Slides de la réunion GDN16 du 11/04/2016
Transcription
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