Public cible et présentation

Responsable : Dr. Doreid AMMAR

Un projet de recherche dans le cadre de la thèse de doctorat de Hugo Hadjur, en co-tutelle avec l’ENS de Lyon et sous la co-direction de Doreid Ammar, Professeur et Directeur académique d’aivancity et de Laurent Lefèvre, Professeur et chargé de recherche INRIA/ENS de LYON
Les insectes pollinisateurs menacés d’extinction à cause de l’intensité du modèle agricole et industriel actuel avec les pesticides, la bétonisation, la pollution et le réchauffement climatique, ce projet de thèse a pour but de développer un système d’apiculture innovant et capable de diagnostiquer automatiquement la santé d’une ruche grâce à l’Internet des Objets et l’Intelligence Artificielle (IA), tout en assurant le respect des contraintes du métier d’apiculteur et de conception (maximiser l’utilisation des ressources, minimiser le coût énergétique). Le développement d'algorithmes d’apprentissage automatique (machine learning), capables de gérer plusieurs flux de données générés par une ruche connectée, sera essentiel pour contribuer à la protection des abeilles et à conserver leur rôle dans le maintien de la balance écologique et de la biodiversité́.
  

Projet ANR SKYDATA : Projet d’étude des propriétés minimales d'un système distribué pour l'apprentissage fédéré

Responsable: Dr. Etienne MAUFFRET

L'objectif de ce projet de recherche de l’Agence Nationale de la Recherche (ANR), en collaboration avec l'ENS Lyon, est l'étude et la mise en place d'un système de données autonomes et intelligentes. Les données d'un tel système sont capables d'évoluer, de migrer et de se répliquer, d'elle-même, sans l'intervention d'un système de gestion de fichier. L'utilisation de l'état des connaissances des systèmes de gestion de données à large échelles, des systèmes distribués et des systèmes multi-agents avec de l'apprentissage fédéré favorisera la mise au point ce nouveau paradigme de gestion de données.

Fully Distributed Federated Learning in asynchronous dynamic distributed systems (Apprentissage Fédéré Entièrement Distribué dans des systèmes distribués dynamiques et asynchrones)

Responsable(s) : Dr. Etienne MAUFFRET, en partenariat avec : Eddy Caron, Elise Jeanneau, Aurélie Beynier

Ce projet vise à comprendre et à établir des algorithmes efficaces d'apprentissage fédéré dans un système entièrement distribué. En particulier, nous chercherons à identifier les propriétés minimales requises pour de tels systèmes et à déterminer les performances pouvant être attendues dans des systèmes minimaux.

Formalisation de la méthodologie de Difference-in-Discontinuities

Responsable(s) : Dr. Yacine ALLAM et André MIRANDA ACEVEDO

Dans le cadre d'un travail de recherche exploratoire, l'objectif du projet est de construire et de formaliser une méthodologie d'inférence causale pour répondre à une question d'absence de méthodologies non-biaisées et robustes dans le domaine de politiques publiques territoriales. La construction du modèle se fait similairement à une RDD géographique mais avec un aspect temporel, une sorte de mélange de Différence-de-Différences et Régression en Discontinuité. Plus précisément, on cherche à isoler l'effet du traitement et à l'estimer en faisant une régression localement linéaire dans le voisinage d'un seuil de notre variable explicative.

NLP pour identifier les biais du genre dans les décisions de justice

Responsable : Dr. Yacine ALLAM

Ce projet vise à exploiter le traitement du langage naturel (NLP) pour analyser les biais potentiels dans les décisions de justice. A travers une collecte de données portant sur les décisions de justice à partir de 1990 (bases de données juridiques, archives, sites web), la recherche consiste d’abord à extraire des informations clés telles que les noms des juges, les sanctions et les jugements finaux et ensuite de développer des méthodes pour traiter et organiser ces données pour une analyse portant sur les biais potentiels liés au genre dans le prononcé des peines : les peines diffèrent-elles en fonction du sexe du juge dans les affaires de violence sexuelle et sexiste ? Les peines diffèrent-elles en fonction de l'origine du défendeur ?

Diff-in-Disc : Une méthode robuste pour retrouver la causalité dans un contexte spatial

Responsable : Dr. Yacine ALLAM

Ce projet vise à développer une méthodologie d'inférence causale, plus précisément la méthode "diff-in-disc" (différence en discontinuité). L'objectif principal est de créer un cadre méthodologique rigoureux pour la méthode diff-in-disc en contexte spatial, et de développer un package dédié.

Du partage à la valorisation

Évaluer l'impact de l'essor d'Airbnb sur les prix de l'immobilier via l’analyse des données des transactions immobilières de 2018 à 2020

Responsable : Dr. Yacine ALLAM, en partenariat avec : Julie Le Gallo (Institut Agro Dijon), Marie Breuillé (INRAE)

Cette recherche examine l'impact de la densité des annonces de locations de courte durée (LCD) sur les prix des transactions immobilières en France métropolitaine. En utilisant des données sur les annonces Airbnb et les prix des transactions immobilières sur la période 2018-2020, couvrant l'ensemble du pays et offrant ainsi une validité externe robuste, cette recherche se concentre sur les variations spatiales au sein de différentes zones, y compris les villes principales, les villes secondaires, les banlieues et les zones rurales.

Étude causale de la discrimination en France en identifiant la différence de votes des listes conduites par des candidats d'origine nord-africaine lors des élections municipales françaises de 2014

Responsable : Dr. Yacine ALLAM
Evaluation de l'existence et de l'étendue de la discrimination raciale dans les élections municipales françaises, en analysant de manière causale la différence dans les pourcentages de vote d'une liste entre 2008 et 2014 lors d’un changement de la tête de liste entre un candidat non nord-africain et un candidat nord-africain.

Projet ANR : Démonstrateurs numériques dans l'enseignement supérieur (DemoES)

Reponsable : Dr. Doreid AMMAR

aivancity partenaire du projet PEIA (Plateforme d'Expériences Immersives Apprenantes), porté par l’Université Polytechnique des Hauts de France qui figure parmi ceux des 14 universités et trois écoles lauréates de l’AMI DemoES du PIA4. Ce projet visa à relever de nouveaux défis, tant en pédagogie qu'en recherche, pour l'enseignement supérieur et poursuit la transformation des pratiques pédagogiques numériques plus inclusives, via des environnements virtuels et réalistes collaboratifs.
Le projet PEIA (Plateforme d'Expériences Immersives Apprenantes), porté par l'Université Polytechnique Hauts-de-France (UPHF) et l'Université Catholique de Lille (ICL), propose la création d'un Immersif Learning Management System (I-LMS) en open source. Il vise à soutenir une communauté immersive et apprenante, à offrir des expériences d'apprentissage dans des mondes persistants, ainsi qu'à l'édition de ressources immersives. Voir : http://peia-demo.com/home L’implication d’aivancity dans le projet PEIA est de participer à la création de chatbot intelligents dans le cadre du I-LMS. Il s’agit d’un projet développé dans le cadre de la Clinique de l’IA.

Approximating sparse semi-nonnegative matrix factorization for X-Ray covid-19 Image Classification

Responsable : Dr. Amel MHAMDI

Ce projet a été élaboré à la suite des enjeux crées par la crise sanitaire du COVID-19 et ses conséquences sur le système de santé. Le but principal est de développer une analyse de données numériques et fiables sur le bon diagnostic des patients atteint de la pathologie. L’analyse se base sur les données d’imagerie médicale, notamment de radiologie thoracique, alors utilisées intensivement lors de la crise sanitaire. Le but de ce projet est de créer un nouvel algorithme, plus fiable que les algorithmes actuels, permettant la détection automatique des patients atteints sur la base de leur résultat d’imagerie. C’est dans ce cadre-là que des travaux de R&D ont été engagés.