Event details

En raison de la croissance exponentielle de la quantité de données disponibles en milieux marins et côtiers, les méthodes conventionnelles d’exploitation des séries temporelles ne suffisent plus pour extraire toute l’information d’une Observation intégrée, multi-variable, multi-source et multi-résolution. L’expertise humaine face à ces séries peut se trouver limitée face à la quantité d’information désormais disponible pour répondre aux principaux défis scientifiques.

Cela explique l’intérêt croissant suscité pour les méthodes basées sur les méthodes d’apprentissage : le Machine Learning (ML) classique et le Deep Learning (DL). Ces méthodes sont compatibles avec le traitement et l’analyse de jeux de données conséquents, capables d'évaluer efficacement la pertinence des variables considérées et de saisir les corrélations non linéaires entre les attributs à l'aide de techniques de modélisation simple, parfois sans avoir à comprendre le fonctionnement du système (méthode non supervisée) et même sans devoir obligatoirement considérer le temps et/ou l’espace comme contraintes pour définir des états environnementaux, les classifier et les prévoir. Les méthodes ML et DL deviennent ainsi des techniques incontournables pour la qualification, le traitement, l'analyse, la classification (clustering) des données et bien entendu la prédiction. Toutefois, leur usage n’est pas encore généralisé et se limite dans la communauté à quelques experts.

Objectifs

L’objectif de cet atelier est de rassembler les utilisateurs des techniques d’apprentissage ML/DL, d’échanger sur les usages, les jeux de données auxquels elles peuvent s’appliquer (in situ, imagerie, satellite, modèle), les applications possibles, et les précautions d’usage. Après quelques présentations d’ensemble et d’autres plus ciblées sur des cas d’usage lors de la 1ère demi-journée, le second jour sera consacré aux discussions. Cet atelier, mettant l’accent sur les discussions, devrait permettre de présenter aux communautés diverses applications de techniques d’apprentissage automatique et profond, favorisant ainsi l’établissement de nouvelles collaborations et l’émergence de nouveaux projets. Des recommandations sur les données IA-compatible pourront aussi être émises à l’intention du pôle de données océan ODATIS de l’IR Data Terra et de l’IR ILICO.

En pratique

L'atelier est ouvert aux collègues non utilisateurs qui souhaiteraient être informés sur ces méthodes.

L’atelier s'est déroulé à Paris sur trois demi-journées (mardi 4 juin 14h - mercredi 5 juin 16h30).

Comité d'organisation

• Sabine Schmidt (EPOC, LEFE-CYBER, ODATIS/IR DATA TERRA),
• Alain Lefebvre (Ifremer, IR ILICO),
• Raphaëlle Sauzède (CNRS, IMEV, Argo-France)
• Saïd Ouala (IMT-Atlantique)

Accès aux présentations

• Les supports de présentations ainsi qu'un compte-rendu des échanges sont accessibles depuis la page dédiée à cet atelier.