MATLAB EXPO 2018 FRANCE

Résumés

Keynote : Are You Ready for Artificial Intelligence? Is AI Ready for You?

9:45–10:15

AI, or artificial intelligence, is powering a massive shift in the roles that computers play in our personal and professional lives. Most technical organizations expect to gain or strengthen their competitive advantage through the use of AI. But are you in a position to fulfill that expectation, to transform your research, your products, or your business using AI?

Jim Tung looks at the techniques that compose AI (deep learning, computer vision, robotics, and more), enabling you to identify opportunities to leverage it in your work. You will also learn how MATLAB® and Simulink® are giving engineers and scientists AI capabilities that were previously available only to highly-specialized software developers and data scientists.

Jim Tung
Jim Tung, MathWorks

Les nouveautés MATLAB et Simulink

10:45–11:15

Découvrez les nouvelles fonctionnalités de la version R2018a des familles de produits MATLAB® et Simulink® qui vous permettront d’améliorer l’efficacité de vos travaux de recherche, designs et processus de développement.

Cynthia Cudicini
Cynthia Cudicini, MathWorks
Daniel Martins
Daniel Martins, MathWorks

Le Big Data avec MATLAB et Spark

11:45–12:15

Dans cette présentation, vous découvrirez comment gérer des volumes de données importants avec MATLAB® et Spark™ à travers l’exemple concret de la gestion d’une flotte de véhicules.

Les données issues de votre flotte sont des informations très précieuses pour évaluer la performance des systèmes que vous gérez. De nombreux facteurs, comme la vitesse et la taille de ces données, peuvent rendre leur analyse difficile et chronophage.

Parmi les étapes les plus importantes : le prétraitement, l’analyse et la modélisation de ces données. Vous découvrirez les nouvelles fonctionnalités de MATLAB rendant ce processus possible et surtout simple, ainsi que des scénarios spécifiques comme la détection des évènements. Vous combinerez alors vos données macro (flotte) et micro (capteurs) pour obtenir et améliorer l’analyse globale de votre système.

Pierre Harouimi
Pierre Harouimi, MathWorks

Géolocalisation : Plus jamais perdu dans l’Internet des Objets

12:15–12:45

La géolocalisation et le suivi d’objets connectés, parfois connu sous la dénomination de ‘Location of Things’, est un domaine qui s’impose désormais et accompagne la forte croissance du marché de l’Internet des Objets (IoT).

Mais comment assurer le suivi d’équipements alimentés par des batteries de faibles dimensions et censées offrir une durée de vie de 2 à 10 ans ? L’utilisation des technologies cellulaires pour répondre à ce défi est une option permettant de fournir une solution optimisée en termes de précision de localisation, consommation électrique et couverture indoor ou outdoor.

Nous vous présenterons les travaux engagés par Nestwave dans ce domaine depuis plusieurs années, ainsi que les résultats expérimentaux obtenus sur le terrain en France et en Californie.

Rabih Chrabieh
Rabih Chrabieh, Nestwave

Deep learning sur cibles embarquées GPU et CPU

14:15–14:50

La conception et le déploiement sur cibles embarquées d’applications intégrant des techniques de deep learning et de computer vision constituent un réel défi inhérent aux contraintes matérielles imposées par ces plateformes.

Découvrez comment MATLAB® et la génération de code C/C++ ou CUDA® supportent toutes les phases du développement. Pour la conception de l’algorithme, nous pouvons adjoindre aux réseaux de neurones des techniques plus traditionnelles de computer vision et tester l’application complète dans MATLAB. L’entrainement des réseaux de neurones est accéléré grâce aux GPUs et au calcul parallèle sur PC, cluster ou cloud. Enfin, GPU Coder™ génère du code portable et optimisé C/C++ et CUDA depuis vos algorithmes MATLAB pour le déployer sur CPU ou des cartes comme Jetson TX2 et DRIVE™ PX. Les benchmarks montrent des gains en temps d’exécution pour l’inférence de ~2.5x comparé à MXNet, ~5x à Caffe2, ~7x à TensorFlow®, and comparable avec TensorRT™.


Mise en production d’un système de maintenance prédictive pour le ferroviaire

14:50–15:25

Une rupture technologique s’est concrétisée pour la maintenance du matériel ferroviaire avec la mise en service d’une nouvelle génération de trains connectés.

Cette télétransmission permet la génération d’une grande quantité de données offrant à la SNCF de nouveaux leviers pour développer une gestion de la maintenance des trains et ainsi optimiser la maintenance, leur performance et leur maintien en condition opérationnelle.

Les données télétransmises sont exploitées par l’ingénierie du matériel SNCF par l’intermédiaire d’un outil développé en MATLAB®. Cet outil permet, par exemple, de suivre l’état de santé des accès voyageurs des trains en temps réel, pendant le service commercial, permettant ainsi d’anticiper les défaillances et la maintenance.

Notre solution est une mise en œuvre d’une application MATLAB intégrée sur un serveur SNCF. Les fonctions principales incluent :

  • La récupération de l’ensemble des données télétransmises par les trains et leur décodage
  • Le traitement du signal et l’analyse des données
  • Le stockage des informations dans Microsoft® SQL
  • Le déploiement de l’application sur un serveur

Le machine learning au secours du diagnostic moteur

15:25–15:55

PSA et Acsystème travaillent depuis un an à l’élaboration d’une nouvelle stratégie de diagnostic afin d’identifier les dysfonctionnements des organes groupes moto-propulseurs (GMP). Cette stratégie se base sur une méthode d’analyse graphique de type portrait de phase, analyse qui permet de déterminer les axes les plus discriminants entre des essais nominaux et des essais en défaut.

Une fois ces axes déterminés, nous utilisons des méthodes type réseau de neurones ou approximation de gaussiennes pour calculer sur chaque point de mesure sa probabilité d’être un point en défaut ou nominal. Ces méthodes utilisent MATLAB® et Statistics and Machine Learning Toolbox™.

Ensuite, un algorithme de décision est mis en place pour lever une éventuelle alerte sur l’essai étudié. Cette méthode permet ainsi de tracer des défauts de manière beaucoup plus précise (distinction défauts électriques et mécaniques notamment) et d’éviter de mauvaises déposes en après-vente.


Developing and Maintaining Swiss Re's Internal Risk Model in MATLAB

16:25–17:00

Founded in 1863 and based in Zurich, Swiss Re is the world's second largest reinsurer and has a long history of using an internal risk model to steer the company. The model defines its target capital, sets risk-based business volume limits, allocates capital costs across various lines of business, determines the company's solvency ratio for regulatory purposes (Swiss Solvency Test, Solvency II), and more.

For a decade, Swiss Re has used MATLAB® to implement its internal risk model, ICAM (Internal Capital Adequacy Model). Dynamic and increasingly complex internal and regulatory requirements create a challenging development environment, where MATLAB proved to be the perfect development platform to quickly react to changing requirements. In 2017, Swiss Re concluded a major project to overhaul its internal risk model, the key goals being transparency, flexibility for future developments, speed, and precision of risk measures.

This presentation demonstrates how MATLAB is used for several specific tasks within Swiss Re's internal risk model, including organizing and processing data with the table data structure in MATLAB; running fast algorithms, which in some cases are accelerated by MATLAB Distributed Computing Server™; building graphical user interfaces; and visualizing data.


Déploiement d’applications MATLAB dans des Systèmes d’Information

17:00–17:30

Découvrez les différentes méthodes à votre disposition pour partager et mettre en production vos applications MATLAB®. Un accent sera mis sur les principales fonctionnalités et avantages qui vous permettront de réduire vos temps de développement et l’intégration de vos applications à des systèmes d’entreprise. Nous aborderons les points suivants :

  • Partage des applications MATLAB avec d’autres utilisateurs (avec ou sans MATLAB)
  • Intégration des algorithmes MATLAB avec d’autres environnements de développement (C/C++, Java®, .NET et Python)
  • Mise en production en intégrant les algorithmes MATLAB dans les systèmes d'entreprise et le Web
Lyamine Hedjazi
Lyamine Hedjazi, MathWorks

Définition d'un standard qualité Model-Based Design entre constructeurs et équipementiers automobiles

11:45–12:15

Les principaux acteurs industriels de l’automobile ont formé un groupe de travail, MQO (Model Quality Objectives), autour de l’application du Model-Based Design dans le cadre du développement de logiciel de production.

Lors de cette présentation, vous découvrirez les motivations de ce groupe de travail, la synthèse de leurs travaux visant à clarifier les responsabilités entre constructeurs et équipementiers, et enfin les résultats obtenus.


Table ronde : enjeux du développement logiciel dans l’automobile

12:15–12:45

Des constructeurs et équipementiers automobiles ont défini ensemble un standard de qualité des modèles (Model Quality Objectives) pour favoriser la collaboration entre constructeurs et équipementiers. Ils partageront leur expérience sur l’évolution des échanges entre les deux parties depuis l’introduction du Model-Based Design et présenteront les impacts de ce projet sur leurs activités futures.

François Guérin
François Guérin, MathWorks
Thierry Hubert
Thierry Hubert, PSA
Florent Feve
Florent Feve, Valeo
Florian Levy
Florian Levy, Renault-Nissan-Mitsubishi

Évaluation de performance d’un système avec conversion automatique de modèle

14:15–14:50

Le comportement d’ensemble des systèmes temps-réels est de plus en plus complexe. Ils assemblent des nœuds de calcul où un nombre croissant de fonctions sont consolidées, selon des interactions multiples. Pour prédire la performance globale d’un système, l’addition des temps d’exécution unitaires ne convient plus. Avec SimEvents, on peut obtenir cette prédiction, en modélisant et simulant ce comportement. Dans THALES Optronique, les architectes définissent des modèles des systèmes, à l’aide de l’outil Capella. Ceux-ci comportent la plupart des éléments nécessaires à un modèle SimEvents. Notre approche a été d’identifier ces éléments, et de les exporter depuis Capella puis de générer un modèle SimEvents. Nous avons défini des blocs génériques permettant aux architectes d’être autonomes avec cette approche, et ainsi d’explorer avec SimEvents des variantes d’architecture système à partir du modèle de référence de leur projet.


Automatiser les bonnes pratiques pour améliorer la qualité du design

14:50–15:25

Des années d’expertise et de bonnes pratiques forment les bases des normes industrielles en vigueur pour le développement des systèmes critiques. Ces normes incluent des recommandations éprouvées qui visent à améliorer la qualité des designs.

Découvrez comment vous pouvez tirer profit des bonnes pratiques issues des normes telles que ISO 26262, DO-178/DO-331, IEC 61508 et MISRA® pour identifier les erreurs très tôt dans votre processus de design et améliorer la qualité de vos modèles Simulink®.

Daniel Martins
Daniel Martins, MathWorks

Une approche basée modèle pour faciliter et améliorer l’ingénierie des systèmes complexes

15:25–15:55

Depuis des décennies Airbus utilise la modélisation et la simulation tout au long du cycle de développement de ses avions. De nos jours, s’inscrivant dans une démarche d’amélioration continue de ses processus, méthodes et outils, Airbus cherche à étendre les capacités offertes par les approches Model-Based Design grâce à l’utilisation des principes d’ingénierie systèmes et du MBSE (Model-Based System Engineering). Cela implique de considérer les systèmes avion dans toute leur complexité, d’une vision haut niveau de leur architecture à leur conception au niveau le plus détaillé ; unifiant les approches « top-down » et « bottom-up ».

Dans cette optique, cette présentation illustre quatre axes d’amélioration permettant de mieux adresser l’ingénierie des systèmes complexes. Elle se base sur la mise en œuvre d’une plateforme de modélisation basée sur Simulink® et permettant :

  • De structurer les modèles par composition d’éléments réutilisables
  • D'utiliser les modèles comme moyen de formaliser, visualiser et analyser les données de conception
  • De permettre une gestion optimisée des variantes de design, en gérant chaque spécificité au niveau le plus adapté
  • D'offrir des solutions avancées pour l’ingénierie des exigences
Jean Duprez
Jean Duprez, Airbus

Le Model-Based Design pour la conception de produits de protection électrique

16:25–17:00

Les produits industriels de protection électrique (disjoncteurs, relais) s’enrichissent progressivement en fonctions de communication, de mesure, de diagnostic, pour aller vers davantage de fonctionnalités et vers une meilleure intégration système. Il en résulte une augmentation de la complexité que les concepteurs doivent apprendre à gérer, sans renier les fondamentaux des produits. A travers l’exemple de l’intégration de fonctions avancées dans un disjoncteur de puissance, nous verrons comment les approches à base de modèles permettent à Schneider Electric d’appréhender cette complexité et de réduire les risques.

Benoit Leprettre
Benoit Leprettre, Schneider Electric

Simscape pour le développement de systèmes cyber-physiques

17:00–17:30

L’innovation s’appréhende comme un processus itératif apportant de nouvelles réponses à une problématique donnée. Ce processus requiert une compréhension éclairée du problème ainsi qu’une capacité à projeter le bien-fondé des solutions envisagées, faisant de la modélisation l’alliée naturelle de l’ingénieur ou du chercheur. Cette dernière contribue en effet à alléger chacun des cycles de développement en fournissant à moindre couts et dans des délais compétitifs la possibilité de simuler des architectures nouvelles, de les optimiser et d’en éprouver la pertinence. Lors de cette présentation, vous découvrirez comment Simscape™ s’inscrit dans cette démarche.

Kévin Roblet
Kévin Roblet, MathWorks

Introduction au machine learning et au deep learning

11:45–12:45

Le machine learning est très répandu dans notre vie quotidienne, et les applications sont nombreuses : du deep learning pour le diagnostic médical, la reconnaissance de la parole et des objets, jusqu’à la maintenance prédictive, les techniques de l’apprentissage automatique sont au cœur des systèmes autonomes. Lors de cette session, nous aborderons les techniques de machine learning et de deep learning avec MATLAB®, et nous traiterons la problématique de la détection et la reconnaissance d’objets. Cette introduction donne une vision globale des techniques disponibles et vous guide dans la prise en main du machine learning avec MATLAB.

Valerie Leung
Valerie Leung, MathWorks

Introduction à MATLAB

14:15–14:50

Dans cette session, vous découvrirez MATLAB® sous deux aspects : celui de l'environnement interactif, et celui du langage de haut-niveau pour le calcul numérique, la visualisation et la programmation.

Les sujets abordés et illustrés dans cette session incluent :

  • L’importation des données depuis des fichiers Microsoft® Excel®, des fichiers textes, des bases de données et des périphériques
  • L’exploration et la visualisation des données à l'aide d'outils interactifs
  • L’analyse mathématique de ces données
  • L’automatisation de l'analyse et la création de rapports
  • La découverte de la facilité de prise en main de MATLAB
Jonathan Pinel
Jonathan Pinel, MathWorks

Introduction à Simulink et Stateflow

14:50–15:25

Cette master classe vous offre l’opportunité de découvrir la famille des produits Simulink® et plus particulièrement :

  • Les concepts fondamentaux de Simulink et Stateflow®
  • Les problèmes où l’utilisation de Simulink est plus appropriée que MATLAB®
  • L’utilisation de Simulink et de Stateflow pour capturer efficacement les besoins en simulation de votre système
  • La génération de code pour amener votre design du PC à la cible hardware
Laurent Bresson
Laurent Bresson, MathWorks

Développer et partager vos toolboxes

15:25–15:55

Les toolboxes MATLAB® deviennent un mécanisme standard pour la création et le partage de fichiers MATLAB contenant du code, des données, des apps, des exemples et de la documentation.

Cette master classe aborde les problématiques que les équipes et les entreprises rencontrent lorsqu’elles adoptent les toolboxes MATLAB. Cela comprend la création d’un contenu cohérent, la compatibilité avec les types de données MATLAB et les autres toolboxes, la création d’une app, et l’intégration avec un outil de gestion de version.

Olivier Dufour
Olivier Dufour, MathWorks

Simulation, prototypage et vérification de la conformité aux standards 4G/LTE, WLAN et 5G

16:25–17:30

De la conception d’algorithmes à la simulation système en passant par la génération de code et le prototypage sur plateformes hardware, venez découvrir les possibilités offertes par MATLAB® et Simulink®.

A l’occasion de cette master classe, nous vous montrerons comment réaliser des simulations conformes aux standards 4G/LTE, WLAN et explorer les technologies candidates à la 5G à l’aide de radio-logicielles.

Vous découvrirez aussi comment créer des modèles autorisant la génération de code C et HDL et embarquer le code généré sur des plateformes de type ‘System On Chip’ de la gamme Xilinx® Zynq® à des fins de prototypage rapide et de vérification.