Towards a Deep Multimodal Similarity Learning for Text and Image Embeddings Fusion |
 |
 |
Un classificateur d’images précis basé sur le CNN et d’un extracteur de caractéristiques, structuré comme un pipeline en ligne complet avec des modules de pré/post-traitement, d’évaluation, de test, de formation et de visualisation. Un “zero-shot” classificateur de texte (avec un transformateur). |
Open source IoT middleware |
 |
 |
Développement d’une plateforme open source d’intégration de données IoT, applicable à des secteurs comme la santé, la chaîne d’approvisionnement et le commerce de détail. Elle permet de localiser en temps réel objets et personnes via des technologies telles que Bluetooth Low Energy ou RFID, et de traiter les données de façon standardisée. Avec son middleware Pareto, reelyActive fournit désormais des données exploitables et une expertise neutre pour soutenir la transformation numérique et durable des organisations. |
Contrôle de robot utilisant l’intelligence artificielle pour les sites de production à forte diversité et à faible volume |
 |
 |
Création de solutions innovantes pour répondre aux problèmes de fabrication actuels et futurs dans le contexte de l’industrie X.0. Le projet a été créé suite à des enjeux majeurs identifiés dans un environnement de fabrication à haute diversité. Il est très difficile pour les PME traitant de la haute diversité de créer un flux continu de production entièrement automatisée afin de compenser la perte de personnel et de diminuer les coûts de production pour être plus compétitif à l’échelle mondiale. |
Contrôle d’un robot en temps réel et la gestion des données dans un processus de revêtement en poudre, piloté par l’intelligence artificielle |
Développement d’une approche systémique et d’outils analytiques avancés pour une transformation numérique efficace et durable des entreprises manufacturières |
 |
 |
Ce projet vise à accompagner la compagnie ARIV dans l’amélioration de son offre de service. Il s’appuie sur le développement d’outils analytiques et de jumeaux numériques pour optimiser l’aménagement d’usine, les flux de production et la prise de décision. Trois sous-projets portent sur la simulation, la méthodologie de feuille de route et la traçabilité des outils de production. |
Extraction et classification des données pour la fabrication personnalisée |
 |
 |
Ce projet développe une plateforme de profilage avancé des données fournisseurs pour la fabrication personnalisée. Il utilise le traitement du langage naturel et les modèles de langage à grande échelle pour extraire et affiner les descriptions d’entreprises. Cette approche permet d’identifier les capacités de fabrication et de créer un répertoire optimisé des fournisseurs. |
Analyse multidisciplinaire numérique et optimisation de la conception (DMADO) |
 |

|
L’objectif est de déployer un optimiseur de système de compression entièrement automatisé et intégré, capable de trouver l’équilibre optimal entre performances aérodynamiques, flux de refroidissement, durabilité, coût, poids, etc., pour optimiser les performances du produit. Ce nouveau système de conception sera utilisé par Siemens Energy pour optimiser ses compresseurs à un niveau de résolution suffisant pour répondre aux besoins des études de conception préliminaires et détaillées. |
Performances des avions hybrides électriques (HEA) grâce à l’optimisation multidisciplinaire de la conception (MDO) |
 |

|
Développement d’un outil automatisé et d’optimisation pour la conception et l’exploration des avions hybrides électriques (HEA) intégrant le dimensionnement, l’analyse de mission et les systèmes auxiliaires. Identification de la faisabilité économique des HEA et des types de missions intéressants pour leur exploitation. Détermination des bénéfices de la combinaison des technologies des avions plus électriques (MEA) et des systèmes de propulsion hybrides électriques (HEPS). |