Les élèves de dernière année de cycle ingénieur ont présenté leur projet d’innovation industrielle la semaine dernière lors d’un showroom. Le jury a noté les équipes. Retour sur l’événement et focus sur les trois meilleurs projets.
En cinquième année, les élèves ingénieurs de l’ESILV choisissent une majeure : Informatique, Big Data et Objets Connectés, Ingénierie Financière, Mécanique numérique et Modélisation, Nouvelles Energies ou Entreprendre. Les Projets d’Innovation Industrielle réalisés par les élèves sont en rapport avec leur spécialisation. De belles réalisations après presque cinq ans d’études !
Des prototypes pour les entreprises
Des SMS par télépathie, un drone d’intérieur… Les projets d’innovation industrielle peuvent être très surprenants ! Mais ils s’inscrivent toujours dans une dynamique professionnelle et concrète.
En 5ème année, il s’agit de valoriser son travail vers l’extérieur et en particulier en direction des entreprises. A ce stade, à quelques mois du diplôme, il est important d’augmenter sa visibilité.
Les entreprises peuvent être partenaires de l’événement comme Hear and Know qui propose par exemple des solutions dans le domaine de la supply chain et de la logistique. Des laboratoires sont également partie prenante. C’est le cas du De Vinci Research Center. Des associations sont par ailleurs sollicitées, par exemple De Vinci Durable.
Un projet d’innovation industrielle, c’est aussi le fruit d’un travail d’équipe de 3 à 5 élèves. Qui dit travail d’équipe, dit recours aux soft skills, ces compétences qui permettent de gérer les conflits, de trouver des solutions aux problèmes interpersonnels etc.
La vidéo du showroom des PI²5 de la promo 2019
Zoom sur trois projets d’innovation industrielle salués par le jury
Voici le podium des projets de cette année :
Sur la 1ère place du podium, un projet Supply Chain, IoT et Blockchain
Le projet vise à sécuriser et optimiser le trajet d’un produit issu d’une Supply Chain en combinant la puissance des deux technologies IoT (Internet of Things – Internet des objets) et Blockchain (registre partagé décentralisé). L’utilisation de capteurs (GPS, température …) permet de suivre en temps réel la position d’une cargaison mais aussi d’assurer que les conditions de son transport maintiennent sa bonne qualité.
Avant qu’un produit atterrisse dans nos rayons, il entame un processus d’enchainement d’étape long et fastidieux qui commence de sa création en usine et qui se termine à son achat, c’est la Supply Chain.
A l’ère de la mondialisation, la plupart des produits de notre quotidien sont issus de l’exportation. Dans 9 cas sur 10, une marchandise est transportée par voie maritime et on estime que les coûts de traitement et d’administration de la documentation commerciale représentent près d’un cinquième des couts du fret maritime.
En 2ème position, également un projet Intelligence Artificielle
Audio Driven Mouth Animation (ADMA) et s’intègre dans le Parcours Innovation du De Vinci Innovation Center (DVIC). Il consiste à humaniser l’Intelligence Artificielle (IA) en se concentrant sur la bouche via de la synthèse vocale et l’articulation buccale qui lui est associée.
Le projet s’inspire des derniers articles de recherche de Google, Nvidia, Pixar et Disney qui traitent du Deep Learning. Pour réaliser ce genre de modèle, il est nécessaire de posséder un dataset conséquent.
Comme il n’existe pas de dataset libre pour cette tâche, ADMA propose une méthode automatique pour le créer.
Après entrainement sur ce dataset, il suffitde lui fournir un texte pour qu’il génère à la fois une voix et son animation buccale.
3ème projet lauréat, un projet en Machine Learning et Finance
La satisfaction client est un indicateur clé de la performance d’une entreprise. Tout client insatisfait peut être amené à nuire à la réputation d’une organisation et à se tourner vers la concurrence.
Le projet vise à construire un outil de Machine Learning permettant d’évaluer la satisfaction client d’une grande entreprise bancaire. En identifiant mieux et de manière plus précoce les clients insatisfaits, la banque pourra être proactive et anticiper les attentes de ses clients.
Une base de données anonymisée avec 369 variables et 76 020 observations a été utilisée. Dans un premier temps, après avoir étudié statistiquement la signification de nos variables, un filtrage de données a été effectué pour qu’elles soient cohérentes. Ensuite, différents algorithmes de Machine Learning ont été étudiés sous Python : la régression logistique, les réseaux de neurones et les arbres de décisions. Apres avoir évalué l’efficacité de ceux-ci par la construction de scores (ROC curve et AUC), nous avons choisi d’utiliser notre algorithme d’arbre de décision (Random Forest) pour développer notre outil.
En saisissant le numéro client dans l’interface, l’outil va calculer la probabilité que celui-ci soit insatisfait et, si cela est possible, proposer des ajustements à réaliser pour diminuer cette probabilité d’insatisfaction.
En savoir plus sur la pédagogie projet à l’ESILV
This post was last modified on %s = human-readable time difference 12:25 pm