Intelligence Artificielle

Les progrès fulgurants de l’apprentissage statistique accomplis au cours de la dernière décennie nourrissent les anticipations les plus folles sur la capacité de la machine à reproduire le comportement humain.

Ces techniques de l’Intelligence Artificielle s’appliquent indifféremment à des masses de données convergeant vers un centre de calcul ou à des données captées et traitées par un smartphone. Elles rentrent désormais dans une phase de domestication qui pose des questions technologiques, juridiques et éthiques afin de proposer des approches responsables de l'IA.

Le Laboratoire Intelligence Artificielle conçoit des solutions pour répondre aux problématiques des futurs réseaux de télécommunication, de la vision par ordinateur, de la cyberdéfense et de la e-Santé. La conception d’applications de radiocommunication et d’imagerie embarquées, la détection ou classification d’anomalies, la résilience des systèmes, la gestion des facteurs humains, la prédiction des pathologies et la fiabilisation du diagnostic sont les principaux défis traités. Pour cela, il s’appuie sur les disciplines traditionnelles du traitement automatique du langage, du signal et de l’image, de la vision 3D et de la programmation dynamique dont le potentiel est démultiplié par l’apprentissage statistique. Il peut également compter sur des compétences en ingénierie matérielle/logicielle et une cellule juridique. Son approche méthodologique rend ses algorithmes explicables et robustes de manière à faciliter leur certification.

Stéphane Paquelet

Responsable du labo Intelligence Artificielle

Grâce aux techniques d’apprentissage actuelles, nous automatisons des tâches aussi variées que l’interprétation de texte, la cartographie de l’espace, la génération d’images réalistes, la prédiction de comportements ou la planification d’actions.

produits et services

services b<>com *AI Coaching*

Développer sa compétitivité grâce à l’intelligence artificielle

publications scientifiques

08.06.2023

MES-loss: Mutually Equidistant Separation Metric Learning Loss Function

Deep metric learning has attracted much attention in recent years due to its extensive applications, such as clustering and image retrieval. Thanks to the success of deep learning (DL), many deep metric learning (DML) methods have been proposed. Neural networks (NNs) utilize DML loss functions to learn a mapping function that maps samples into a highly discriminative low-dimensional feature space…

lire la publication

20.12.2022

Channel charting based beamforming

Channel charting (CC) is an unsupervised learning method allowing to locate users relative to each other without reference. From a broader perspective, it can be viewed as a way to discover a low-dimensional latent space charting the channel manifold. In this paper, this latent modeling vision is leveraged together with a recently proposed location-based beamforming (LBB) method to show that…

lire la publication

09.12.2021

mpNet: variable depth unfolded neural network for massive MIMO channel estimation

Massive multiple-input multiple-output (MIMO) communication systems have a huge potential both in terms of data rate and energy efficiency, although channel estimation becomes challenging for a large number of antennas. Using a physical model allows to ease the problem by injecting a priori information based on the physics of propagation. However, such a model rests on simplifying assumptions and…

lire la publication

27.12.2021

DEEP LEARNING FOR LOCATION BASED BEAMFORMING WITH NLOS CHANNELS

Massive MIMO systems are highly efficient but critically rely on accurate channel state information (CSI) at the base station in order to determine appropriate precoders. CSI acquisition requires sending pilot symbols which induce an important overhead. In this paper, a method whose objective is to determine an appropriate precoder from the knowledge of the user's location only is proposed. Such…

lire la publication