Nous permettons l’intégration de l’intelligence artificielle en toute confiance, surtout lorsque les enjeux sont importants.
Grâce à son savoir-faire unique, Numalis contribue dans de nombreux projets nationaux et européens à fort enjeu. L’objectif est de relever des défis qui repoussent toujours plus loin les limites des applications civiles et militaires de l’IA.
Soutenu par l’INRIA, NoLeFa-84 est un projet pilote de deux ans qui commence à la fin de 2024 et vise à établir les bases des centres d’essai d’IA de l’Union Europénne qui soutiendront l’application de l’EU AI ACT par des efforts d’essai, de coordination et de normalisation.
GENIUS est un projet FED soutenu par GMV. Il s’agit d’un suivi plus complet et plus avancé du projet CONVOY sur la détection d’explosifs improvisés à l’aide de la fusion de données (terrestres, aériennes et spatiales) et de l’intelligence artificielle.
Le projet CONVOY, un important projet de défense européen dirigé par GMV, combinera des technologies de détection pour la détection et la reconnaissance de menaces cachées, y compris les engins explosifs improvisés (EEI) et les mines terrestres. Les combinaisons de robots intelligents, de drones et de technologies de détection utiliseront des infrastructures tactiques en nuage et exploreront l’intelligence artificielle pour détecter, reconnaître et éviter/neutraliser les menaces cachées. Numalis apportera son soutien à la conception de l’intelligence artificielle et contribuera à l’évaluation et à l’amélioration de sa fiabilité.
Financé par une subvention Readynov de la région Occitanie, le projet RAHW (Robust AI on Hardware) vise à implanter des réseaux neuronaux formés sur des ordinateurs sur du matériel embarqué spécialisé tel que les FPGA. Le défi consiste à maintenir la robustesse des réseaux tout en modifiant l’arithmétique de la machine (arithmétique à virgule fixe au lieu d’arithmétique à virgule flottante) et en limitant la longueur des nombres. En résumé, implanter un réseau neuronal sur un FPGA est un défi comparable à celui de faire entrer un éléphant dans une bouteille. RRRAHWWW !
Ce projet européen vise à créer un environnement d’évaluation de l’IA de confiance pour l’apprentissage automatique en vue de développer un cadre de certification aéronautique pour ces algorithmes. Les applications de l’environnement développé seront exclusivement liées aux évaluations de machine learning relatives à la sécurité dans tous les domaines couverts par les réglementations de base de l’EASA.
Dans l’industrie aéronautique, l’enjeu est la fiabilité des solutions de Machine Learning et de Deep Learning. Des garanties sont recherchées sur la « généralisation du modèle d’apprentissage automatique », « l’exhaustivité et la représentativité des données », et la « robustesse des algorithmes et des modèles ».
Projet majeur de défense européenne mené par Leonardo sur la détection des drones et la mise en œuvre de contre-mesures.
JEY-CUAS couvre les activités d’étude et de conception : analyse des lacunes en matière de capacités, définition du CONOPS et revue des exigences préliminaires (PRR), revue des exigences du système (SRR) et revue de la conception préliminaire (PDR). Cette dernière est étayée par des essais partiels illustrant et évaluant la criticité de concepts et de technologies innovants et prometteurs, ainsi que de la conception globale du système en vue de la réduction des risques.
Grand projet européen de défense mené par Airbus visant à démontrer les avantages de l’IA pour améliorer la connaissance de la situation, la prise de décision et la planification.
Le projet couvre à la fois une approche fonctionnelle (pour dériver les besoins militaires en capacités fonctionnelles) et une évaluation technologique pour correspondre à ces capacités fonctionnelles. Sur la base des solutions existantes et des technologies matures, une analyse des différences est effectuée pour évaluer les tendances en matière d’amélioration des performances afin de répondre aux scénarios futurs.
L’objectif de ce projet est de concevoir une chaîne pour améliorer la génération de données synthétiques. Oktal SE permet de générer des données synthétiques et Saimple est utilisé pour évaluer la robustesse du modèle entraîné et fournir des informations pour permettre l’explicabilité.
L’objectif du projet est de travailler sur les détecteurs et d’aider la SNCF à concevoir un document méthodologique pour la validation des IA.
Dans le cadre de ce projet, des IA pour la détection de panneaux de signalisation ferroviaire qui pourraient être embarquées dans des trains autonomes sont analysées. L’objectif est également de fournir une preuve de fiabilité et une méthodologie de validation en vue de l’acceptation de l’utilisation de l’IA dans les normes ferroviaires.
Sponsorisé par MBDA, ce défi BPI vise à valider les algorithmes d’IA basés sur la méthode SVM et/ou les réseaux neuronaux à des fins de défense et à améliorer la compréhension de leur robustesse globale sur le domaine d’entrée.
En collaboration avec l’Université de Londres, l’ENAC et Spinworks, l’objectif du projet était d’identifier des approches mathématiques pour soutenir la conception et la vérification d’un module de guidage, de navigation et de contrôle (GNC) de nouvelle génération basé sur l’IA pour l’exploration de l’espace. L’étude établit un lien formel entre l’apprentissage automatique (ML) et le raisonnement et les optimisations fondés sur la théorie du contrôle dans le cadre d’un scénario difficile de GNC spatial. Le consortium étudie la validation des techniques d’apprentissage automatique basées sur l’IA en termes de robustesse (maintien des performances dans le domaine d’utilisation) et d’explicabilité (justification des actions), afin d’accroître le niveau de confiance des ingénieurs aérospatial dans l’adoption de ces systèmes.
Dans ce projet, Numalis et le LNE ont décidé de mettre en œuvre une stratégie de validation de réseaux de neurones adaptée à l’analyse sémantique optronique. En d’autres termes, la validation de réseaux de neurones pour la segmentation d’images satellites. Ensemble, Numalis et le LNE ont défini un cadre expérimental utilisant des méthodes formelles pour extraire et présenter des informations objectives sur le comportement du réseau et, plus particulièrement, sur la relation entre sa robustesse (résistance au bruit) et sa performance (capacité à classifier correctement).
Projet collaboratif entre Synapse défense, Delfox et Numalis, sur un sujet fourni par Dassault Aviation. L’objectif était de développer un algorithme d’IA pour simuler le dogfight (combat aérien) et d’expliquer le comportement de l’IA.
Numalis a participé à la création de la plateforme d’entraînement à l’IA par apprentissage par renforcement et ses outils ont été utilisés pour apporter de la relevance afin de déterminer les perceptions utilisées par les réseaux de neurones pour les choix de navigation ou de conduite de tir. Numalis a également défini une méthodologie pour fournir un retour sémantique à partir des résultats de relevance afin d’expliquer le comportement à un agent humain de manière compréhensible.
Ce projet visait à définir les premiers outils utilisant des méthodes formelles pour l’analyse des réseaux de neurones. Financé par la DGA (département du ministère français des Armées dont la mission est de préparer l’avenir des systèmes de défense français), ce programme a également réuni un groupe d’experts industriels parmi lesquels ADS, Thales, Thales Alenia Space, MBDA, Safran, Naval Group, Continental, Renault et C-S.
