PROGRAMME MERCREDI 16 NOVEMBRE

​

Session 1 : L'IA appliquée aux Systèmes multi agents

13h30-15h00

 

13h30 : Discours d’ouverture / Opening speech

 

14h00 : Essaim hétérogène pour le combat collaboratif reposant sur de l’apprentissage par renforcement multi-agent.

Heterogeneous Swarming for Collaborative Combat using Multi-Agent Deep Reinforcement Learning

Mathias Formoso, MBDA & Jacques Bois MBDA

 

14h30 : Algorithmes de placement optimisé de drones pour la conception de réseaux de communication

Algorithms for optimized drone location in telecommunications network design

Adèle Pass-Lanneau, DGA

 

Session 2 : L'IA au service de la cybersecéurité et Cybersécurité au service de l'IA

15h30-18h00

 

15h30 : Empreinte de réseaux avec des entrées authentiques

FBI: Fingerprinting models with Benign Inputs

Thibault Maho, INRIA Rennes

 

16h00 : Comment tatouer un réseau de neurones à convolution de façon explicite et efficace

How to efficiently and explicitly watermark your Deep Neural Network

Mohammed Lansari, Thales SIX GTS

 

16h30 : Détection d’anomalies pour les réseaux smart-grids basée sur un autoencodeur LSTM

Anomaly detection for smart-grid networks based on an LSTM autoencoder

Joseph Azar, Université de Bourgogne Franche-Comté & Franck Bouzon, EDF R&D

 

17h00 : AI-based Malware and Ransomware Detection Models

Modèles de Détection de Malware et de Ransomware basés sur l’IA

Benjamin Marais, Orange Innovation & Tony Quertier, Orange Innovation

 

17h30 : TrustGAN : Apprentissage de réseaux de neurones profonds, sûres et confiants, grâce aux réseaux antagonistes génératifs

TrustGAN: Training safe and trustworthy deep learning models through generative adversarial networks

Helion du Mas des Bourboux, Thales SIX GTS

​

 

PROGRAMME JEUDI 17 NOVEMBRE

 

Session 3 : Traitement de signaux radar par IA

9h00 à 10h30

 

9h00  : Keynote : Comment définir la Sécurité de l’Apprentissage Automatique ?

Keynote : How should we define the Security of Machine Learning ?

Teddy Furon, INRIA

 

9h30 : Solution de Deep Learning robuste pour entrainer des modèles d'ATR SAR avec des données MOCEM entièrement synthétiques

Robust SAR ATR on MSTAR with Deep Learning Models trained on Full Synthetic MOCEM data

Benjamin CAMUS, Scalian DS & Corentin LE BARBU, Scalian DS

 

10h00 : Désentrelacement et classification des émetteurs RADARs basés sur l'utilisation des distances de Transport Optimal

Deinterleaving and Classification of RADAR emitters based on Optimal Transport Distances

Manon Mottier, Université Paris-Saclay

 

Session 4 : Traitement d'image et de signaux par IA

11h00-12h00

 

11h00 : Détection de navires embarquable à bord de satellites optiques

Embedded vessel detection onboard optical satellites

Thomas Goudemant, IRT Saint Exupéry

 

11h30 : Estimation de la trajectoire d'un projectile : une approche basée sur les réseaux LSTM

Projectile trajectory estimation: an LSTM approach

Alicia Roux, French-German Research Institute of Saint-Louis (ISL) & Sébastien Changey, French-German Research Institute of Saint-Louis (ISL)

 

Session 5 : Classification à base d’IA

13h30-15h00

 

13h30 : Promesses et Limites de l’Apprentissage Auto-Supervisé pour le Traitement Automatique de la Parole

Promises and Limitations of Self-supervised Learning for Automatic Speech Processing

Yannick Estève, Laboratoire Informatique d'Avignon

 

14h00 : Préentraînement auto-supervisé sur imagerie satellite : un cas d'étude sur la détection de véhicules efficiente en annotation

Self-Supervised Pretraining on Satellite Imagery: a Case Study on Label-Efficient Vehicle Detection

Jules Bourcier, Preligens

 

14h30 : Apprentissage auto-supervisé appliqué à la détection d'erreurs de labélisation.

Anomaly detection in embedding space learned with a contrastive approach.

Corentin Lamboley, DGA

 

Session 6 : Atelier sur les données au profit de la défense

15h30-18h00 : Table ronde - les données simulées au profit de la défense

Intervenants :

• Philippe Bidaud (Onera)

• Khalid Choukri (ELDA/ELRA)

• Fabienne Ealet (Ministère des Armées)

• Yanick Estève (LIA, Université d’Avignon)

• Francesca Frontini (CNR Pise, CLARIN)

• Pierre Noubel (Oktal-SE)

​

Dans le domaine de la défense, comme ailleurs, les données sont aujourd’hui au cœur des différents systèmes/services. Tous les secteurs de la défense sont concernés car tous récoltent, produisent de grandes quantités de données. Que ce soient des données satellitaires, terrestres, maritimes, provenant des réseaux sociaux ou de bases de données, et dans tous ces secteurs les données sont la plupart du temps non structurées. Un autre point important du secteur défense est la nécessité de traiter de ces données en temps réel.

​

A l’heure où de plus en plus de données, de tout type, sont facilement accessibles, à l’heure où les machines sont de plus en plus puissantes, à l’heure où l’Intelligence Artificielle est en plein essor, s’ouvre la possibilité pour les armées, d’être secondées dans différentes tâches par des systèmes d’analyse de ces données, permettant, entre autres, de soutenir la prise de décision. Tout le monde s’accorde à dire qu’il est important de donner du sens et de la valeur à ce grand réservoir de données afin d’optimiser l’impact des connaissances qu’elles véhiculent dans différents domaines. Pour ce faire, la quantité de données étant ingérable par des humains il est nécessaire de seconder les humains en développant des technologies et des outils adaptés pour l’exploitation de ces « gisements de données ». Ces dernières décennies ont vu le développement de différentes approches relevant de l’Intelligence artificielle (e.g. règles, apprentissage ou réseaux neuronaux) permettant d’analyser, de structurer et de donner du sens à ces données et ce, pour tout type de données que ce soit du texte, de la parole, des images, des vidéos, du son, des logs, etc. Pour autant, développer un système d’IA qui fonctionne bien, quelle que soit l’approche utilisée, signifie disposer à l’origine d’un ensemble de données de qualité qui soit assez grand pour être représentatives, d’un domaine, d’un métier, des tâches spécifiques associées à ce domaine, à ce métier. Selon la méthode employée, il faut également que ces données soient annotées et en assez grand nombre afin que les algorithmes développés pour leur donner du sens produisent des résultats de qualité.

​

Or quand il s’agit de développer des technologies pour le domaine de la défense, comme d’ailleurs pour celui de la sécurité ou même de la médecine, les chercheurs et les industriels se heurtent au problème de l’accès aux données souvent du fait de leur caractère confidentiel. Cette confidentialité s’applique aux données de différentes façons dont deux principales. Les données elles-mêmes peuvent être confidentielles (par exemple quand elles concernent une personne en particulier) mais aussi le processus pour les traiter (par exemple quelles sont les informations intéressantes à extraire de ces données pour des services de renseignement). Un autre problème est que parfois les données en question n’existent pas purement et simplement. Par exemple il est souvent difficile d’avoir des photos des matériels militaires étrangers, il est souvent même impossible d’avoir des images de ce que voit un missile en arrivant sur cible (du fait que ce missile est détruit).

​

Dans ce contexte, la question qui se pose est donc de comment développer des outils qui font sens pour les armées sans pouvoir avoir accès aux données réelles ? La question est d’importance dans la mesure où un système développé sur des données immobilières ou des résultats de foot, peut donner une idée de ce qu’il est possible de faire mais ne sera en aucun cas performant sur des données et des tâches d’un autre type. Il est donc primordial de trouver un moyen de générer une certaine quantité de données représentatives, significatives, non confidentielles pour les armées afin de développer des technologies, des solutions, qui répondent vraiment à leurs besoins. Une façon d’aborder le problème est de générer automatiquement, ou non, des données qui sont proches de la réalité sans pour autant être des données réelles. C’est par exemple le cas des données simulées qui sont une réponse aussi bien à la limitation des données qu’à leur confidentialité. Ces données générées  peuvent elles-mêmes servir à augmenter la taille de données étiquetées ce qui permet de disposer d’un ensemble adéquat de données d’entraînement pour les systèmes d’apprentissage.

​

Notre atelier s’attache à comprendre quels sont les défis liés à la génération de données en général, de tout type et sur différents aspects comme par exemple la confidentialité, la représentativité, l’évaluation.

​

On s’intéressera, entres autres, aux questions suivantes :

• Quels algorithmes pour générer des données ?

• Dans quelle mesure les données générées sont représentatives des données réelles : critères qualitatifs et quantitatifs, représentativité individuelle d’un échantillon et représentativité statistique d’un jeu de données, on pourra également s'intéresser aux biais qu'elles contiennent

• De quelles données partir pour générer des données

• Types de données :  y a-t-il des données plus faciles à générer

• Données et entraînement de modèles : quel impact sur les algorithmes, faut-il adapter les approches

• Du simulé au réel : comment améliorer automatiquement un jeu de données simulées pour réduire l’écart de représentativité ?

• Multimodalité : les données multimodales doivent-elles être générées conjointement ou peuvent-elles l'être séparément ?

• Les données et l’évaluation : jusqu’où cela fait sens ? Quelles sont les difficultés ?