Home » Évènement

Nantes Machine Learning MeetUp avec les gagnants du F’AI’R Education Hackathon

Lors de la finale du F’AI’R Education Hackathon organisée à Paris par l’Ambassade du Royaume-Uni en France les 25 et 26 février 2020, l’équipe « Next Wave Learning » composée de Mohamed Reda Marzouk, Sofiane Elguendouze et Timothée Poulain, stagiaires au LS2N a remporté la 3ème place ainsi que le prix “Wow”.
Le Hackathon reposait sur des données ouvertes produites dans le cadre du projet européen X5-GON.

Lors du meetup en ligne qui aura lieu lundi 8 juin de 19h à 21h, le challenge sera présenté, ainsi que les solutions (gagnantes) nantaises.

Parmi les speakers, notons la présence de Walid BEN ROMDHANE, ingénieur contractuel au sein des équipes DUKe et TALN)

L’événement aura lieu .

Détails et inscription : https://www.meetup.com/fr-FR/Nantes-Machine-Learning-Meetup/events/269895104/

Brain & Breakfast #4 – Intelligence artificielle : La machine est-elle plus intelligente que l’homme ?

Rendez-vous le vendredi 20 mars 2020 à partir de 9h15 à la Cafet’Sciences, pour le dernier Brain & Breakfast, petit déjeuner scientifique, de l’année universitaire sur le thème de l’intelligence artificielle.

L’intelligence artificielle peut-elle être… intelligente ?

Aujourd’hui, l’intelligence artificielle est annoncée partout : elle permet aux voitures d’être autonomes, aux logiciels de battre les humains à la plupart des jeux, aux médecins de mieux diagnostiquer. Les villes deviennent intelligentes, nos maisons sont connectées, les entreprises discutent avec nous par l’intermédiaire de robots…

Autour de la Chaire Unesco en Ressources Educatives Libres de l’Université de Nantes nous étudions les interactions entre intelligence artificielle et éducation. Celles-ci s’analysent dans les deux sens :

  • Peut-on utiliser l’IA pour améliorer l’éducation ? C’est par exemple ce que nous essayons de faire au sein du projet européen X5-GON qui cherche à analyser automatiquement les ressources éducatives libres du monde entier, quels que soient les thèmes, les supports, les langues, les domaines et les cultures. A partir de cette analyse il est ensuite possible de recommander un cours, d’organiser les cours par difficulté croissante et de proposer des chemins d’apprentissage.
  • Peut-on (et doit-on) se préparer à un monde dans lequel de nombreuses décisions seront prises par l’IA ? Et en premier lieu, comment préparer les enseignants ? Nous avons travaillé au niveau national dans le contexte de Class’Code, pour la formation des enseignants, et au niveau international avec l’Unesco, pour préparer une série de recommandations.

Intervenants :

  • Frédérique Krupa est Professeure à l’Ecole du Design de Nantes, Directrice du Human Machine Design Lab et s’intéresse à nos interactions avec l’IA
  • Victor Connes est Doctorant au LS2N et son travail, dans le cadre du projet européen X5-GON, consiste à construire des modèles à partir desquels il est possible d’inférer de nouvelles connaissances.
  • Bastien Masse est coordinateur de la Chaire Education Ouverte et Intelligence Artificielle et coordinateur national de l’association Class’Code qui vient juste de sortir le MOOC IAI.
  • Colin de la Higuera est titulaire de la Chaire Unesco en REL.

Plus d’infos.

L’équipe nantaise lauréate du Hackathon F’AI’R Education (AI for the Common Good)

Félicitations à l’équipe nantaise composée d’Aniss Bentebib, Camille-Amaury Juge et Vincent Kowalski qui vient de remporter le « AI for the Common Good: F’AI’R Education Hackathon » qui s’est disput à Paris fin février. L’événement était organisé par l’Ambassade du Royaume-Uni en France et a réuni 10 équipes de 4 pays européens, après avoir eu des rounds de qualification auxquels ont participé plus de 250 étudiants de Londres, Osnabrück, Ljubljana et Londres.

Belle performance également de l’équipe composée de Mohamed Reda Marzouk , Sofiane Elguendouze et Timothee Poulain, tous stagiaires au LS2N qui prend la 3ème place ainsi que le prix « Wow » !

A souligner le fantastique travail des coachs, préparateurs et co-organisateurs Walid Ben Romdhane et Victor Connes, du LS2N.

L’objectif du hackathon était de proposer des applications IA liées aux objectifs de développement durable définis par les Nations-Unies. Nos vainqueurs ont proposé un enseignant virtuel capable de répondre aux questions des étudiants, de leur proposer des ressources éducatives libres mais aussi d’intégrer des communautés d’apprenants dans plus d’une centaine de langues.

Prix Inria « Appui à la recherche et à l’innovation » 2019 décerné au projet Class’Code

Inria a décerné son Prix « Appui à la recherche et à l’innovation » au projet de médiation Class’Code. Lancé en 2015, Class’code a déjà permis de former 80 000 personnes à la pensée informatique. Il est porté en local par Colin de la Higuera (équipe TALN).

Plus d’infos sur le site d’Inria.

Soutenance de thèse de Jingshu LIU (équipe TALN)

Jingshu Liu, doctorant au sein de l’équipe TALN, soutiendra sa thèse intitulée « Apprentissage de représentations cross-lingue d’expressions de longueur variable » / « Unsupervised cross-lingual representation modeling for variable length phrases »

mercredi 29 janvier 2020 à 14h, dans l’amphi du bât 34 sur le site de la FST.

Jury :
– Directeur thèse : Emmanuel Morin
– Co-encadrant : Sebastian Pena Saldarriaga
– Rapporteurs : Pierre Zweigenbaum (CNRS Univ Saclay), Laurent Besacier (U Grenoble Alpes),
– Autres membres : Olivier Ferret (Ingénieur Chercheur CEA LIST)

Resumé : L’étude de l’extraction de lexiques bilingues à partir de corpus comparables a été souvent circonscrite aux mots simples. Les méthodes classiques ne peuvent gérer les expressions complexes que si elles sont de longueur identique, tandis que les méthodes de plongements de mots modélisent les expressions comme une seule unité. Ces dernières nécessitent beaucoup de données, et ne peuvent pas gérer les expressions hors vocabulaire. Dans cette thèse, nous nous intéressons à la modélisation d’expressions de
longueur variable par co-occurrences et par les méthodes neuronales état de l’art. Nous étudions aussi l’apprentissage de représentation d’expressions supervisé et non-supervisé. Nous proposons deux contributions majeures. Premièrement, une nouvelle architecture appelée tree-free recursive neural network (TFRNN) pour la modélisation d’expressions indépendamment de leur longueur. En apprenant à prédire le contexte de l’expression à partir de son vecteur encodé, nous surpassons les systèmes état de l’art de synonymie monolingue en utilisant seulement le texte brut pour l’entraînement. Deuxièmement, pour la modélisation cross-lingue, nous incorporons une architecture dérivée de TF-RNN dans un modèle encodeur-décodeur avec un mécanisme de pseudo contre-traduction inspiré de travaux sur la traduction automatique neurale nonsupervisée. Notre système améliore significativement l’alignement bilingue des expressions de longueurs différentes.

Mots-clés : plongement lexical bilingue, alignement d’expressions, apprentissage non-supervisé

******

Abstract: Significant advances have been achieved in bilingual word-level alignment from comparable corpora, yet the challenge remains for phrase-level alignment. Traditional
methods to phrase alignment can only handle phrase of equal length, while word embedding based approaches learn phrase embeddings as individual vocabulary entries suffer
from the data sparsity and cannot handle out of vocabulary phrases. Since bilingual alignment is a vector comparison task, phrase representation plays a key role. In this thesis, we
study the approaches for unified phrase modeling and cross-lingual phrase alignment, ranging from co-occurrence models to most recent neural state-of-the-art approaches. We review supervised and unsupervised frameworks for modeling cross-lingual phrase representations. Two contributions are proposed in this work. First, a new architecture called tree-free recursive neural network (TF-RNN) for modeling phrases of variable length which, combined with a wrapped context prediction training objective, outperforms the state-of-the-art approaches on monolingual phrase synonymy task with only plain text training data. Second, for cross-lingual modeling, we propose to incorporate an architecture derived from TF-RNN in an encoder-decoder model with a pseudo back translation mechanism inspired by unsupervised neural machine translation. Our proposition improves significantly bilingual alignment of different length phrases.

Keywords: bilingual word embedding, bilingual phrase alignment, unsupervised learning

Projet OnBoard (connecting cities through education)

Le projet OnBoard est un projet Européen dont la ville de Nantes est partenaire et que Colin de la Higuera et Bastien Masse accompagnent à partir de leur expérience dans Class’Code et la Chaire Unesco. L’objectif est de bâtir des projets éducatifs à l’échelle de la ville, incluant de nombreux acteurs : l’école, les entreprises, les associations et l’enseignement supérieur.

La réunion du projet à Albergaria-a-Velha, au Portugal, en septembre 2019 était organisée autour du rôle de l’enseignement supérieur dans ce type de dispositifs. Voir l’interview de Colin sur YouTube.

Pour en savoir plus ou participer à ce type de projets au sein de la Chaire Académique Education Ouverte et Intelligence Artificielle, contactez : cdlh@univ-nantes.fr ou bastien.masse@univ-nantes.fr.

Interventions de Colin de la Higuera (équipe TALN) sur l’IA

Colin de la Higuera animera des débats et présentations sur l’intelligence artificielle dans le cadre de 3 manifestations grand public :

Copyright : LS2N 2017 - Mentions Légales - 
 -