Le 9 décembre dernier a eu lieu la deuxième Keynote du Lab Aqsone, en présence de nos clients. L’occasion pour nous de présenter les activités du Lab et ses réalisations des 6 derniers mois.
Le Lab d’Aqsone est un temps dédié pour nos collaborateurs pour explorer, innover et apprendre sur des enjeux qui nous tiennent à cœur tels que l’environnement, la santé ou le social mais aussi pour maîtriser les dernières technologies qui y répondent.
Pendant deux périodes de trois mois, les collaborateurs ont travaillé en équipes sur différents projets, dont voici les résultats.
Comment la data science permet de modéliser et de simuler les effets de médicaments ?
Le premier sujet abordé lors de cette keynote est un projet autour de la santé. L’objectif est de prédire les effets d’un médicament sur des pathologies en se basant sur son composé moléculaire. Cela permettrait d’accélérer le processus de découverte de médicaments.
Pour cela, Nicolas Cheifetz vous présente comment aborder ce sujet en utilisant le machine learning et l’analyse fine des données non documentées :
Prédiction de séries temporelles pour lutter contre les odeurs désagréables autour des usines
L’environnement est un sujet fort et souvent mis en évidence par Aqsone. C’est pourquoi, ce projet, initié par Veolia, vise à prédire le taux de dioxyde de soufre dans l’air à proximité des usines pour prévenir les nuisances olfactives.
Nicolas Le Gall vous présente les différents algorithmes utilisés pour l’analyse et la prévision des séries temporelles et celui qui est le plus adapté à ce cas :
Le Reinforcement Learning pour optimiser l’allocation des données dans le secteur des Achats
Ce projet aborde une problématique bien connue : l’optimisation de l’allocation des données. Nos équipes ont développé un modèle de reinforcement learning permettant d’optimiser l’allocation des commandes dans le secteur des achats.
Nicolas Cheifetz et Thomas Framery vous exposent leurs résultats et la comparaison avec d’autres modèles d’optimisation :
Le machine learning au service de la santé mondiale
Le projet se concentre sur la santé et vise à prédire le nombre de cas de dengue dans une ville à partir de données environnementales et gouvernementales. La dengue, également appelée « grippe tropicale », est une maladie virale transmise à l’homme par des moustiques, avec environ 50 millions de cas estimés dans le monde. Le machine learning sera utilisé pour atteindre les objectifs du projet.
Léa Besnard et Hugo Naya vous exposent leurs résultats dans cette vidéo :
Comment baisser les coûts de transports de colis grâce à l’optimisation ?
En raison de nombreux facteurs économiques, politiques et sociaux sur fond de crise sanitaire, les prix des transports connaissent une forte augmentation. Les deux projets présentés ont été initialement lancés lors d’un défi en ligne organisé par Renault et Roadef.
Le premier projet, nommé « Logistic 4.0 – Truck Fleet Planning Performance », vise à optimiser l’allocation de colis avec différents camions entre deux entrepôts à un temps donné.
Houcem Chaabane vous explique comment se problème a été résolu en détaillant les différentes étapes de l’algorithme d’optimisation :
Le deuxième projet, appelé » 3D Truck Loading Optimization », a pour objectif d’optimiser la disposition des colis dans une remorque en utilisant une présentation en 3D pour mieux visualiser l’approche scientifique.
Vincent Gargasson vous explique les différentes difficultés rencontrées dans ce projet et comment elles ont été surmontées pour offrir une solution efficiente :
Conclusion
Nos collaborateurs ont la volonté de proposer des solutions innovantes et pertinentes à nos clients, et le Lab est un excellent moyen pour eux de s’auto former et de découvrir de nouvelles technologies pour continuer de renforcer leur expertise.
Le Lab est également un moyen pour nous de proposer des projets autour des thèmes de l’environnement, la biodiversité, la santé et le social à nos collaborateurs.
La prochaine Keynote aura lieu en juin 2023, toutes les informations seront annoncées sur LinkedIn
A voir absolument
