Proposition de stage de Master 2 Une approche fouille de données pour la détection préventive des risques lors du transport d’œuvres d’art • Lieu du stage : Université de Versailles et Saint-Quentin-en-Yvelines • Equipe et Laboratoire: ADAM / Laboratoire DAVID • Partenaire : Laboratoire C2RMF (Centre de Recherche et de Restauration des Musées de France) • Financement : Bourse de la Fondation des Sciences du Patrimoine (LabEx PATRIMA) • Contacts : Karine Zeitouni, Yehia Taher ([email protected]) Contexte général : Les œuvres d'art des musées sont parfois amenés à être transportées pour des expositions, des galeries ou des restaurations. Le transport et la manipulation de ces objets, souvent irremplaçables et d'une valeur inestimable, implique un processus extrêmement sensible et nécessite une attention toute particulière. Avec l’émergence et la miniaturisation des technologies des capteurs, des musées tels que le Louvre, équipent les œuvres d’art transportées de capteurs de température, de choc ou de vibration afin de tracer leurs conditions de transport, ce qui permet de connaître et d’améliorer la préservation de ce patrimoine culturel [1, 2]. Les données de ces capteurs forment des série temporelles de mesures ou de positions provenant généralement d’un GPS. Toutefois, l’exploitation des données ainsi recueillies est très limitée aujourd’hui, hormis par des visualisations ponctuelles sur certains objets. La raison à cela est la masse de données de ce type relevées en continue et à une grande vitesse, leur hétérogénéité, et l’imperfection des mesures de capteurs [1], ce qui dépasse les capacités humaines d’analyse. Les outils de fouille de données (data mining) s’étendent aujourd’hui à des données complexes dont les séries temporelles où les applications sont nombreuses (finance, sécurité informatique, Internet des objet, smart city). Partant des données, ils permettent d’appendre des modèles et de les appliquer pour segmenter, classer ou trouver des corrélations cachées au sein des données. Objectif : L’objectif principal de ce stage est de mettre en place une plateforme d’analyse et de fouille de données de capteurs visant à élaborer un modèle de prédiction précoce des situations à risque lors du processus du transport. Le but est d’alerter ou d’agir pendant le suivi tant réel afin d’éviter l’occurrence de la situation. L’analyse peut porter sur des données brutes, i.e., des séries de mesures (mono- ou multi- variées) ou sur des modèles de données enrichies, i.e., des descripteurs statistiques permettant d’entrainer des modèles d’apprentissage. Des récentes techniques de classifications précoces peuvent être exploitées et adaptées à notre problématique [3, 4] et un premier prototype est en cours. Le stagiaire contribuera à l’extension de ce prototype. Profil du candidat : • • • • • Niveau Master 2 Informatique orienté gestion et fouille de données Capacités d’adaptation et esprit créatif Connaissances des algorithmes et outils d’apprentissage et fouille de données Connaissances en développement de projets informatiques Appropriation d’outils et intégration au travail de l’équipe Références : [1] Raef MOUSHEIMISH, Yehia TAHER, and Karine Zeitouni. PACT-ART: Adaptive and Context-Aware Processes for the Transportation of Artworks. Digital Heritage international conference, DH’2015, Granada, Spain. [2] Raef Mousheimish, Yehia Taher, Béatrice Finance: Towards smart logistics processes: a predictive monitoring and proactive adaptation approach. ICSSP 2015: 169-170. [3] Zhengzheng Xing, Jian Pei, Philip S. Yu: Early Prediction on Time Series: A Nearest Neighbor Approach. IJCAI 2009: 1297-1302 [4] Yu-Feng Lin, Hsuan-Hsu Chen, Vincent S. Tseng, Jian Pei: Reliable Early Classification on Multivariate Time Series with Numerical and Categorical Attributes. PAKDD (1) 2015: 199-211