 Compétences proposées
 Business Intelligence et Bigdata (Analytics)
 Développement de plateformes et outils
 Développement d’applications d’analytiques et algorithmes
 Mise en place de solutions
 Ecosystèmes digitaux et application mobiles/objets connectés
 Plateformes digitales et mobiles
 Applications pour objets connectés
 Applications mobiles et API Switch pour robots
 Innovation et invention :




Création de concepts
Création de solutions innovantes
Smart Shopping et U-Commerce (Ubiquitous Commerce)
Smart data, Data Management Platform
214
Intelligence Power Group
Pour nous contacter :
•
•
•
•
Tahar ARIB
Intelligence Power Group
[email protected]
Tél.: 0629753068
215
KIOLIS SOFTWARE
216
KIOLIS
 Compétences proposées
 Spécialiste du raisonnement à partir de cas (en anglais CBR).
Applications pour l’aide au diagnostic et l’aide au renseignement.
 Spécialiste du Machine Learning (induction) et du big data.
Lauréat challenge big data ERDF-Cap Digital : aide à la
maintenance préventive.
 Exploite le site web mycoachnutrition.com dans le cadre d’une
Société en Participation avec les éditions SOLAR (groupe
EDITIS). Moteur de recommandations et de conseils
personnalisés.
 Partenaire du projet e-santé connecté SelfBack pour le
traitement du mal du bas du dos (en charge du développement
de l’application mobile pour suivre un programme d’exercices
physiques personnalisés).
217
KIOLIS
Michel Manago
Fondateur et PDG
01 44 97 41 00, 06 85 66 05 96
[email protected]
KIOLIS
45 Bd Vincent Auriol
75013 Paris
www.kiolis.com
218
Compétences
N°
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
ORGANISME
LNE
Medecin Direct
Meta-Coaching
Centre de Robotique, Mines ParisTech
MLstate
Mondeca
Myvillage
Nanocodex
Open Digital Education
ProcessOne
Reuniwatt
Scilab-enterprises
Institut Mines Telecom
Urban Mirage
Zelros
PRESENTATEUR
Olivier Galibert
Marc Guillemot
Anne-Dominique Bonte
Fabien Moutarde
Henri Binsztok
Christophe Prigent
Yves Peligry
Philippe Peterlé
Louis Vinet
Mickaël Rémond
Etienne Buessler
Yann Debray
Anne-Sophie Taillandier
David Dubois
Christophe Bourguignat
219
Laboratoire national de
métrologie et d’essais
220
LNE
 Compétences proposées
 Organisation de campagnes d’évaluations
 Métriques
 Données
 Organisation de challenges en robotiques
 Bancs
 Mesures
221
LNE
•
•
•
Juliette Kahn Organisme
Laboratoire national de métrologie et d’essais
01 30 69 13 62
222
MEDECIN DIRECT
223
MEDECIN DIRECT
 MédecinDirect est une plateforme agréée et mobile d’expertises
médicales composée d’une trentaine de médecins.
 100% sécurisée et 100% confidentielle, nos médecins répondent par
téléphone et par Internet 7 jours sur 7. Ils sont tous inscrits au Conseil
National de l’Ordre des Médecins.
 MédecinDirect propose des solutions de dépistages médicaux avec
objets connectés reliés à la plateforme médicale.
 Courant 2016, MédecinDirect sera à même de proposer des actes de
télémédecine (Diagnostics et télé-prescriptions) selon
conventionnement ARS de décembre 2015.
224
MEDECIN DIRECT
•
•
•
•
Marc Guillemot, Co-Fondateur
Médecin Direct
[email protected]
06 07 87 29 05
•
•
•
•
François Lescure, Président
Médecin Direct
[email protected]
06 03 10 29 73
225
META-COACHING
Conception et développement de
programmes interactifs de E-santé
Programme de traitement de l’insomnie
en vidéo : https://vzaar.com/videos/6359830
en ligne : https://www.therasomnia.com/
226
META-COACHING
▪ Conception des parcours thérapeutiques en étroite collaboration avec
des professionnels de santé
▪ Utilisation de protocoles et outils validés scientifiquement pour le
diagnostic et la mise en oeuvre de la thérapie
▪ Usage de l’intelligence artificielle pour la personnalisation de l’interaction
(adaptation continue des consignes, prise en compte des résultats et du
comportement de l’utilisateur pour définir les activités suivantes),
▪ Développement d’un dispositif permettant de prédire les comportements
et prévenir l’échec.
▪ Gestion d’études cliniques en relation avec 3 CHRU pour l’amélioration
continue des programmes
▪ Dév web et mobile, adapté à différents contextes (BtoC, BtoBtoC)
▪ Intégration de données captées par des objets connectés à l’analyse
▪ Chef de fil un projet de consortium pluridisciplinaire (FUI 16) autour de
l’insomnie chronique.
227
META-COACHING
Conception de programmes
e-santé innovants
228
META-COACHING
Anne-Dominique BONTE
• Directrice Générale Meta-Coaching
• [email protected]
• 09 81 41 35 22 / 06 20 65 79 61
229
Centre de Robotique
Mines ParisTech
230
Centre de Robotique, Mines ParisTech
Compétences proposées
 Reconnaissance visuelle temps-réel de gestes/actions pour :
 Collaboration Homme-robot sur chaîne de montage
 Interface gestuelle homme-machine
 Formation aux gestes professionnels
 Réalité Virtuelle (RV) et augmentée (RA) :
 Méthodologie de conception et évaluation en RV d’applications
 Interfaçage comportemental
 Numérisation 3D de voirie et façades de bâtiments
Mobile Mapping System, traitement & rendu nuages de pts 3D
231
Centre de Robotique
Mines ParisTech
Coordonnées contact
• Fabien MOUTARDE & Arthur GAUDRON
• Centre de Robotique, Mines ParisTech
• {Fabien.Moutarde, Arthur.Gaudron}@mines-paristech.fr
• 01.40.51.92.92 - 06.64.17.96.63 / 01.40.51.91.27
232
MLstate
233
MLstate
Compétences open source proposées
 Technologie de développement d’applications web sécurisées
 Opa, http://opalang.org
 Lauréat Concours Ministère Recherche
 Finaliste GigaOM Structure
 Plateforme de communication sécurisée




Peps, http://github.com/MLstate/PEPS
Chiffrement de bout en bout transparent
Expérience Utilisateur travaillée
Messages / Fichiers / Chat / et bien plus si affinité !
2
3
4
MLstate
Contact
•
•
•
•
Henri Binsztok
CEO
[email protected]
01 44 43 52 83
2
3
5
MONDECA
236
Solutions & Expertises
Making Sense of Content
 Serveur de référentiel
 Interopérabilité des données
 Open data et Linked Open data
 Enrichissement sémantique
 Annotation pertinente des flux
 Graph Matching
 Inférence et moteurs de recommandation
BIG DATA
+
VOS DONNÉES DE
RÉFÉRENCE
SENS
& VALEUR
SMART DATA
237
Making Sense of Content
•
•
•
•
Christophe PRIGENT
MONDECA
[email protected]
+33 6 8590 8595
238
MyVillage
myVillage
239
myVillage
 Compétence proposée : cas d’application
myVillage est une application de réseau social fermé dédiée aux clubs de
vacances.
myVillage souhaite analyser les comportements et leurs évolutions (à
partir des connexions, les messages publics échangés, les réponses à des
sondages) pour en déduire des informations exploitables par le club de
vacances : qualité des animations, des infrastructures mais aussi
appétence anticipée pour telle ou telle activité ou offre de services.
myVillage souhaite être un cas d’application de recherches big data :
Analyse de réseaux, analyse comportementale, modèle prédictifs,
statistique, langage naturel, IA, etc.
240
myVillage
•
•
•
•
Yves Péligry
myVillage
[email protected]
06 85 34 89 71
241
NANOCODEX
242
NANOCODEX
 Compétences proposées
 Ingénierie cognitive
 Réalité Virtuelle / plate-forme collaborative décentralisée pour la
visualisation & analyse de Big Data hétérogènes
 Interaction Homme Machine (IHM) en environnements d’apprentissage et
de collaboration
 Services R&D
 Imagerie computationnelle, modélisation
 Post-traitements mathématiques d’imagerie 2D, 3D, ..
 Domaines Métier
 e-Santé
 Médecine individualisée prédictive (P4) / médecine translationnelle
243
Informatique cognitive pour la e-Santé
Philippe Peterlé
[email protected]
+33 (0)6 14 80 17 28 - +33 (0)1 46 15 68 36
244
Open Digital Education
245
•
Entreprise française, spécialiste du numérique éducatif
•
Concept innovant de plateforme numérique éducative
•
Intuitivité et Innovation technologique
•
250.000 élèves en France
Nov. 2013
Elèves
Jan. 2016
246
Louis Vinet
Open Digital Education
https://opendigitaleducation.com/
[email protected]
01 82 63 51 51
247
Process One
248
Process One
 Des systèmes de messagerie temps réel à forte capacité



ejabberd: Serveur XMPP de référence, en Erlang, développé depuis 2002
Plate-forme multi-protocoles pour IoT, réseaux sociaux, chat, jeux vidéos, …
Open source
 Système d’alerte et de push notification
 Développement de plates-formes serveurs :




Architectures distribuées
Tolérance aux pannes
Sécurité et robustesse
Erlang / Elixir / Go
 Des clients en Europe et aux USA :









BBC,
Orange,
Electronic Arts,
Alcatel-Lucent,
HP,
Nokia,
Kodak,
Samsung,
Meetic, etc.
249
Process One
•
Mickaël Rémond, fondateur et PDG
• [email protected]
• +33 660 222 216
250
Reuniwatt
251
Reuniwatt
 Compétences proposées
 Internet des objets : capteur autonome de mesures de données climatiques
 Bases de données environnementales : infrastructure Big Data, SIG
 IT for Green : prévision de l’énergie photovoltaïque (vision sol, télédétection,
intelligence artificielle/fouille de données, météorologie)
252
Reuniwatt
Etienne Buessler
[email protected]
09 77 21 61 50
253
Scilab
Pour une économie collaborative
de la simulation de modèles et de
l’analyse numérique
254
•
•
•
•
Suite logicielle open-source de modélisation & simulation
100 000 installations chaque mois
Clients: Sanofi, Airbus, CNES, CEA, DGA, Air Liquide, EDF,..
15 personnes avec expertise développement logiciel et math appliquées
Modeling & Simulation
(Big) Data Analysis
Model
Model
Data discovery
Machine Learning
Simulate
Optimize
Visualize / Analyze
Spread simulation apps
Generate code
Post-processing
Visualization
Data Manipulation
Statistics
255
Scilab Cloud Overview
Scilab Studio
Collaboration Workspace
(Dev. environment)
Scilab Cloud App
Simulation Web App
(Web Interface & Algorithms)
Scilab Cloud API
Simulation API
(API & Algorithms)
Scilab Cloud
Private Cloud / Public Cloud
256
•
•
•
•
Yann Debray
Scilab Enterprises
[email protected]
06.88.20.67.01
257
TeraLab
258
TeraLab
259
TeraLab
Anne-Sophie Taillandier
•
•
•
•
https://www.teralab-datascience.fr
TeraLab – Institut Mines Telecom
[email protected]
Tel : +33631361020
260
Urban MIRAGE
261
UrbanMIRAGE
 Réalité Augmentée
 Conseil stratégique
 Compréhension des enjeux d’un marché évalué à 120
milliards $ en 2020
 Recommandation d’applications réalisables pour
l’industrie manufacturière, du tourisme, du loisir, de la
distribution, l’éducation et les médias
 R&D
 Capacité à prendre en charge de A à Z les projets de
développements de réalité augmentée sous les
environnements iOS, Android, Windows, Hololens,
Unity,…
262
UrbanMIRAGE
CONTACTS
•
•
•
•
David DUBOIS
Urban MIRAGE
[email protected]
06-29-75-19-48
263
ZELROS
264
ZELROS
265
ZELROS
Compétences proposées
 Machine Learning et Intelligence Artificielle pour entreprises
 Bots conversationnels
 Business Data Apps
 Systèmes prédictifs d’aide aux décisions métier
 Domaines métier : Finance, Marketing, RH, Logistique, Maintenance,
266
ZELROS
CONTACTS
•
•
•
•
Christophe Bourguignat
Zelros
[email protected]
06 30 89 92 09
267
Grands Défis du Numérique 2016
Lundi 11 avril 2016, Inria de Paris
268