Portesouvertes2010 V4 Without Video

1.
fysop.ﬁles.wordpress.com/2009/06/words-12.jpg

2.
LINCS Laboratoire d’ingénierie Cognitive et Sémantique fysop.ﬁles.wordpress.com/2009/06/words-12.jpg

4.
Compréhension Modélisation Signiﬁcation Information Animation Extraction Cognition Domaine Humain Analyse Texte

5.
L’ a rb r e c o m p l e t c o m p r e n d 3 294 mots et marques de ponctuation. animation créée grâce à ManyEyes (IBM) à partir du texte descriptif de la subvention de recherche CRSNG du LiNCS TEXTES extraire, analyser, visualiser, comprendre

6.
LES APPLICATIONS

7.
Applications multiples

8.
Applications multiples • Expansion d’abréviations SMS sur cellulaire • Moteur de recherche intelligent • Web sémantique • Filtre anti-spam • Classification de fils de nouvelles RSS • Extraction de patrons dans les articles scientifiques • et plus encore ...

9.

10.

11.

12.

13.

14.

15.

16.

17.

18.

19.

20.

21.

22.

23.

24.

25.

26.

27.
Applications multiples Analyzing Gapbetween Workﬂows and NL Descriptions

28.
Domaines multiples • biologie Capture Relations in Biomedical Text Analyzing Gap between Workflows and NL Descriptions Finding Defects in NL Confidentiality Requirements Characterizing Trajectories of Moving Objects Processing NL Requirements Mobile Medecine: Drug Information through NL SMS Texts for a Cognitive Vision System • médecine Intelligent User Interfaces for Wikis Mapping Natural Language to Imagery Automation of Requirements Analysis Integrating Requirements and Model-Driven Engineering NL Interface for Crime-related Queries • génie logiciel Text Mining for Clinical Medical Records Automatic Construction of UML Diagrams Web 2.0 and NLP Translation NL into Temporal and Dynamic Logic Mapping NL to Imagery Dependability Analysis in Industrial Use Cases • sciences cognitives Event Model for Analysis of Verb Sense Integrating BPM and Governing Documents Automated Identification of LTL Patterns Automatic Diagram Drawing Animated Agent that Understand NL SMS Text Normalization Automated Conceptual Data Modeling Extracting Causation Knowledge • informatique mobile Fact Extraction from Source Code Multilingual Understanding of Natural Business Rules User-Friendly Interface for Fingerprint Systems • communication et média Intelligent Decision Support System • ingénierie des connaissance

29.
LES DÉFIS

30.
Pourquoi est-ce difﬁcile?

31.
Pourquoi est-ce difﬁcile? • les langues naturelles sont ambiguës

32.
Pourquoi est-ce difﬁcile? •les langues naturelles sont ambiguës • les références pas toujours évidentes

33.
le journaliste etBush ? le ministre et le journaliste ? Pourquoi est-ce difﬁcile? Bush et le ministre? Qui serrait la main du ministre ? • les langues naturelles sont ambiguës Le bureau de qui? • les références pas toujours évidentes Georges W. Bush pensait qu’il allait tranquillement ﬁnir son mandat après une tournée en Irak. Lors d’une conférence de presse un journaliste lui a lancé, sans l'atteindre, deux chaussures et l'a insulté au moment où ce dernier serrait la main du Premier ministre irakien dans son bureau à Bagdad. Alors que les deux hommes se rencontraient dans le bureau privé du Premier ministre Nouri al-Maliki, un journaliste irakien, assis au troisième rang, a bondi et lancé ses chaussures sur le président américain.

34.
Pourquoi est-ce difﬁcile? •les langues naturelles sont ambiguës • les références pas toujours évidentes • les documents comportent toutes sortes d’objets

35.
Pourquoi est-ce difﬁcile? •les langues naturelles sont ambiguës des titres des images • les références pas toujours évidentes • les documents comportent toutes des tableaux sortes d’objets et bien sûr... des graphiques du texte

36.
Pourquoi est-ce difﬁcile? •les langues naturelles sont ambiguës • les références pas toujours évidentes • les documents comportent toutes sortes d’objets • les concepts peuvent s’exprimer de plusieurs manières

37.
Pourquoi est-ce difﬁcile? •les langues naturelles sont ambiguës • les références pas toujours évidentes • les documents comportent toutes sortes d’objets OVNI • les concepts peuvent s’exprimer de plusieurs manières hallucination soucoupe volante engin extraterrestre

38.
LES REPRÉSENTATIONS

39.
Extraire pour comprendreet pour constuire

40.
Extraire pour comprendreet pour constuire des groupes/des classiﬁcations • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...

41.
Extraire pour comprendreet pour constuire • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...

42.
Extraire pour comprendreet pour constuire des alertes/des identiﬁcations • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...

43.

44.
Extraire pour comprendreet pour constuire des domaines • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...

45.

46.
Extraire pour comprendreet pour constuire des processus • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...

47.

48.
Extraire pour comprendreet pour constuire des besoins • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...

49.

50.
Extraire pour comprendreet pour constuire ... des interactions • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...

51.
LES TECHNIQUES ETLES ALGORITHMES

52.
Clustering • Leclustering consisteà former des groupes naturels. • Lesdocuments similaires se retrouvent dans les mêmes groupes. • Lestechniques de clustering permettent d’identiﬁer rapidement des classiﬁcations possibles.

53.
Clustering • Leclustering consisteà former des groupes naturels. • Lesdocuments similaires se retrouvent dans les mêmes groupes. • Lestechniques de clustering permettent d’identiﬁer rapidement des classiﬁcations possibles.

54.
Réduction de ladimensionalité

55.
Réduction de ladimensionalité • Prenons un ensemble de 3 petits textes. • Total: 3 mots différents A le gros chat chat chat • Construisons un tableau qui contient le nombre de fois que chaque mot B le ... le gros chat! apparaît dans chaque texte. C le gros gros gros gros chat • Chaque ligne représente gros le chat en fait un point dans l’espace. (1,1,3) A 1 1 3 • Pour réduire le nombre (4,1,1) B 1 2 1 de dimensions, il faudra choisir un plan 2D. (1,2,1) C 4 1 1

56.
Réduction de ladimensionalité

57.
Réduction de ladimensionalité ... comment ?

58.
Réduction de ladimensionalité • Pour passer de 3 à 2 dimensions, on choisit deux composantes. • Pour passer de 500 à 10 dimensions, on choisit 10 composantes.

59.
Réduction de ladimensionalité • Pour passer de 3 à 2 dimensions, on choisit deux composantes. • Pour passer de 500 à 10 dimensions, on choisit 10 composantes. et la bonne projection

60.
Élimination des mots«vides»

61.
Élimination des mots«vides» Pour obtenir des résultats intéressants, il arrive souvent que l’on doive éliminer ce que l’on appelle des mots « vides » (mots outils, mots fonctionnels, ou « stop words »): de, à, la, les, etc. Constatez la différence.

62.
Analyse syntaxique

63.
Analyse syntaxique • consisteàconstruire une structure Phrase permettant de repérer les éléments SV constitutifs des phrases. SV SV SP SP SN SV SN SN SN • L’analyse pourra être complète... le Colonel Mustard a étranglé Madame Peacock sur le balcon avec la corde. • ou partielle («shallow»). SN SV SN SN SN

64.
Interprétation sémantique

65.
Interprétation sémantique • Dansles deux cas, l’étape suivante le Colonel Mustard a étranglé Madame Peacock sur le balcon avec la corde. consiste à identiﬁer les éléments Colonel Mustard Madame Peacock balcon corde signiﬁants... • ... et leur donner une représentation... t_colonel_mustard étrangle t_madame_peacock • ...adaptée au domaine... cm • ...aux points de vue... étr mp • ...aux utilisateurs. cor balcon

66.
LES PROJETS Binocle, S-Cue,Aartic, Formica, Coreff, Équi-libre...

67.
Binocle Analyseautomatique de documents en génie logiciel : de la langue naturelle à la représentation visuelle

68.
Binocle Analyse automatique de documents en génie Réaliser le prototype d'un système logiciel : de la langue naturelle à la représentation visuelle permettant de traduire visuellement des textes corporatifs de déﬁnition de règles d'affaires dans le contexte du génie logiciel. Cette preuve de concept vise à établir une mise en contexte fonctionnelle à partir de laquelle des recherches plus avancées pourront être élaborées.

69.
A.A.R.TIC Apprentissage - Adaptatif- Repères - Technologies de l’information et des communications

70.
A.A.R.TIC Apprentissage - Adaptatif - Repères - Technologies de l’information et des communications Développer un environnement informatique d’apprentissage humain (EIAH) qui assiste l’étudiant dans l’assimilation des concepts théoriques à travers des exemples les illustrant. L’EIAH proposé s’adapte aux expériences des étudiants grâce à deux agents intelligents: l’accompagnateur, associé à l’étudiant, et l’observateur, associé à l’enseignant.

72.
Les Co.Lab.Orateurs duLiNCS Pierre André Ménard L’occasion pour les étudiants de rencontrer Frédéric Monchamp leurs collègues et d’échanger sur leurs Felipe Padilla projets de recherche respectifs. Otilia Alejandro Exposer un problème  Montrer l’avancement de son Paul Laurier projet  Tester une présentation de conférence  Tester Ludovic Niepce un poster  Demander une rétroaction  Combattre le syndrome de la page blanche Youness Fareh Alexandra Gonzalez 1 orateur + 1 public Faten Mhiri Benoît Borrel Présentation de [ 10 .. 30 ] min. Manuelle Gagnon

73.
Département de génielogiciel et des TI École de technologie supérieure Sylvie.Ratte@etsmtl.ca A-3440

74.
Lincs.etsmtl.ca lin CS Département de génie logiciel et des TI École de technologie supérieure Sylvie.Ratte@etsmtl.ca A-3440

Portesouvertes2010 V4 Without Video

Contenu connexe

En vedette

Portesouvertes2010 V4 Without Video