Intelligence Ambiante Pro-Active De la Spécification à l Impléme

Dimension: px
Commencer à balayer dès la page:

Download "Intelligence Ambiante Pro-Active De la Spécification à l Impléme"

Transcription

1 Intelligence Ambiante Pro-Active De la Spécification à l Implémentation Patrick Reignier, équipe PRIMA / LIG Université de Grenoble Jeudi 16 Septembre 2010

2 Activité de recherche : Doctorat Navigation réactive pour un robot mobile : Poste de MdC à l ENI Brest Environnement multi-agents pour la réalité virtuelle A partir de 2000 : Poste de MdC à l Université Joseph Fourier Intelligence Ambiante

3 l intelligence Ambiante Pro-Active Spe cification du contexte Point de vue De veloppeur Origines The Computer for the 21st Century [Weiser, 1991] Patrick Reignier, e quipe PRIMA / LIG Universite de Grenoble Intelligence Ambiante Pro-Active De la Spe cification a l Imple me

4 1991 : la vision de Weiser

5 1991 : la vision de Weiser

6 1991 : la vision de Weiser 1995 : l informatique calme

7 1991 : la vision de Weiser 1995 : l informatique calme

8 Intelligence ambiante

9 Intelligence Ambiante (suite) Bureau Active Badge [Want et al., 1992] Domestique Adaptive House [Mozer, 1998] Education eclass (Classroom 2000) [Abowd et al., 1996] Applications Pro-Actives Interaction Homme-Machine Implicite [Schmidt, 2005] Entrées implicites (actions utilisateur correspondant à sa tâche) Sorties implicites

10 Bilan l intelligence Ambiante Pro-Active Informatique Ubiquitaire: Depuis 2000 : explosion du nombre de terminaux OK Informatique Ambiante Pro-Active: De nombreux verrous scientifiques Difficulté à sortir des laboratoires

11 Bilan l intelligence Ambiante Pro-Active Informatique Ubiquitaire: Depuis 2000 : explosion du nombre de terminaux OK Informatique Ambiante Pro-Active: De nombreux verrous scientifiques Difficulté à sortir des laboratoires

12 Bilan l intelligence Ambiante Pro-Active Informatique Ubiquitaire: Depuis 2000 : explosion du nombre de terminaux OK Informatique Ambiante Pro-Active: De nombreux verrous scientifiques Difficulté à sortir des laboratoires

13 Axe de recherche Développement des Applications Ambiantes Pro-Actives Faciliter leur déploiement Approche transversale Deux catégories d acteurs: Développeur Utilisateur final Propriétés importantes : confiance, compétence [Maes, 1994]

14 Confiance l intelligence Ambiante Pro-Active La confiance d un usager est basée sur la perception de la compétence du système [Muir & Moray, 1996] Cadre plus large des systèmes automatisés Utilisation optimale d un système: Confiance de l usager compatible avec la compétence du système Calibration of trust Relation de confiance Homme-Machine: relation de confiance Homme-Homme

15 Confiance l intelligence Ambiante Pro-Active La confiance d un usager est basée sur la perception de la compétence du système [Muir & Moray, 1996] Cadre plus large des systèmes automatisés Utilisation optimale d un système: Confiance de l usager compatible avec la compétence du système Calibration of trust Relation de confiance Homme-Machine: relation de confiance Homme-Homme

16 Quelques pistes pour l établissement de la confiance Fournir un retour à l utilisateur sur son fonctionnement: Intelligibilité [Bellotti & Edwards, 2001] Ce qu il sait, comment il le sait, ce qu il en fait Compréhensibilité [Cheverst et al., 2005] Percevoir son fonctionnement interne (Glass Box) Scrutabilité [Kay et al., 2003] Capacité à interroger le modèle ( à l ordinateur invisible) Le fil conducteur de toutes nos approches

17 Quelques pistes pour l établissement de la confiance Fournir un retour à l utilisateur sur son fonctionnement: Intelligibilité [Bellotti & Edwards, 2001] Ce qu il sait, comment il le sait, ce qu il en fait Compréhensibilité [Cheverst et al., 2005] Percevoir son fonctionnement interne (Glass Box) Scrutabilité [Kay et al., 2003] Capacité à interroger le modèle ( à l ordinateur invisible) Le fil conducteur de toutes nos approches

18 Sommaire l intelligence Ambiante Pro-Active 1 2 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel 3 Adaptation supervisée de situations Apprentissage renforcé de situations 4

19 Architecture générale

20 Architecture générale

21 3 Etapes l intelligence Ambiante Pro-Active

22 3 Etapes l intelligence Ambiante Pro-Active

23 3 Etapes l intelligence Ambiante Pro-Active

24 3 Etapes l intelligence Ambiante Pro-Active

25 Spécification

26 Quel modèle de contexte? Premières définitions: orientées Localisation Ex: ActiveMaps [Schilit & Theimer, 1994] Concept beaucoup plus riche: Ex: [Schmidt et al., 1998]: Facteurs humains: environnement social,... Facteurs physiques: lumière, son,... Quels facteurs doit-on modéliser? Tout ce qui concerne l interaction entre les usagers et le système [Dey, 2001] Comment doit-on le modéliser? Notre approche pour la spécification [Crowley et al., 2002]

27 Quel modèle de contexte? Premières définitions: orientées Localisation Ex: ActiveMaps [Schilit & Theimer, 1994] Concept beaucoup plus riche: Ex: [Schmidt et al., 1998]: Facteurs humains: environnement social,... Facteurs physiques: lumière, son,... Quels facteurs doit-on modéliser? Tout ce qui concerne l interaction entre les usagers et le système [Dey, 2001] Comment doit-on le modéliser? Notre approche pour la spécification [Crowley et al., 2002]

28 Quel modèle de contexte? Premières définitions: orientées Localisation Ex: ActiveMaps [Schilit & Theimer, 1994] Concept beaucoup plus riche: Ex: [Schmidt et al., 1998]: Facteurs humains: environnement social,... Facteurs physiques: lumière, son,... Quels facteurs doit-on modéliser? Tout ce qui concerne l interaction entre les usagers et le système [Dey, 2001] Comment doit-on le modéliser? Notre approche pour la spécification [Crowley et al., 2002]

29 Quel modèle de contexte? Premières définitions: orientées Localisation Ex: ActiveMaps [Schilit & Theimer, 1994] Concept beaucoup plus riche: Ex: [Schmidt et al., 1998]: Facteurs humains: environnement social,... Facteurs physiques: lumière, son,... Quels facteurs doit-on modéliser? Tout ce qui concerne l interaction entre les usagers et le système [Dey, 2001] Comment doit-on le modéliser? Notre approche pour la spécification [Crowley et al., 2002]

30 Notre approche Modélisation du monde Dialogue Développeur Utilisateur Langage graphique Représentation prédicative Vision Buts Tâches Etats [Nilsson, 1982]

31 Points de vue Point de vue utilisateur: Monde: graphe d états Arcs: actions Activité: choix opportuniste des actions ( états buts) Plans Point de vue système: Monde: graphe d états Arcs: séquencement temporel des états Reconnaître un scénario. Activité: choix opportuniste des actions

32 Points de vue Point de vue utilisateur: Monde: graphe d états Arcs: actions Activité: choix opportuniste des actions ( états buts) Plans Point de vue système: Monde: graphe d états Arcs: séquencement temporel des états Reconnaître un scénario. Activité: choix opportuniste des actions

33 Modèle de contexte : PRIMA Entité Un ensemble de propriétés Rôle Prédicat Unaire Filtre d entités Exemple : Orateur(O)

34 Modèle de contexte : PRIMA Entité Un ensemble de propriétés Rôle Prédicat Unaire Filtre d entités Exemple : Orateur(O)

35 Modèle de contexte : PRIMA Entité Un ensemble de propriétés Rôle Prédicat Unaire Filtre d entités Exemple : Orateur(O)

36 Modèle de contexte : Prima (suite) Relation Prédicat n-aire Contraintes inter-entités Exemple : Proche(E 1,E 2 ) Situation Conjonction de Rôles et de Relations Les rôles sélectionnent les entités Les relations ajoutent des contraintes à cette sélection Exemple: Orateur(O) Ecran(E) Proche(O, E)

37 Modèle de contexte : Prima (suite) Relation Prédicat n-aire Contraintes inter-entités Exemple : Proche(E 1,E 2 ) Situation Conjonction de Rôles et de Relations Les rôles sélectionnent les entités Les relations ajoutent des contraintes à cette sélection Exemple: Orateur(O) Ecran(E) Proche(O, E)

38 Modèle de contexte : Prima (suite) Contexte (Scénario) Graphe de situations Liens = contraintes temporelles de Allen Comment sélectionner les situations clés? Impossibilité de tout décrire Contrainte de perception Etre guidé par les actions Quelles actions souhaite t on que le système déclenche? Dans quelles situations doit il les déclencher?

39 Modèle de contexte : Prima (suite) Contexte (Scénario) Graphe de situations Liens = contraintes temporelles de Allen Comment sélectionner les situations clés? Impossibilité de tout décrire Contrainte de perception Etre guidé par les actions Quelles actions souhaite t on que le système déclenche? Dans quelles situations doit il les déclencher?

40 Exemple : le scénariste

41 Approche l intelligence Ambiante Pro-Active

42 Représentationnel vs Interactionniste Peux t on spécifier le contexte en amont? Remise en cause de la vision plan de la cognition [Greenberg, 2001]: Action située, Théorie de l activité Action = résultat de l interaction de l individu et de son environnement Plan = ressource Remise en cause de la spécification en amont (vision statique) [Dourish, 2004]. Deux catégories de modèles: Représentationnel : quel aspect du monde représenter? Interactionniste : relation entre objets et activités

43 Représentationnel vs Interactionniste

44 Représentationnel vs Interactionniste

45 Représentationnel vs Interactionniste

46 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

47 Apprentissage automatique de rôles Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

48 Rôles l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Filtre basé sur les propriétés des entités Problème de catégorisation: Apprentissage non supervisé: (+) Facile à mettre en oeuvre (-) Plus difficile à interpréter Apprentissage supervisé: (+) Retour plus facile vers l utilisateur (-) Annotation de données

49 Rôles l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Filtre basé sur les propriétés des entités Problème de catégorisation: Apprentissage non supervisé: (+) Facile à mettre en oeuvre (-) Plus difficile à interpréter Apprentissage supervisé: (+) Retour plus facile vers l utilisateur (-) Annotation de données

50 Rôles l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Filtre basé sur les propriétés des entités Problème de catégorisation: Apprentissage non supervisé: (+) Facile à mettre en oeuvre (-) Plus difficile à interpréter Apprentissage supervisé: (+) Retour plus facile vers l utilisateur (-) Annotation de données

51 Apprentissage supervisé de rôles Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Approche générative Classification Bayesienne Mixture de gaussienne pour modéliser chaque classe (EM) Approche discriminative Support Vector Machine Noyau RBF

52 Expérimentation l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

53 Bilan l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Résultats légèrement supérieurs pour SVM Mais: Discriminatif: (+) Forte généralisation (-) Détection de nouvelles classes Génératif: (+) Détection de nouvelles classes Approche hybride:

54 Bilan l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Résultats légèrement supérieurs pour SVM Mais: Discriminatif: (+) Forte généralisation (-) Détection de nouvelles classes Génératif: (+) Détection de nouvelles classes Approche hybride:

55 Reconnaissance de situations Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

56 Reconnaissance de scénarios Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Construire un détecteur: Vérifier que les événements perceptifs sont compatibles avec la spécification Pas de modèle de reconnaissance universel Passer facilement d un modèle à l autre (MDE): Tansformation Model 2 Model Transformation Model 2 Code

57 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Modèle de contexte réseau de Petri Transformation Model 2 Model

58 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Premier méta-modèle : réseau de Petri synchronisé Evénements pour contrôler les transitions Transition S1 S2: Règles de Petri Détection par la perception que: S1 n est plus valide S2 est valide Transformation Model 2 Code Génération de règles Jess

59 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Second méta-modèle: réseau de Petri flous

60 Réseau de Petri synchronisé Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Bien adapté pour une application mono-scénario Application multi-scénarios? Bibliothèque partielle Lequel ressemble le plus aux observations? Réseaux de Petri flous

61 Reconnaissance floue de scénarios Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Fuzzification des concepts du réseau de Petri Synchronisé Situation floue Transition floue Chaque situation détectée est une nouvelle preuve pour le scénario correspondant Fusion de preuves Mesure floue [Sugeno, 1977]: importance de la situation Intégrale floue [Grabish, 2006]: fusion des preuves partielles

62 Exemple l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

63 Apprentissage de situations Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

64 Apprentissage de situations Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Données initiales : une séquence enregistrée de perception Processus en 3 étapes: 1 Découpage automatique de la séquence en segments 2 Nommage des segments par un expert 3 Apprentissage supervisé d un modèle de chaque situation identifiée

65 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Découpage automatique des séquences temporelles Histogramme = caractéristique de l activité sur un segment Objectif : trouver un découpage Séparant clairement les activités Maximisant la différence d histogrammes

66 Divergence de Jeffrey Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

67 Fusion l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

68 Nommage l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

69 Apprentissage l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

70 Exemple l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

71 Modèle attentionnel Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

72 Objectif l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Agent pro-actif action implicite Quand? Comment? Avec quelle conscéquence sur l attention? Objectif Rendre l attention explicite

73 Objectif l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Agent pro-actif action implicite Quand? Comment? Avec quelle conscéquence sur l attention? Objectif Rendre l attention explicite

74 Qu est ce que l attention? Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Un filtre: Evite d être submergé d événements perceptifs Permet de se concentrer sur une tâche particulière Filtrage partiel Attention = résistance à la distraction

75 Qu est ce que l attention? Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Un filtre: Evite d être submergé d événements perceptifs Permet de se concentrer sur une tâche particulière Filtrage partiel Attention = résistance à la distraction

76 Modèle attentionnel Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Deux composantes: Endogène: volontaire, intention Exogène: réflexe, perception Attention: Pinceau (direction + ouverture) Ressources limitées Représentation vectorielle Direction Norme = quantité de ressources

77 Métaphore gravitationnelle Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Intention = Vitesse initiale (endogène) Perturbation = forces gravitationnelles (exogène) Masse = saillance (niveau d une sonnerie de téléphone... )

78 Matrice attentionnelle Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

79 Point de vue utilisateur Adaptation supervisée de situations Apprentissage renforcé de situations

80 Adaptation supervisée de situations Adaptation supervisée de situations Apprentissage renforcé de situations

81 Adptation supervisée de situations Adaptation supervisée de situations Apprentissage renforcé de situations Utilisation de l application Enregistrement des événements Debreifing en fin de la journée:

82 Apprentissage renforcé Adaptation supervisée de situations Apprentissage renforcé de situations Apprentissage supervisé: Lourd à mettre en oeuvre Non interactif (corrections hors contexte) Apprentissage renforcé: Correction en ligne

83 Apprentissage renforcé Adaptation supervisée de situations Apprentissage renforcé de situations Exploration de grands espaces d états. Convergence lente Sollicitation importante et inopportune de l utilisateur final Apprentissage renforcé indirect Expériences simulées

84 Apprentissage renforcé indirect Adaptation supervisée de situations Apprentissage renforcé de situations Life Long Learning Enregistrement de l ensemble des événements perceptifs Apprentissage d un modèle du monde Apprentissage d un modèle de renforcement Exploitation des modèles pour la mise à jour de la politique Ré-injection de la nouvelle politique au sein de l agent

85 Exemple l intelligence Ambiante Pro-Active Adaptation supervisée de situations Apprentissage renforcé de situations

86 Sommaire l intelligence Ambiante Pro-Active 1 2 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel 3 Adaptation supervisée de situations Apprentissage renforcé de situations 4

87 Informatique ambiante? Yesterday s tomorrow [Bell & Dourish, 2007] Depuis 15 ans: toujours repoussé à demain Vision initiale: infrastructure continue et sans heurt Réalité: fouillis Ne souhaitent pas une informatique transparente Ne cherchent pas à re-programmer [Mackay, 2007] Veulent garder le contrôle (pro-active?) [Rogers, 2006] Doit engager la créativité et l imagination des utilisateurs From Pro-Active computers to Pro-Active people

88 Direction l intelligence Ambiante Pro-Active Quel type d assistant? Concierge : localisé, partagé Ange gardien : personnel, privatif Ange gardien End user programming: Co-construction Intimate computing [Lamming & Flynn, 1994]

89

90 Abowd, Gregory D., Atkeson, Christopher G., Feinstein, Ami, Hmelo, Cindy, Kooper, Rob, Long, Sue, Sawhney, Nitin, & Tani, Mikiya Teaching and learning as multimedia authoring: the classroom 2000 project. Pages of: Proceedings of the fourth ACM international conference on Multimedia. Boston, Massachusetts, United States: ACM. Bell, Genevieve, & Dourish, Paul Yesterday s tomorrows: notes on ubiquitous computing s dominant vision. Personal Ubiquitous Comput., 11(2), Bellotti, Victoria, & Edwards, Keith Intelligibility and accountability: human considerations in context-aware systems. Hum.-Comput. Interact., 16(2), Cheverst, Keith, Byun, Hee, Fitton, Dan, Sas, Corina, Kray, Chris, & Villar, Nicolas Exploring Issues of User Model Transparency and Proactive Behaviour in an Office Environment Control System. User Modeling and User-Adapted Interaction, 15(3), Crowley, James, Coutaz, Joelle, Rey, Gaeten, & Reignier, Patrick Perceptual Components for Context Aware Computing. Pages of: UbiComp 2002: Ubiquitous Computing. Dey, Anind K Understanding and Using Context. Personal and Ubiquitous Computing, 5(1), 4 7. Dourish, Paul What we talk about when we talk about context. Personal Ubiquitous Comput., 8(1),

91 Grabish, Michel L utilisation de l intégrale de Choquet en aide multicritère à la décision. Newsletter of the European Working Group Multicriteria Aid for Decisions, 3(14). Greenberg, Saul Context as a Dynamic Construct. Human-Computer Interaction, 16, Kay, J., Kummerfeld, B., & Lauder, P Managing private user models and shared personas. Page 1 11 of: UM03 Workshop on User Modeling for Ubiquitous Computing. Lamming, M., & Flynn, M Forget-me-not: intimate computing in support of human memory. In: Proceedings FRIEND21 Symposium on Next Generation Human Interfaces. Mackay, Wendy Applications Domestiques. Pages of: Informatique Diffuse, Observatoire Français des Techniques Avancées. Série Arago 31. Maes, Pattie Agents that reduce work and information overload. Commun. ACM, 37(7), Mozer, Michael C The Neural Network House : An Environment that Adapts to its Inhabitants. Pages of: Proceedings of the American Association for Artificial Intelligence Spring Symposium on Intelligent Environments. Menlo Park, CA: AAAI Press.

92 Muir, Bonnie M., & Moray, Neville Trust in automation. Part II. Experimental studies of trust and human intervention in a process control simulation. Ergonomics, 39(3), 429. Nilsson, Nils J Principles of Artificial Intelligence. Springer. Rogers, Yvonne Moving on from Weiser s Vision of Calm Computing: Engaging UbiComp Experiences. Pages of: UbiComp 2006: Ubiquitous Computing. Schilit, B.N., & Theimer, M.M Disseminating active map information to mobile hosts. Network, IEEE, 8(5), Schmidt, Albrecht Interactive Context-Aware Systems Interacting with Ambient Intelligence. Chap. 9, page of: Riva, G., Vatalaro, F., Davide, F., & Alcaniz, M. (eds), Ambient Intelligence. IOS Press. Schmidt, Albrecht, Beigl, Michael, & w Gellersen, Hans There is more to Context than Location. COMPUTERS AND GRAPHICS, 23, Sugeno, M Fuzzy Automata and Descision Process. Chap. Fuzzy Measures and Fuzzy Integrals, pages

93 Want, Roy, Hopper, Andy, Falcão, Veronica, & Gibbons, Jonathan The active badge location system. ACM Trans. Inf. Syst., 10(1), Weiser, Mark The Computer for the 21st Century. Scientific American, février.

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services 69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard

Plus en détail

Vers un nouveau paradigme d interaction humain-ordinateur porté

Vers un nouveau paradigme d interaction humain-ordinateur porté Vers un nouveau paradigme d interaction humain-ordinateur porté Nicolas Plouznikoff nicolas.plouznikoff_à_polymtl.ca Alexandre Plouznikoff alexandre.plouznikoff_à_polymtl.ca (étudiant au doctorat, génie

Plus en détail

CAPE: Context-Aware Agile Business Process Engine

CAPE: Context-Aware Agile Business Process Engine CAPE: Context-Aware Agile Business Process Engine Irina Rychkova, Manuele Kirsch Pinheiro, Bénédicte Le Grand To cite this version: Irina Rychkova, Manuele Kirsch Pinheiro, Bénédicte Le Grand. CAPE: Context-Aware

Plus en détail

Un système multi-agents sensible au contexte pour les environments d intelligence ambiante

Un système multi-agents sensible au contexte pour les environments d intelligence ambiante sensible au contexte pour les Andrei Olaru Directeurs de thèse: Adina Magda Florea, AI-MAS Lab, UPB Amal El Fallah Seghrouchni, LIP6, UPMC 27062011 Rapport d avancement Paris, France, 27062011 0/ 13 Positionnement

Plus en détail

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche Réseaux Sociaux Révolution des usages sur Internet, et nouvelles problématiques de recherche Pierre Maret, Laboratoire Hubert Curien, St-Etienne Adrien Joly, Alcatel-Lucent Bell Labs France, Villarceaux

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

Adaptation dynamique de l interaction multimodale dans les environnements ubiquitaires

Adaptation dynamique de l interaction multimodale dans les environnements ubiquitaires Adaptation dynamique de l interaction multimodale dans les environnements ubiquitaires Slim Ben Hassen Orange Labs Lannion, France slim.benhassen@orange.com Abstract Mariano Belaunde Orange Labs Lannion,

Plus en détail

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome ENNAJI Mourad LASC université de Metz Ile du Saulcy B.P 80794 57 012 METZ Ennaji@lasc.sciences.univ-metz.fr Résumé Cet

Plus en détail

Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA

Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz

Plus en détail

Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents

Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents Directeur de thèse : Bruno Zanuttini GREYC, UMR 6072 UNICAEN/CNRS/ENSICAEN, équipe MAD Démarrage

Plus en détail

Comment rendre un site d e-commerce intelligent

Comment rendre un site d e-commerce intelligent Comment rendre un site d e-commerce intelligent Alexei Kounine CEO +33 (0) 6 03 09 35 14 alex@tastehit.com Christopher Burger CTO +49 (0) 177 179 16 99 chris@tastehit.com L embarras du choix Donner envie

Plus en détail

Programmation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006

Programmation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006 vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan

Plus en détail

Perspectives pour l entreprise. Desktop Cloud. JC Devos IBM IT Architect jdevos@fr.ibm.com. 2010 IBM Corporation

Perspectives pour l entreprise. Desktop Cloud. JC Devos IBM IT Architect jdevos@fr.ibm.com. 2010 IBM Corporation Perspectives pour l entreprise Desktop Cloud JC Devos IBM IT Architect jdevos@fr.ibm.com Principe technique Disposer d un poste de travail virtuel accessible par la plupart des terminaux disponibles Ce

Plus en détail

Le Guide Pratique des Processus Métiers

Le Guide Pratique des Processus Métiers Guides Pratiques Objecteering Le Guide Pratique des Processus Métiers Auteur : Version : 1.0 Copyright : Softeam Equipe Conseil Softeam Supervisée par Philippe Desfray Softeam 21 avenue Victor Hugo 75016

Plus en détail

1-Introduction 2. 2-Installation de JBPM 3. 2-JBPM en action.7

1-Introduction 2. 2-Installation de JBPM 3. 2-JBPM en action.7 Sommaire 1-Introduction 2 1-1- BPM (Business Process Management)..2 1-2 J-Boss JBPM 2 2-Installation de JBPM 3 2-1 Architecture de JOBSS JBPM 3 2-2 Installation du moteur JBoss JBPM et le serveur d application

Plus en détail

La recherche d informations sur le Web par les lycéens : Pourquoi et comment faciliter le travail collaboratif?

La recherche d informations sur le Web par les lycéens : Pourquoi et comment faciliter le travail collaboratif? La recherche d informations sur le Web par les lycéens : Pourquoi et comment faciliter le travail collaboratif? Jérôme Dinet* & Michèle Archambault** *Université Paul Verlaine Metz Equipe Transdisciplinaire

Plus en détail

LE PROJET NEIMO : UNE PLATE-FORME MAGICIEN D'OZ MULTIMODALE

LE PROJET NEIMO : UNE PLATE-FORME MAGICIEN D'OZ MULTIMODALE LE PROJET NEIMO : UNE PLATE-FORME MAGICIEN D'OZ MULTIMODALE Daniel Salber Laboratoire de Génie Informatique, IMAG B.P. 53 X, 38041 Grenoble Cedex Tél.: +33 76 51 44 40 E-mail: salber@imag.fr Résumé Le

Plus en détail

Business Process Management

Business Process Management Alain Darmon Responsable Avant-Vente BPM, IBM 1 er mars 2011 Business Process Management Améliorez l agilité de l entreprise avec la gestion des processus métier Les processus sont partout! Ouverture de

Plus en détail

Visualisation d information

Visualisation d information Master SIAD 1 année Visualisation d information Jean-Yves Antoine http://www.info.univ-tours.fr/~antoine/ Master SIAD 1 année Visualisation d information Chapitre 1.0 Introduction Quand voir, c est comprendre

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

Aperçu général sur la technologie des Workflows

Aperçu général sur la technologie des Workflows Aperçu général sur la technologie des Workflows Zakaria Maamar Groupe Interfonctionnement Section Technologie des systèmes d'information Centre de recherches pour la défense Valcartier 2459 boul. Pie-XI

Plus en détail

Business Intelligence

Business Intelligence avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................

Plus en détail

Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite

Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite Institut français des sciences et technologies des transports, de l aménagement et des réseaux Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur

Plus en détail

Objets futés et réalité de l Internet des objets

Objets futés et réalité de l Internet des objets Table ronde Société interactive : des hommes et des objets connectés Objets futés et réalité de l Internet des objets Jean Arlat [jean.arlat@laas.fr] Thomas Nicholls [thomas.nicholls@sigfox.com] www.laas.fr

Plus en détail

Classification Automatique de messages : une approche hybride

Classification Automatique de messages : une approche hybride RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,

Plus en détail

Programmation de services en téléphonie sur IP

Programmation de services en téléphonie sur IP Programmation de services en téléphonie sur IP Présentation de projet mémoire Grégory Estienne Sous la supervision du Dr. Luigi Logrippo Introduction La téléphonie sur IP comme support à la programmation

Plus en détail

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language Unified Modeling Language UML Salima Hassas Version Cycle de vie du logiciel Client Besoins Déploiement Analyse Test Conception Cours sur la base des transparents de : Gioavanna Di Marzo Serugendo et Frédéric

Plus en détail

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html Option Deux thèmes : La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances

Plus en détail

Ingénierie et gestion des connaissances

Ingénierie et gestion des connaissances Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Modalité de contrôle des connaissances Master 2 Informatique : spécialité IFI

Modalité de contrôle des connaissances Master 2 Informatique : spécialité IFI Modalité de contrôle des connaissances Master Informatique : spécialité IFI La deuxième année de la spécialité IFI est constituée de plusieurs parcours identifiés, chacun sous la responsabilité d un enseignant-

Plus en détail

Analyse,, Conception des Systèmes Informatiques

Analyse,, Conception des Systèmes Informatiques Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance

Plus en détail

ANGULAR JS AVEC GDE GOOGLE

ANGULAR JS AVEC GDE GOOGLE ANGULAR JS AVEC GDE GOOGLE JUIN 2015 BRINGING THE HUMAN TOUCH TO TECHNOLOGY 2015 SERIAL QUI SUIS-JE? ESTELLE USER EXPERIENCE DESIGNER BUSINESS ANALYST BRINGING THE HUMAN TOUCH TO TECHNOLOGY SERIAL.CH 2

Plus en détail

PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION

PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION KEOPS Automation Espace Performance 2B, rue du Professeur Jean Rouxel BP 30747 44481 CARQUEFOU Cedex Tel. +33 (0)2 28 232 555 -

Plus en détail

Complément - Comparaison entre le Concept paper et Mahara 1.8

Complément - Comparaison entre le Concept paper et Mahara 1.8 Complément - Comparaison entre le Concept paper et Mahara 1.8 D 1.5.3 Concept paper Annexe Auteurs: Johann Luethi, Nadia Spang Bovey Equipe projet: Emmanuel Fernandes, Céline Restrepo Zea, Patrick Roth,

Plus en détail

Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur

Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Réalisé par : Bassem Besbes Laboratoire d Informatique, Traitement de l Information

Plus en détail

ÉVALUATION PRIMAIRE D UN SYSTÈME D AIDE AU CONTRÔLE AÉRIEN EN ROUTE

ÉVALUATION PRIMAIRE D UN SYSTÈME D AIDE AU CONTRÔLE AÉRIEN EN ROUTE Proceedings of the SELF-ACE 001 Conference Ergonomics for changing work ÉVALUATION PRIMAIRE D UN SYSTÈME D AIDE AU CONTRÔLE AÉRIEN EN ROUTE CELLIER JEAN-MARIE Laboratoire Travail et Cognition (LTC), UMR

Plus en détail

Les Interacteurs Hiérarchisés 1

Les Interacteurs Hiérarchisés 1 Les Interacteurs Hiérarchisés 1 Une architecture orientée tâches pour la conception des dialogues. Patrick Girard, Guy Pierra, Laurent Guittet LISI, ENSMA, Site du Futuroscope - B.P. 109-86960 FUTUROSCOPE

Plus en détail

Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée

Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée Colloque : Systèmes Complexes d Information et Gestion des Risques pour l Aide à la Décision Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée BELKADI

Plus en détail

SHAREPOINT PORTAL SERVER 2013

SHAREPOINT PORTAL SERVER 2013 Powered by TCPDF (www.tcpdf.org) SHAREPOINT PORTAL SERVER 2013 Sharepoint portal server 2013 DEVELOPING MICROSOFT SHAREPOINT SERVER 2013 CORE SOLUTIONS Réf: MS20488 Durée : 5 jours (7 heures) OBJECTIFS

Plus en détail

Modélisation et conception d'un. environnement de suivi pédagogique synchrone. d'activités d'apprentissage à distance

Modélisation et conception d'un. environnement de suivi pédagogique synchrone. d'activités d'apprentissage à distance Modélisation et conception d'un environnement de suivi pédagogique synchrone d'activités d'apprentissage à distance Christophe DESPRÉS Laboratoire d Informatique de l'université du Maine Plan de la présentation

Plus en détail

Les enjeux de la mobilité et de la réalité augmentée dans les jeux éducatifs localisés. GéoEduc3D

Les enjeux de la mobilité et de la réalité augmentée dans les jeux éducatifs localisés. GéoEduc3D Les enjeux de la mobilité et de la réalité augmentée dans les jeux éducatifs localisés Le projet de recherche GéoEduc3D Sylvain GENEVOIS Chargé d études et de recherche (INRP, équipe EducTice) Docteur

Plus en détail

11 Février 2014 Paris nidays.fr. ni.com

11 Février 2014 Paris nidays.fr. ni.com 11 Février 2014 Paris nidays.fr 1 Choisir la bonne architecture logicielle pour automatiser les systèmes de test Jérémy Charavet Ingénieur d Applications, National Instruments France Une architecture logicielle

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 Interfaces Intelligentes INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

Centre d excellence GIS Intégrer la dimension géographique au cœur de votre SI

Centre d excellence GIS Intégrer la dimension géographique au cœur de votre SI Centre d excellence GIS Intégrer la dimension géographique au cœur de votre SI Cantine Numérique, Open coffee Brest le 6 novembre 2013 David Talabardon david.talabardon@capgemini.com 06 83 58 05 51 Les

Plus en détail

SIP. Plan. Introduction Architecture SIP Messages SIP Exemples d établissement de session Enregistrement

SIP. Plan. Introduction Architecture SIP Messages SIP Exemples d établissement de session Enregistrement SIP Nguyen Thi Mai Trang LIP6/PHARE Thi-Mai-Trang.Nguyen@lip6.fr UPMC - M2 Réseaux - UE PTEL 1 Plan Introduction Architecture SIP Messages SIP Exemples d établissement de session Enregistrement UPMC -

Plus en détail

Conception des systèmes répartis

Conception des systèmes répartis Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

Plus en détail

Iyad Alshabani SysCom - CReSTIC Université de Reims 17/02/2011 1

Iyad Alshabani SysCom - CReSTIC Université de Reims 17/02/2011 1 SysCom - CReSTIC Université de Reims 17/02/2011 1 Motivation Gestion des expérimentations Avec les workflows Simulation Simulation des Systèmes Distribués ANR USS SimGrid Campagne de Test et gestion de

Plus en détail

Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs

Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique

Plus en détail

Forthcoming Database

Forthcoming Database DISS.ETH NO. 15802 Forthcoming Database A Framework Approach for Data Visualization Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of

Plus en détail

Adaptation d'applications à de nouveaux contextes d'utilisation: le projet SECAS. Tarak Chaari

Adaptation d'applications à de nouveaux contextes d'utilisation: le projet SECAS. Tarak Chaari FRE 2672 Adaptation d'applications à de nouveaux contextes d'utilisation: le projet SECAS Tarak Chaari INSA de Lyon Encadreurs: André Flory & Frédérique Laforest Laboratoire d'informatique en Image et

Plus en détail

Relever les défis des véhicules autonomes

Relever les défis des véhicules autonomes EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,

Plus en détail

- Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK

- Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK ArchiMate et l architecture d entreprise Par Julien Allaire Ordre du jour Présentation du langage ArchiMate - Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK Présentation du modèle

Plus en détail

Intelligence Artificielle Agents Intelligents

Intelligence Artificielle Agents Intelligents Intelligence Artificielle Agents Intelligents Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris

Plus en détail

Architecture Logicielle

Architecture Logicielle Architecture Logicielle Chapitre 3: UML pour la description et la documentation d une architecture logicielle Année universitaire 2013/2014 Semestre 1 Rappel L architecture d un programme ou d un système

Plus en détail

Forum AMOA ADN Ouest. Présentation du BABOK. 31 Mars 2013 Nadia Nadah

Forum AMOA ADN Ouest. Présentation du BABOK. 31 Mars 2013 Nadia Nadah Forum AMOA ADN Ouest Présentation du BABOK 31 Mars 2013 Nadia Nadah Ce qu est le BABOK Ce que n est pas le BABOK Définition de la BA - BABOK version 2 Le processus de Business Analysis La structure du

Plus en détail

Vers l orchestration des grilles de PCs par les mécanismes de publication-souscription issus des technologies du WEB

Vers l orchestration des grilles de PCs par les mécanismes de publication-souscription issus des technologies du WEB Vers l orchestration des grilles de PCs par les mécanismes de publication-souscription issus des technologies du WEB Présenté par Leila Abidi sous la direction de Christophe Cerin & Mohamed Jemni Université

Plus en détail

Modélisation du comportement habituel de la personne en smarthome

Modélisation du comportement habituel de la personne en smarthome Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai

Plus en détail

Patrons de Conception (Design Patterns)

Patrons de Conception (Design Patterns) Patrons de Conception (Design Patterns) Introduction 1 Motivation Il est difficile de développer des logiciels efficaces, robustes, extensibles et réutilisables Il est essentiel de comprendre les techniques

Plus en détail

sont appliquées à des fonds documentaires, sont destinées à fournir des informations pertinentes sur la structure globale plutôt que sur le contenu.

sont appliquées à des fonds documentaires, sont destinées à fournir des informations pertinentes sur la structure globale plutôt que sur le contenu. Introduction Les techniques informatiques permettent de stocker et d accéder à des quantités sans cesse croissantes de données, disponibles en ligne ou via des centres documentaires fermés. Cette profusion

Plus en détail

Techniques d interaction dans la visualisation de l information Séminaire DIVA

Techniques d interaction dans la visualisation de l information Séminaire DIVA Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques

Plus en détail

Acquisitions et Modélisations pour la Gestion des Contextes

Acquisitions et Modélisations pour la Gestion des Contextes Acquisitions et Modélisations pour la Gestion des Contextes Équipe Rainbow Stéphane Lavirotte (Stephane.Lavirotte@unice.fr) Jean-Yves Tigli (tigli@polytech.unice.fr) Diane Lingrand (lingrand@polytech.unice.fr)

Plus en détail

C U R R I C U L U M V I T A E

C U R R I C U L U M V I T A E C U R R I C U L U M V I T A E Nom : Prénom : IDOUGHI Djilali Adresse Personnelle: Cité des 792 Logts Bt L N 690 Sidi-Ahmed, Bejaia, Algérie. Adresse professionnelle : Université A. Mira, de Béjaïa Département

Plus en détail

Adaptation dynamique de services

Adaptation dynamique de services Adaptation dynamique de services Marcel CREMENE Univ. de Cluj Napoca Michel RIVEILL Univ. de Nice Sophia Antipolis Christian MARTEL Univ. de Savoie Objectif : Nous souhaitons pouvoir modifier l architecture

Plus en détail

Accélérer l accès au marché de la communication. #RCap

Accélérer l accès au marché de la communication. #RCap Accélérer l accès au marché de la communication Le concept S APPUYER SUR LES COMPÉTENCES D AGENCES POUR ACCÉLÉRER L ACCÈS AU MARCHÉ DES STARTUPS CRÉER UN LIEN ENTRE LES AGENCES ET LES INNOVATIONS TECHNOLOGIQUES

Plus en détail

Garantir une meilleure prestation de services et une expérience utilisateur optimale

Garantir une meilleure prestation de services et une expérience utilisateur optimale LIVRE BLANC Garantir une meilleure prestation de services et une expérience utilisateur optimale Mai 2010 Garantir une meilleure prestation de services et une expérience utilisateur optimale CA Service

Plus en détail

IRIT, Université Paul Sabatier, 118 Route de Narbonne, 31062 Toulouse Cedex 9, France

IRIT, Université Paul Sabatier, 118 Route de Narbonne, 31062 Toulouse Cedex 9, France VERS DES SERVICES WEB ADAPTES : COMMENT INTEGRER LE CONTEXTE DANS LES DIFFERENTES ARCHITECTURES DE SERVICES WEB? Bouchra SOUKKARIEH, Dana KUKHUN, Florence SEDES {sokarieh,kukhun,sedes}@irit.fr IRIT, Université

Plus en détail

L'intelligence d'affaires: la statistique dans nos vies de consommateurs

L'intelligence d'affaires: la statistique dans nos vies de consommateurs L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires

Plus en détail

Quels outils pour prévoir?

Quels outils pour prévoir? modeledition SA Quels outils pour prévoir? Les modèles de prévisions sont des outils irremplaçables pour la prise de décision. Pour cela les entreprises ont le choix entre Excel et les outils classiques

Plus en détail

APPROCHE DE LA SURVEILLANCE DES SYSTEMES PAR RESEAUX DE PETRI SYNCHRONISES FLOUS

APPROCHE DE LA SURVEILLANCE DES SYSTEMES PAR RESEAUX DE PETRI SYNCHRONISES FLOUS THE PUBLISHING HOUSE PROCEEDINGS OF THE ROMANIAN ACADEMY, Series A, OF THE ROMANIAN ACADEMY Volume 9, Number 2/2008, pp. 000 000 APPROCHE DE LA SURVEILLANCE DES SYSTEMES PAR RESEAUX DE PETRI SYNCHRONISES

Plus en détail

TRAVAUX DE RECHERCHE DANS LE

TRAVAUX DE RECHERCHE DANS LE TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT

Plus en détail

Cloud Computing et SaaS

Cloud Computing et SaaS Cloud Computing et SaaS On a vu fleurir ces derniers temps un grands nombre de sigles. L un des premiers est SaaS, Software as a Service, sur lequel nous aurons l occasion de revenir. Mais il y en a beaucoup

Plus en détail

Calculatrice vocale basée sur les SVM

Calculatrice vocale basée sur les SVM Calculatrice vocale basée sur les SVM Zaïz Fouzi *, Djeffal Abdelhamid *, Babahenini MohamedChaouki*, Taleb Ahmed Abdelmalik**, * Laboratoire LESIA, Département d Informatique, Université Mohamed Kheider

Plus en détail

B-COMM. ERP 4 HR Access. Solutions d acquisition des temps de travail pour la gestion des temps et des activités d HR Access

B-COMM. ERP 4 HR Access. Solutions d acquisition des temps de travail pour la gestion des temps et des activités d HR Access B-COMM ERP 4 HR Access Solutions d acquisition des temps de travail pour la gestion des temps et des activités d HR Access HR Access et Kaba un partenariat à fort potentiel Depuis plus de 10 ans, nous

Plus en détail

Les usages des réseaux sociaux numériques en entreprise : des registres privés, et professionnels... individualisés. Karine Roudaut, Nicolas Jullien

Les usages des réseaux sociaux numériques en entreprise : des registres privés, et professionnels... individualisés. Karine Roudaut, Nicolas Jullien Les usages des réseaux sociaux numériques en entreprise : des registres privés, et professionnels... individualisés Karine Roudaut, Nicolas Jullien Structure de la présentation 1 Question 2 Cas étudié

Plus en détail

Synergies entre Artisan Studio et outils PLM

Synergies entre Artisan Studio et outils PLM SysML France 13 Novembre 2012 William Boyer-Vidal Regional Sales Manager Southern Europe Synergies entre Artisan Studio et outils PLM 2012 2012 Atego. Atego. 1 Challenges & Tendances Complexité des produits

Plus en détail

Solution A La Gestion Des Objets Java Pour Des Systèmes Embarqués

Solution A La Gestion Des Objets Java Pour Des Systèmes Embarqués International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des

Plus en détail

LA Communication Homme - Machine langag Dialogues-Selon La Psychologie De l utiliseur Humain

LA Communication Homme - Machine langag Dialogues-Selon La Psychologie De l utiliseur Humain Revue des Sciences Humaines-Université Mohamed Khider Biskra N 12 LA Communication Homme - Machine langag Dialogues-Selon La Psychologie De l utiliseur Humain Résumé: L interface Homme-Machine est l élément

Plus en détail

Systèmes de dialogue homme-machine

Systèmes de dialogue homme-machine Systèmes de dialogue homme-machine Une introduction rapide Sophie Rosset Groupe Traitement du Langage Parlé Département Communication Homme-Machine LIMSI - CNRS Sophie Rosset (LIMSI) Systèmes de dialogue

Plus en détail

Business Intelligence avec Excel, Power BI et Office 365

Business Intelligence avec Excel, Power BI et Office 365 Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10

Plus en détail

CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac.

CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac. CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac.ma) N.B. : Les étudiants qui ont déposé leurs demandes d'inscription

Plus en détail

Serveur d'application à la juste taille

Serveur d'application à la juste taille Serveur d'application à la juste taille 18 Mars 2010 Benoit.Pelletier@bull.net Plan Contexte JOnAS 5, plate-forme de convergence JavaEE/OSGi Caractéristiques essentielles pour le Cloud Computing & l'autonomic

Plus en détail

Architecture Reconfigurable Hétérogène à Gestion Hiérarchique Distribuée pour la Reconfiguration et la Prise de Décision

Architecture Reconfigurable Hétérogène à Gestion Hiérarchique Distribuée pour la Reconfiguration et la Prise de Décision INSTITUT D ÉLECTRONIQUE ET DE TÉLÉCOMMUNICATIONS DE RENNES Architecture Reconfigurable Hétérogène à Gestion Hiérarchique Distribuée pour la Reconfiguration et la Prise de Décision dans les systèmes de

Plus en détail

Architecture d'entreprise : Guide Pratique de l'architecture Logique

Architecture d'entreprise : Guide Pratique de l'architecture Logique Guides Pratiques Objecteering Architecture d'entreprise : Guide Pratique de l'architecture Logique Auteur : Version : 1.0 Copyright : Softeam Equipe Conseil Softeam Supervisée par Philippe Desfray Softeam

Plus en détail

Tifaifai : Conception de Nouveaux Espaces d Interactions (pour Apprendre)

Tifaifai : Conception de Nouveaux Espaces d Interactions (pour Apprendre) Tifaifai : Conception de Nouveaux Espaces d Interactions (pour Apprendre) Florent Carlier - Valérie Renault Maîtres de Conférences Université du Maine Centre de Recherche en Education de Nantes - CREN

Plus en détail

WEA Un Gérant d'objets Persistants pour des environnements distribués

WEA Un Gérant d'objets Persistants pour des environnements distribués Thèse de Doctorat de l'université P & M Curie WEA Un Gérant d'objets Persistants pour des environnements distribués Didier Donsez Université Pierre et Marie Curie Paris VI Laboratoire de Méthodologie et

Plus en détail

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

Le futur de l Informatique : L Homme cybernétique

Le futur de l Informatique : L Homme cybernétique Le futur de l Informatique : L Homme cybernétique Frank Nielsen, PhD Senior Researcher Sony Computer Science Laboratories, Inc. Frank.Nielsen@acm.org www.sonycsl.co.jp/person/nielsen Exposé CEREGMIA Martinique

Plus en détail

Formation à l Écoconduite sur Simulateur

Formation à l Écoconduite sur Simulateur Atelier Enviro-flottes : outils et conseils pour réduire les émissions Le 23 février 2011 Dr Pierro Hirsch Formation à l Écoconduite sur Simulateur Agenda Qui est Virage Simulation? Les neuf avantages

Plus en détail

Architecture à base de composants pour le déploiement adaptatif des applications multicomposants

Architecture à base de composants pour le déploiement adaptatif des applications multicomposants Architecture à base de composants pour le déploiement adaptatif des applications multicomposants Dhouha Ayed, Chantal Taconet, et Guy Bernard GET / INT, CNRS Samovar 5157 9 rue Charles Fourier 91011 Évry,

Plus en détail

ADELFE : Atelier de développement de logiciels à fonctionnalité émergente

ADELFE : Atelier de développement de logiciels à fonctionnalité émergente ADELFE : Atelier de développement de logiciels à fonctionnalité émergente Gauthier Picard*, Carole Bernon*, Valérie Camps**, Marie- Pierre Gleizes* * Institut de Recherche en Informatique de Toulouse Université

Plus en détail

Réalisation d un logiciel de Visioconférence Cahier des charges

Réalisation d un logiciel de Visioconférence Cahier des charges Master 1 Informatique Professionnel et Recherche Unifié Réalisation d un logiciel de Visioconférence Cahier des charges Version 2.0 du 06/02/08 envoyée à M. Michel Leclère, responsable du Master 1 Informatique

Plus en détail

Table des matières CHAPITRE I : LA COOPERATION INTERENTREPRISES...13 INTRODUCTION...13

Table des matières CHAPITRE I : LA COOPERATION INTERENTREPRISES...13 INTRODUCTION...13 3 Table des matières INTRODUCTION GENERALE...8 1. CONTEXTE ET CADRE DE LA RECHERCHE...8 2. OBJECTIF ET APPROCHE...9 3. ENONCE DU PLAN DE LA THESE...10 PARTIE I : CADRE THEORIQUE ET ETAT DE L ART...12 CHAPITRE

Plus en détail

Un environnement de déploiement automatique pour les applications à base de composants

Un environnement de déploiement automatique pour les applications à base de composants ICSSEA 2002-7 Lestideau Un environnement de déploiement automatique pour les applications à base de composants Vincent Lestideau Adele Team Bat C LSR-IMAG, 220 rue de la chimie Domaine Universitaire, BP

Plus en détail

Androids as an Experimental Apparatus: Why Is There an Uncanny Valley and Can we Exploit It?

Androids as an Experimental Apparatus: Why Is There an Uncanny Valley and Can we Exploit It? Androids as an Experimental Apparatus: Why Is There an Uncanny Valley and Can we Exploit It? Karl F. MacDorman 1 The Uncanny Valley : Le terme d Uncanny Valley a été défini par Masahiro Mori, chercheur

Plus en détail

Pilotez, ajustez et optimisez votre portefeuille de projets

Pilotez, ajustez et optimisez votre portefeuille de projets Pilotez, ajustez et optimisez votre portefeuille de projets Intervenants 2 octobre 2014 Marianne Delétang Consultante Sénior Atos Grégory Sabathé Responsable Marketing NQI La solution web collaborative

Plus en détail

Systèmes d information et bases de données (niveau 1)

Systèmes d information et bases de données (niveau 1) Systèmes d information et bases de données (niveau 1) Cours N 1 Violaine Prince Plan du cours 1. Bibliographie 2. Introduction aux bases de données 3. Les modèles 1. Hiérarchique 2. Réseau 3. Relationnel

Plus en détail

FICHE DE PRÉSENTATION DE LA SOLUTION

FICHE DE PRÉSENTATION DE LA SOLUTION FICHE DE PRÉSENTATION DE LA SOLUTION CA Private Cloud Accelerator for Vblock Platforms Avec quelle rapidité votre Cloud privé peut-il faire face à la demande croissante de services métier et rentabiliser

Plus en détail