Wintics double laureat datacity

Wintics est double lauréat du programme DataCity

Dans le cadre de la troisième édition du programme DataCity, NUMA Paris et la Mairie de Paris ont révélé le 28 février 2018 le nom des 14 start-up sélectionnées pour participer à la construction de la ville de demain. Retenues parmi près de 300 candidatures, Wintics va travailler sur deux challenges :

  • Fiabiliser les données de trafic routier en Ile-de-France pour réduire la congestion
  • Accélérer l’implantation des bornes électriques en voirie tout en prenant en compte les besoins réels des usagers

Wintics est heureux de pouvoir mettre son expertise en Intelligence Artificielle et Data Science au service des enjeux urbains du futur.

 

Qu’est-ce que DataCity ?

Créé par NUMA et la Ville de Paris en 2015, DataCity est un programme d’innovation qui propose de mettre les nouvelles technologies au service des grands enjeux de la ville de demain : environnement, qualité de vie, mobilité, etc.

Pour cela, le programme met en relation des grands groupes et des start-up tech. Les grands groupes apportent leur expertise métier ainsi que des Big Data pertinentes tandis que les start-up apportent leur expertise technique afin de développer ensemble des solutions concrètes visant à améliorer la qualité de vie des Parisiens.

Pour cette troisième édition du programme, quatorze challenges ont été imaginés par Numa, la Mairie de Paris et les grands groupes. Ces challenges couvrent des domaines aussi variés que la mobilité, l’énergie, le réemploi, le développement économique local ou encore l’aménagement urbain.

Wintics, lauréat de deux challenges, travaillera sur des sujets de mobilité et d’aménagement de la ville pendant les deux mois de la phase d’expérimentation du programme qui débute le 8 mars. Cette phase a pour but de donner naissance à un prototype de produit testé sur une zone géographique restreinte. En cas de succès, ces solutions pourraient être déployées à plus grande échelle en Ile-de-France ou dans d’autres grandes villes.

 

A propos des deux challenges de Wintics

Fiabiliser les données de trafic routier pour réduire la congestion

Partenaires du challenge : DiRIF et SETEC

La DiRIF, qui assure la gestion des routes en Ile-de-France, est en charge de l’information des automobilistes sur l’état du trafic (ex : temps de trajet entre deux portes sur le périphérique). Pour cela, elle s’appuie sur des capteurs intégrés dans la chaussée qui comptent les véhicules et enregistrent leur vitesse afin d’en déduire une densité du trafic et des temps de trajets par tronçons.

Cette solution apporte des données précises, mais le parc de capteurs, qui ont été installés pour les premiers dans les années 80, est de moins en moins fonctionnel. “Selon nos estimations, renouveler l’intégralité du parc nous coûterait 40 millions d’euros”, affirme Romain Rémésy, chef de l’unité observatoire et ingénierie du trafic de la DiRIF.

La DiRIF cherche donc à remplacer cette approche historique par une nouvelle approche non plus fondée sur les données issues des capteurs mais plutôt sur des données GPS (appelées FCD pour Floating Car Data) issues des données de géolocalisation de certains automobilistes connectés.

Problème, les données FCD donnent seulement la vitesse moyenne du trafic, ce qui permet de déduire indirectement son intensité (une vitesse très lente indique des bouchons), mais pas de compter précisément le nombre de véhicules.

La DiRIF et SETEC ont donc sélectionné Wintics en tant que partenaire technique pour les aider à développer une solution algorithmique capable de déduire les nombre de voitures présents sur un tronçon à partir des vitesses moyennes FCD.

Pour cela, « Wintics va entrainer un algorithme sur la base de 18 mois de données historiques. Cet algorithme sera capable d’associer à une vitesse FCD moyenne et une configuration spécifique (par exemple jour, mois, année, type de voie, etc) une information de comptage fiable » souligne Lévi Viana, CTO de Wintics.

Si la méthode fonctionne avec une précision satisfaisante, elle permettra à la DiRIF de se débarrasser de la plupart de ses compteurs historiques tout en conservant une qualité de service optimale pour les automobilistes.

Wintics DataCity Prevision trafic

 

Accélérer l’implantation des bornes électriques en voirie tout en prenant en compte les besoins réels des usagers

Partenaires du challenge : ALD Automotive, Bouygues Energies & Services, Mairie de Paris et Sopra Steria

Afin de mieux répondre aux attentes des Parisiens, les acteurs de l’urbanisme souhaitent déployer massivement des bornes de recharge pour les véhicules électriques. Cela suppose de pouvoir identifier rapidement les emplacements les plus pertinents pour l’implantation de ces bornes au regard de deux types d’analyses : une analyse spatiale regroupant toutes les contraintes techniques (présence de réseaux d’électricité, de gaz, végétation, etc) et une analyse économique (potentiel d’utilisation des bornes selon le profil de la population avoisinante).

Ce travail est aujourd’hui très manuel et chronophage, constituant ainsi une barrière à un déploiement rapide des bornes. Wintics a été sélectionné pour automatiser les analyses techniques et économiques pour chaque place de stationnement.

« La combinaison de nos expertises techniques en Data Science, Data Engineering et analyse économique ainsi que nos expériences passées sur les enjeux d’aménagement des villes doit nous permettre de proposer à nos partenaires une solution clé en main capable de les aider dans leurs travaux de planification de l’installation des bornes de recharge » précise Matthias Houllier, co-fondateur de Wintics.

Wintics DataCity Implantation bornes electriques

 

<<< Lien vers le site DataCity >>>

<<< Lien vers le projet des données routières >>>

<<< Lien vers le projet des bornes électriques >>>

les réseaux de neurones GAN (generative adversarial networks)

La Data Science devient créative avec les GAN

Les champs d’application de la Data Science ne cessent de s’élargir. Les IA savaient déjà classer et prédire, elles deviennent créatives avec les GAN.

 

Les GAN, qu’est-ce que c’est ?

La technologie GAN (Generative Adversarial Networks), introduite en 2014 par Ian Goodfellow, est une approche innovante de programmation pour l’élaboration de modèles génératifs, c’est-à-dire capables de produire eux-mêmes des données.

Son développement rapide au cours des dernières années et ses multiples applications en font l’une des découvertes récentes les plus prometteuses du Machine Learning. Yann LeCun (patron de la recherche en IA chez Facebook) l’a d’ailleurs présentée comme « l’idée la plus intéressante des 10 dernières années dans le domaine du Machine Learning ».

En termes techniques, les GAN reposent sur l’entrainement non supervisé (unsupervised learning) de deux réseaux de neurones artificiels appelés Générateur et Discriminateur. Ces deux réseaux s’entrainent l’un l’autre dans le cadre d’une relation contradictoire :

  • le Générateur est en charge de créer des designs (ex : des images)
  • le Discriminateur reçoit des designs provenant (i) du générateur et (ii) d’une base de données constituée de designs réels. Il est en charge d’identifier la source de chaque design et ainsi de deviner si ces designs sont réels ou s’ils ont été générés par le Générateur.

A la suite du travail du Discriminateur, deux boucles de feedbacks transmettent aux deux réseaux de neurones l’identité des designs sur lesquels ils doivent s’améliorer.

  • Le Générateur reçoit l’identité des designs sur lesquels il a été démasqué par le Discriminateur,
  • Le Discriminateur reçoit l’identité des designs sur lesquels il a été trompé par le Générateur.

Les deux algorithmes entretiennent donc une relation gagnant-gagnant d’amélioration continue : le Générateur apprend à créer des designs de plus en plus réalistes et le Discriminateur apprend à identifier de mieux en mieux les designs réels de ceux provenant du Générateur.

les GAN qu'est ce que c'est

Prenons l’exemple bien connu des faussaires de billets de banque traqués par les policiers.

Le Générateur joue le rôle d’un faussaire qui produit une liasse de 100 faux billets de banque (dont les designs sont tous différents). Il la présente à un policier (le Discriminateur) qui, grâce à l’observation d’une base de données de billets authentiques qui lui a été transmise, a des connaissances basiques en identification de billets contrefaits. Le policier va donc analyser les billets du faussaire et les classer en deux catégories : ceux qu’il pense être vrais et ceux qu’il pense être faux. A chaque fois qu’un faux billet est identifié par le policier, celui-ci est renvoyé au faussaire. Cela va permettre à ce-dernier de connaitre les designs qui n’ont pas été capables de tromper la police et par symétrie, ceux qui ont été assez réalistes pour passer à travers les contrôles. Par cette logique d’apprentissage, le faussaire va pouvoir créer de nouveaux billets plus réalistes et les représenter au policier. Celui-ci donnera une nouvelle fois son verdict et ainsi de suite. Le processus s’arrête lorsque le faussaire (i.e. le Générateur) est capable de créer des billets qui trompent le policier (i.e. le Discriminateur) à tous les coups.

 

Quelques exemples d’application des GAN

Génération d’images

Jusqu’alors, les GAN ont surtout été utilisés pour la génération d’images avec des résultats satisfaisants : les images produites par des GAN peuvent être si réalistes que l’œil humain ne peut pas imaginer qu’elles ont été créées de toutes pièces (ou plutôt de tous pixels) par un ordinateur.

Voici quelques exemples d’images créées par des GAN.

Les images de chats présentées ci-dessous ne sont pas de vraies photos. Elles ont été générées par un modèle GAN entrainé sur la base de 10 000 photographies de chats. A noter que plus la base de données d’entrainement est grande, plus les images générées seront réalistes.

GAN - generative adversarial networks - chats

Image: Alexia Jolicoeur-Martineau/Meow Generator

Au-delà de cet exemple animalier, les applications business sont multiples pour les entreprises et peuvent concerner de nombreux secteur.

Génération de planches de designs pour l’automobile, le prêt-à-porter, l’ameublement, etc

L’application la plus immédiate est des GAN est la génération d’idées de designs et de styles. Les GAN peuvent en effet produire des planches de styles qui pourraient alimenter la réflexion des responsables de la création et du design dans les entreprises, aussi bien dans la mode, que dans l’ameublement ou l’automobile.

Par exemple, les modèles de chaussures de sport présentés ci-dessous ont été générés par un modèle GAN.

GAN - generative adversarial networks - chaussures

Image: Deverall, Lee, Ayala/ Using Generative Adversarial Networks to Design Shoes

Génération de nouveaux personnages et de maps (i.e. décors) évolutives pour les jeux vidéo

Les jeux vidéo sont devenus de vrais blockbusters avec des budgets dignes des productions hollywoodiennes. Dans la course au réalisme et à l’immersion, les studios investissent des budgets significatifs pour créer des maps tentaculaires et des nouveaux décors qui permettent à chacun d’explorer le jeu de façon inédite.

Les GAN peuvent permettre aux éditeurs de générer des maps et des décors très réalistes en temps réel en fonction des déplacements dans le jeu des personnages. La « taille » des jeux devient alors infinie sans surcoût significatif de développement.

Génération de dessins techniques pour l’industrie

En alimentant un réseau GAN avec des dessins techniques et les caractéristiques correspondantes, les GAN sont capables de générer de nouveaux dessins techniques par exemple pour créer des châssis de voiture, des profils d’ailes d’avion, des coques de bateaux, etc.

C’est ce que présente Maurice Conti (responsable d’un grand laboratoire d’innovation : www.alpha.company) dans la vidéo ci-dessous où un algorithme génératif est utilisé pour créer un châssis de voiture de sport ultra-performant.

Prenons un autre exemple, celui du profil d’une aile d’avion, pour comprendre comment cela fonctionne. En alimentant un modèle GAN avec les données techniques d’un grand nombre de profils existants (matériaux, aérodynamisme, courbure, résistance, etc), le Générateur va apprendre à créer des dessins techniques répondant aux contraintes physiques et matériels de l’aviation, par exemple :

  • tel type de matériau doit être utilisé sur telle partie de l’aile
  • la structure doit être de telle épaisseur au niveau de l’embase des réacteurs
  • etc

Combinée à une fonction d’optimisation – par exemple, minimiser le coefficient de pénétration dans l’air – le modèle sera capable de générer des dessins (i) respectant les contraintes techniques et (ii) innovants en termes de performance.

Augmentation de la résolution d’images pour les enjeux de sécurité

Les images issues des vidéos de caméras de surveillance ne sont pas toujours d’une grande qualité et ne permettent pas nécessairement l’identification des éléments recherchés (ex : lecture d’une plaque d’immatriculation, reconnaissance d’un visage, visualisation d’un objet, etc).

Une sous-famille des GAN (les SRGAN : Super-Resolution Generative Adversarial Networks) a démontré sa capacité à augmenter la résolution d’images. Le Générateur produit alors des images de bonne qualité à partir d’images de qualité médiocre. Il les soumet au Discriminateur qui a été entrainé sur une base d’images de bonne résolution. Lorsque les images produites par le Générateur sont d’assez bonne qualité pour tromper le Discriminateur, le modèle s’arrête.

Les SRGAN peuvent ainsi être utilisés pour améliorer la qualité des images des caméras de vidéos surveillance et ainsi faciliter le travail d’identification des personnes qui les visionnent.

GAN - generative adversarial networks - resolution images

Image: motiondsp.com

Et pourquoi pas l’écriture de textes (poésie, essais, romans, notes de synthèses, etc)

On pourrait entraîner un réseau GAN sur la base de romans policiers et lui demander d’en générer un nouveau.

 

Le mot de la fin : créer et innover grâce aux GAN

Avec l’apparition des GAN, la Data Science s’est dotée d’un formidable outil de création et s’attaque ainsi à ce qui semblait être un des derniers prés carrés de l’intelligence humaine. Les premières applications se sont surtout développées autour de la génération d’images mais les possibilités de cette nouvelle technologie sont très nombreuses. Elle semble être un outil puissant au service de l’innovation produit.

Nous ne manquerons pas de publier sur ce blog les résultats des travaux de R&D de Wintics sur les GAN pour vous faire découvrir de nouvelles applications business.

 

Wintics recrute des data scientists

Wintics recrute des Data Scientists (stage et CDI)

Pour accompagner sa croissance, Wintics recrute toute l’année des Data Scientists en stage (3 à 6 mois) et CDI.

 

Travailler chez Wintics

Travailler chez Wintics, c’est participer à une aventure entrepreneuriale ambitieuse !

Nous avons l’ambition de booster la compétitivité de nos clients grâce aux nouvelles technologies issues de l’intelligence artificielle. Pour cela, nous les aidons à développer des algorithmes de Machine Learning et de Recherche Opérationnelle à fort impact business.

Si toi aussi tu es convaincu de l’intérêt de développer des solutions mathématiques pour des enjeux business en entreprise, que tu cherches à approfondir tes connaissances en Data Science et en Intelligence Artificielle auprès d’experts et que tu veux découvrir le monde des startups, Wintics est fait pour toi !

 

Ta mission

Tu travailleras avec une équipe d’ingénieurs très motivés et seras, entre autre, amené à explorer des bases de données, à mettre en place des algorithmes, et à présenter tes solutions aux clients. Tu exploreras des domaines techniques vastes et divers (deep learning, computer vision, IoT industriel, etc.)

 

Profil recherché

  • Bac+4/5 en statistiques, mathématiques, informatique, économie ou autre formation impliquant l’analyse quantitative
  • Connaissances solides en Python ou R et en machine learning
  • Pragmatique, curieux(se) et proactif(ve)
  • Sensibilité business

 

<< Candidature par mail à contact@wintics.com >>