Portesouvertes2010 V4 Without Video

523 vues

Publié le

Slides used during the event "Porte Ouvertes 2010" of ETS to present the lab.

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
523
Sur SlideShare
0
Issues des intégrations
0
Intégrations
9
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive





















































































































































































































































































































































































  • Portesouvertes2010 V4 Without Video

    1. 1. fysop.files.wordpress.com/2009/06/words-12.jpg
    2. 2. LINCS Laboratoire d’ingénierie Cognitive et Sémantique fysop.files.wordpress.com/2009/06/words-12.jpg
    3. 3. Compréhension Modélisation Signification Information Animation Extraction Cognition Domaine Humain Analyse Texte
    4. 4. L’ a r b 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
    5. 5. LES APPLICATIONS
    6. 6. Applications multiples
    7. 7. 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 ...
    8. 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. 9. 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 ...
    10. 10. 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 ...
    11. 11. 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 ...
    12. 12. 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 ...
    13. 13. 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 ...
    14. 14. 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 ...
    15. 15. 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 ...
    16. 16. 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 ...
    17. 17. 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 ...
    18. 18. 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 ...
    19. 19. 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 ...
    20. 20. 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 ...
    21. 21. 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 ...
    22. 22. 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 ...
    23. 23. 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 ...
    24. 24. 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 ...
    25. 25. 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 ...
    26. 26. Applications multiples Analyzing Gap between Workflows and NL Descriptions
    27. 27. 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
    28. 28. LES DÉFIS
    29. 29. Pourquoi est-ce difficile?
    30. 30. Pourquoi est-ce difficile? • les langues naturelles sont ambiguës
    31. 31. Pourquoi est-ce difficile? • les langues naturelles sont ambiguës • les références pas toujours évidentes
    32. 32. le journaliste et Bush ? 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.
    33. 33. Pourquoi est-ce difficile? • les langues naturelles sont ambiguës • les références pas toujours évidentes • les documents comportent toutes sortes d’objets
    34. 34. 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
    35. 35. 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
    36. 36. 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
    37. 37. LES REPRÉSENTATIONS
    38. 38. Extraire pour comprendre et pour constuire
    39. 39. Extraire pour comprendre et 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...
    40. 40. Extraire pour comprendre et pour constuire • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...
    41. 41. Extraire pour comprendre et 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...
    42. 42. Extraire pour comprendre et pour constuire • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...
    43. 43. Extraire pour comprendre et 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...
    44. 44. Extraire pour comprendre et pour constuire • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...
    45. 45. Extraire pour comprendre et 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...
    46. 46. Extraire pour comprendre et pour constuire • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...
    47. 47. Extraire pour comprendre et 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...
    48. 48. Extraire pour comprendre et pour constuire • Donner un sens à l’information • Selon les domaines... • Selon les spécialisations... • Selon les préférences de l’utilisateur... • Selon les besoins...
    49. 49. Extraire pour comprendre et 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...
    50. 50. LES TECHNIQUES ET LES ALGORITHMES
    51. 51. Clustering • Leclustering consiste à former des groupes naturels. • Lesdocuments similaires se retrouvent dans les mêmes groupes. • Lestechniques de clustering permettent d’identifier rapidement des classifications possibles.
    52. 52. Clustering • Leclustering consiste à former des groupes naturels. • Lesdocuments similaires se retrouvent dans les mêmes groupes. • Lestechniques de clustering permettent d’identifier rapidement des classifications possibles.
    53. 53. Réduction de la dimensionalité
    54. 54. Réduction de la dimensionalité • 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
    55. 55. Réduction de la dimensionalité
    56. 56. Réduction de la dimensionalité ... comment ?
    57. 57. Réduction de la dimensionalité • Pour passer de 3 à 2 dimensions, on choisit deux composantes. • Pour passer de 500 à 10 dimensions, on choisit 10 composantes.
    58. 58. Réduction de la dimensionalité • 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
    59. 59. Élimination des mots «vides»
    60. 60. 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.
    61. 61. Analyse syntaxique
    62. 62. Analyse syntaxique • consisteà construire 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
    63. 63. Interprétation sémantique
    64. 64. Interprétation sémantique • Dans les 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
    65. 65. LES PROJETS Binocle, S-Cue, Aartic, Formica, Coreff, Équi-libre...
    66. 66. Binocle Analyse automatique de documents en génie logiciel : de la langue naturelle à la représentation visuelle
    67. 67. 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.
    68. 68. A.A.R.TIC Apprentissage - Adaptatif - Repères - Technologies de l’information et des communications
    69. 69. 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.
    70. 70. Les Co.Lab.Orateurs du LiNCS 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
    71. 71. Département de génie logiciel et des TI École de technologie supérieure Sylvie.Ratte@etsmtl.ca A-3440
    72. 72. Lincs.etsmtl.ca lin CS Département de génie logiciel et des TI École de technologie supérieure Sylvie.Ratte@etsmtl.ca A-3440

    ×