Search

Your search keyword '"Termier, Alexandre"' showing total 134 results
Start Over Author "Termier, Alexandre" Publication Year Range Last 10 years

Refine your results

more »

more »

more »

more »
134 results on '"Termier, Alexandre"'

1. Shaping Up SHAP: Enhancing Stability through Layer-Wise Neighbor Selection

Author

Kelodjou, Gwladys, Rozé, Laurence, Masson, Véronique, Galárraga, Luis, Gaudel, Romaric, Tchuente, Maurice, and Termier, Alexandre

Subjects
Computer Science - Machine Learning, Computer Science - Artificial Intelligence
Abstract

Machine learning techniques, such as deep learning and ensemble methods, are widely used in various domains due to their ability to handle complex real-world tasks. However, their black-box nature has raised multiple concerns about the fairness, trustworthiness, and transparency of computer-assisted decision-making. This has led to the emergence of local post-hoc explainability methods, which offer explanations for individual decisions made by black-box algorithms. Among these methods, Kernel SHAP is widely used due to its model-agnostic nature and its well-founded theoretical framework. Despite these strengths, Kernel SHAP suffers from high instability: different executions of the method with the same inputs can lead to significantly different explanations, which diminishes the relevance of the explanations. The contribution of this paper is two-fold. On the one hand, we show that Kernel SHAP's instability is caused by its stochastic neighbor selection procedure, which we adapt to achieve full stability without compromising explanation fidelity. On the other hand, we show that by restricting the neighbors generation to perturbations of size 1 -- which we call the coalitions of Layer 1 -- we obtain a novel feature-attribution method that is fully stable, computationally efficient, and still meaningful.

Published
2023

2. LCE: An Augmented Combination of Bagging and Boosting in Python

Author

Fauvel, Kevin, Fromont, Élisa, Masson, Véronique, Faverdin, Philippe, and Termier, Alexandre

Subjects
Computer Science - Machine Learning
Abstract

lcensemble is a high-performing, scalable and user-friendly Python package for the general tasks of classification and regression. The package implements Local Cascade Ensemble (LCE), a machine learning method that further enhances the prediction performance of the current state-of-the-art methods Random Forest and XGBoost. LCE combines their strengths and adopts a complementary diversification approach to obtain a better generalizing predictor. The package is compatible with scikit-learn, therefore it can interact with scikit-learn pipelines and model selection tools. It is distributed under the Apache 2.0 license, and its source code is available at https://github.com/LocalCascadeEnsemble/LCE.

Published
2023

4. Generating robust counterfactual explanations

Author

Guyomard, Victor, Fessant, Françoise, Guyet, Thomas, Bouadi, Tassadit, and Termier, Alexandre

Subjects
Computer Science - Machine Learning, Computer Science - Artificial Intelligence
Abstract

Counterfactual explanations have become a mainstay of the XAI field. This particularly intuitive statement allows the user to understand what small but necessary changes would have to be made to a given situation in order to change a model prediction. The quality of a counterfactual depends on several criteria: realism, actionability, validity, robustness, etc. In this paper, we are interested in the notion of robustness of a counterfactual. More precisely, we focus on robustness to counterfactual input changes. This form of robustness is particularly challenging as it involves a trade-off between the robustness of the counterfactual and the proximity with the example to explain. We propose a new framework, CROCO, that generates robust counterfactuals while managing effectively this trade-off, and guarantees the user a minimal robustness. An empirical evaluation on tabular datasets confirms the relevance and effectiveness of our approach.

Published
2023

5. Persistence-Based Discretization for Learning Discrete Event Systems from Time Series

Author

Cornanguer, Lénaïg, Largouët, Christine, Rozé, Laurence, and Termier, Alexandre

Subjects
Computer Science - Artificial Intelligence
Abstract

To get a good understanding of a dynamical system, it is convenient to have an interpretable and versatile model of it. Timed discrete event systems are a kind of model that respond to these requirements. However, such models can be inferred from timestamped event sequences but not directly from numerical data. To solve this problem, a discretization step must be done to identify events or symbols in the time series. Persist is a discretization method that intends to create persisting symbols by using a score called persistence score. This allows to mitigate the risk of undesirable symbol changes that would lead to a too complex model. After the study of the persistence score, we point out that it tends to favor excessive cases making it miss interesting persisting symbols. To correct this behavior, we replace the metric used in the persistence score, the Kullback-Leibler divergence, with the Wasserstein distance. Experiments show that the improved persistence score enhances Persist's ability to capture the information of the original time series and that it makes it better suited for discrete event systems learning.

Published
2023

6. VCNet: A self-explaining model for realistic counterfactual generation

Author

Guyomard, Victor, Fessant, Françoise, Guyet, Thomas, Bouadi, Tassadit, and Termier, Alexandre

Subjects
Computer Science - Artificial Intelligence, Computer Science - Machine Learning
Abstract

Counterfactual explanation is a common class of methods to make local explanations of machine learning decisions. For a given instance, these methods aim to find the smallest modification of feature values that changes the predicted decision made by a machine learning model. One of the challenges of counterfactual explanation is the efficient generation of realistic counterfactuals. To address this challenge, we propose VCNet-Variational Counter Net-a model architecture that combines a predictor and a counterfactual generator that are jointly trained, for regression or classification tasks. VCNet is able to both generate predictions, and to generate counterfactual explanations without having to solve another minimisation problem. Our contribution is the generation of counterfactuals that are close to the distribution of the predicted class. This is done by learning a variational autoencoder conditionally to the output of the predictor in a join-training fashion. We present an empirical evaluation on tabular datasets and across several interpretability metrics. The results are competitive with the state-of-the-art method.

Published
2022

7. Discovering Useful Compact Sets of Sequential Rules in a Long Sequence

Author

Bourrand, Erwan, Galárraga, Luis, Galbrun, Esther, Fromont, Elisa, and Termier, Alexandre

Subjects
Computer Science - Machine Learning, Computer Science - Artificial Intelligence
Abstract

We are interested in understanding the underlying generation process for long sequences of symbolic events. To do so, we propose COSSU, an algorithm to mine small and meaningful sets of sequential rules. The rules are selected using an MDL-inspired criterion that favors compactness and relies on a novel rule-based encoding scheme for sequences. Our evaluation shows that COSSU can successfully retrieve relevant sets of closed sequential rules from a long sequence. Such rules constitute an interpretable model that exhibits competitive accuracy for the tasks of next-element prediction and classification., Comment: 8 pages, published in the proceedings of the 33rd IEEE International Conference on Tools with Artificial Intelligence

Published
2021

9. HiPaR: Hierarchical Pattern-aided Regression

Author

Galárraga, Luis, Pelgrin, Olivier, and Termier, Alexandre

Subjects
Computer Science - Machine Learning
Abstract

We introduce HiPaR, a novel pattern-aided regression method for tabular data containing both categorical and numerical attributes. HiPaR mines hybrid rules of the form $p \Rightarrow y = f(X)$ where $p$ is the characterization of a data region and $f(X)$ is a linear regression model on a variable of interest $y$. HiPaR relies on pattern mining techniques to identify regions of the data where the target variable can be accurately explained via local linear models. The novelty of the method lies in the combination of an enumerative approach to explore the space of regions and efficient heuristics that guide the search. Such a strategy provides more flexibility when selecting a small set of jointly accurate and human-readable hybrid rules that explain the entire dataset. As our experiments shows, HiPaR mines fewer rules than existing pattern-based regression methods while still attaining state-of-the-art prediction performance.

Published
2021

10. Interactive Visualization of Counterfactual Explanations for Tabular Data

Author

Guyomard, Victor, Fessant, Françoise, Guyet, Thomas, Bouadi, Tassadit, Termier, Alexandre, Goos, Gerhard, Founding Editor, Hartmanis, Juris, Founding Editor, Bertino, Elisa, Editorial Board Member, Gao, Wen, Editorial Board Member, Steffen, Bernhard, Editorial Board Member, Yung, Moti, Editorial Board Member, De Francisci Morales, Gianmarco, editor, Perlich, Claudia, editor, Ruchansky, Natali, editor, Kourtellis, Nicolas, editor, Baralis, Elena, editor, and Bonchi, Francesco, editor

Published
2023
Full Text
View/download PDF

12. VCNet: A Self-explaining Model for Realistic Counterfactual Generation

Author

Guyomard, Victor, Fessant, Françoise, Guyet, Thomas, Bouadi, Tassadit, Termier, Alexandre, Goos, Gerhard, Founding Editor, Hartmanis, Juris, Founding Editor, Bertino, Elisa, Editorial Board Member, Gao, Wen, Editorial Board Member, Steffen, Bernhard, Editorial Board Member, Yung, Moti, Editorial Board Member, Amini, Massih-Reza, editor, Canu, Stéphane, editor, Fischer, Asja, editor, Guns, Tias, editor, Kralj Novak, Petra, editor, and Tsoumakas, Grigorios, editor

Published
2023
Full Text
View/download PDF

13. XCM: An Explainable Convolutional Neural Network for Multivariate Time Series Classification

Author

Fauvel, Kevin, Lin, Tao, Masson, Véronique, Fromont, Élisa, and Termier, Alexandre

Subjects
Computer Science - Machine Learning, Statistics - Machine Learning
Abstract

Multivariate Time Series (MTS) classification has gained importance over the past decade with the increase in the number of temporal datasets in multiple domains. The current state-of-the-art MTS classifier is a heavyweight deep learning approach, which outperforms the second-best MTS classifier only on large datasets. Moreover, this deep learning approach cannot provide faithful explanations as it relies on post hoc model-agnostic explainability methods, which could prevent its use in numerous applications. In this paper, we present XCM, an eXplainable Convolutional neural network for MTS classification. XCM is a new compact convolutional neural network which extracts information relative to the observed variables and time directly from the input data. Thus, XCM architecture enables a good generalization ability on both large and small datasets, while allowing the full exploitation of a faithful post hoc model-specific explainability method (Gradient-weighted Class Activation Mapping) by precisely identifying the observed variables and timestamps of the input data that are important for predictions. We first show that XCM outperforms the state-of-the-art MTS classifiers on both the large and small public UEA datasets. Then, we illustrate how XCM reconciles performance and explainability on a synthetic dataset and show that XCM enables a more precise identification of the regions of the input data that are important for predictions compared to the current deep learning MTS classifier also providing faithful explainability. Finally, we present how XCM can outperform the current most accurate state-of-the-art algorithm on a real-world application while enhancing explainability by providing faithful and more informative explanations., Comment: Accepted for publication in Mathematics. Another machine learning method for multivariate time series classification providing faithful explanations is presented in arXiv:2005.03645

Published
2020
Full Text
View/download PDF

14. XEM: An Explainable-by-Design Ensemble Method for Multivariate Time Series Classification

Author

Fauvel, Kevin, Fromont, Élisa, Masson, Véronique, Faverdin, Philippe, and Termier, Alexandre

Subjects
Computer Science - Machine Learning, Statistics - Machine Learning
Abstract

We present XEM, an eXplainable-by-design Ensemble method for Multivariate time series classification. XEM relies on a new hybrid ensemble method that combines an explicit boosting-bagging approach to handle the bias-variance trade-off faced by machine learning models and an implicit divide-and-conquer approach to individualize classifier errors on different parts of the training data. Our evaluation shows that XEM outperforms the state-of-the-art MTS classifiers on the public UEA datasets. Furthermore, XEM provides faithful explainability-by-design and manifests robust performance when faced with challenges arising from continuous data collection (different MTS length, missing data and noise)., Comment: Accepted for publication in Data Mining and Knowledge Discovery

Published
2020
Full Text
View/download PDF

15. Statistically Significant Discriminative Patterns Searching

Author

Pham, Hoang Son, Virlet, Gwendal, Lavenier, Dominique, and Termier, Alexandre

Subjects
Computer Science - Machine Learning, Statistics - Machine Learning
Abstract

Discriminative pattern mining is an essential task of data mining. This task aims to discover patterns which occur more frequently in a class than other classes in a class-labeled dataset. This type of patterns is valuable in various domains such as bioinformatics, data classification. In this paper, we propose a novel algorithm, named SSDPS, to discover patterns in two-class datasets. The SSDPS algorithm owes its efficiency to an original enumeration strategy of the patterns, which allows to exploit some degrees of anti-monotonicity on the measures of discriminance and statistical significance. Experimental results demonstrate that the performance of the SSDPS algorithm is better than others. In addition, the number of generated patterns is much less than the number of other algorithms. Experiment on real data also shows that SSDPS efficiently detects multiple SNPs combinations in genetic data.

Published
2019

18. Mining Periodic Patterns with a MDL Criterion

Author

Galbrun, Esther, Cellier, Peggy, Tatti, Nikolaj, Termier, Alexandre, and Crémilleux, Bruno

Subjects
Computer Science - Databases
Abstract

The quantity of event logs available is increasing rapidly, be they produced by industrial processes, computing systems, or life tracking, for instance. It is thus important to design effective ways to uncover the information they contain. Because event logs often record repetitive phenomena, mining periodic patterns is especially relevant when considering such data. Indeed, capturing such regularities is instrumental in providing condensed representations of the event sequences. We present an approach for mining periodic patterns from event logs while relying on a Minimum Description Length (MDL) criterion to evaluate candidate patterns. Our goal is to extract a set of patterns that suitably characterises the periodic structure present in the data. We evaluate the interest of our approach on several real-world event log datasets., Comment: This report extends the conference version (at ECML-PKDD'18) with technical details, numerous examples, and additional experiments

Published
2018

20. Skyline Groups Are Ideals. An Efficient Algorithm for Enumerating Skyline Groups

Author

Coumes, Simon, Bouadi, Tassadit, Nourine, Lhouari, Termier, Alexandre, Goos, Gerhard, Founding Editor, Hartmanis, Juris, Founding Editor, Bertino, Elisa, Editorial Board Member, Gao, Wen, Editorial Board Member, Steffen, Bernhard, Editorial Board Member, Woeginger, Gerhard, Editorial Board Member, Yung, Moti, Editorial Board Member, Flocchini, Paola, editor, and Moura, Lucia, editor

Published
2021
Full Text
View/download PDF

21. Widening for MDL-Based Retail Signature Discovery

Author

Gautrais, Clément, Cellier, Peggy, van Leeuwen, Matthijs, Termier, Alexandre, Goos, Gerhard, Founding Editor, Hartmanis, Juris, Founding Editor, Bertino, Elisa, Editorial Board Member, Gao, Wen, Editorial Board Member, Steffen, Bernhard, Editorial Board Member, Woeginger, Gerhard, Editorial Board Member, Yung, Moti, Editorial Board Member, Berthold, Michael R., editor, Feelders, Ad, editor, and Krempl, Georg, editor

Published
2020
Full Text
View/download PDF

22. Toward a Framework for Seasonal Time Series Forecasting Using Clustering

Author

Leverger, Colin, Malinowski, Simon, Guyet, Thomas, Lemaire, Vincent, Bondu, Alexis, Termier, Alexandre, Goos, Gerhard, Founding Editor, Hartmanis, Juris, Founding Editor, Bertino, Elisa, Editorial Board Member, Gao, Wen, Editorial Board Member, Steffen, Bernhard, Editorial Board Member, Woeginger, Gerhard, Editorial Board Member, Yung, Moti, Editorial Board Member, Yin, Hujun, editor, Camacho, David, editor, Tino, Peter, editor, Tallón-Ballesteros, Antonio J., editor, Menezes, Ronaldo, editor, and Allmendinger, Richard, editor

Published
2019
Full Text
View/download PDF

23. Compressing and Querying Skypattern Cubes

Author

Ugarte, Willy, Loudni, Samir, Boizumault, Patrice, Crémilleux, Bruno, Termier, Alexandre, Goos, Gerhard, Founding Editor, Hartmanis, Juris, Founding Editor, Bertino, Elisa, Editorial Board Member, Gao, Wen, Editorial Board Member, Steffen, Bernhard, Editorial Board Member, Woeginger, Gerhard, Editorial Board Member, Yung, Moti, Editorial Board Member, Wotawa, Franz, editor, Friedrich, Gerhard, editor, Pill, Ingo, editor, Koitz-Hristov, Roxane, editor, and Ali, Moonis, editor

Published
2019
Full Text
View/download PDF

24. Mining Periodic Patterns with a MDL Criterion

Author

Galbrun, Esther, Cellier, Peggy, Tatti, Nikolaj, Termier, Alexandre, Crémilleux, Bruno, Hutchison, David, Series Editor, Kanade, Takeo, Series Editor, Kittler, Josef, Series Editor, Kleinberg, Jon M., Series Editor, Mattern, Friedemann, Series Editor, Mitchell, John C., Series Editor, Naor, Moni, Series Editor, Pandu Rangan, C., Series Editor, Steffen, Bernhard, Series Editor, Terzopoulos, Demetri, Series Editor, Tygar, Doug, Series Editor, Berlingerio, Michele, editor, Bonchi, Francesco, editor, Gärtner, Thomas, editor, Hurley, Neil, editor, and Ifrim, Georgiana, editor

Published
2019
Full Text
View/download PDF

26. Improving Time-Series Rule Matching Performance for Detecting Energy Consumption Patterns

Author

Guillemé, Maël, Rozé, Laurence, Masson, Véronique, Carton, Cérès, Quiniou, René, Termier, Alexandre, Hutchison, David, Series editor, Kanade, Takeo, Series editor, Kittler, Josef, Series editor, Kleinberg, Jon M., Series editor, Mattern, Friedemann, Series editor, Mitchell, John C., Series editor, Naor, Moni, Series editor, Pandu Rangan, C., Series editor, Steffen, Bernhard, Series editor, Terzopoulos, Demetri, Series editor, Tygar, Doug, Series editor, Weikum, Gerhard, Series editor, Woon, Wei Lee, editor, Aung, Zeyar, editor, Kramer, Oliver, editor, and Madnick, Stuart, editor

Published
2017
Full Text
View/download PDF

27. Purchase Signatures of Retail Customers

Author

Gautrais, Clement, Quiniou, René, Cellier, Peggy, Guyet, Thomas, Termier, Alexandre, Hutchison, David, Series editor, Kanade, Takeo, Series editor, Kittler, Josef, Series editor, Kleinberg, Jon M., Series editor, Mattern, Friedemann, Series editor, Mitchell, John C., Series editor, Naor, Moni, Series editor, Pandu Rangan, C., Series editor, Steffen, Bernhard, Series editor, Terzopoulos, Demetri, Series editor, Tygar, Doug, Series editor, Weikum, Gerhard, Series editor, Kim, Jinho, editor, Shim, Kyuseok, editor, Cao, Longbing, editor, Lee, Jae-Gil, editor, Lin, Xuemin, editor, and Moon, Yang-Sae, editor

Published
2017
Full Text
View/download PDF

31. TopPI: An Efficient Algorithm for Item-Centric Mining

Author

Kirchgessner, Martin, Leroy, Vincent, Termier, Alexandre, Amer-Yahia, Sihem, Rousset, Marie-Christine, Hutchison, David, Series editor, Kanade, Takeo, Series editor, Kittler, Josef, Series editor, Kleinberg, Jon M., Series editor, Mattern, Friedemann, Series editor, Mitchell, John C., Series editor, Naor, Moni, Series editor, Pandu Rangan, C., Series editor, Steffen, Bernhard, Series editor, Terzopoulos, Demetri, Series editor, Tygar, Doug, Series editor, Weikum, Gerhard, Series editor, Madria, Sanjay, editor, and Hara, Takahiro, editor

Published
2016
Full Text
View/download PDF

35. Diversity and Inclusion Activities in EGC - A 2022 Report

Author

Amer-Yahia, Sihem, Bonifati, Angela, Favre, Cécile, Fromont, Elisa, Labroche, Nicolas, Melançon, Guy, Sèdes, Florence, Soulet, Arnaud, Termier, Alexandre, Laboratoire d'Informatique de Grenoble (LIG), Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Université Grenoble Alpes (UGA), Base de Données (BD), Laboratoire d'InfoRmatique en Image et Systèmes d'information (LIRIS), Université Lumière - Lyon 2 (UL2)-École Centrale de Lyon (ECL), Université de Lyon-Université de Lyon-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Institut National des Sciences Appliquées de Lyon (INSA Lyon), Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS)-Université Lumière - Lyon 2 (UL2)-École Centrale de Lyon (ECL), Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS), Entrepôts, Représentation et Ingénierie des Connaissances (ERIC), Université Lumière - Lyon 2 (UL2)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon, Large Scale Collaborative Data Mining (LACODAM), Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-GESTION DES DONNÉES ET DE LA CONNAISSANCE (IRISA-D7), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), Bases de données et traitement des langues naturelles (BDTLN), Laboratoire d'Informatique Fondamentale et Appliquée de Tours (LIFAT), Université de Tours (UT)-Institut National des Sciences Appliquées - Centre Val de Loire (INSA CVL), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS)-Université de Tours (UT)-Institut National des Sciences Appliquées - Centre Val de Loire (INSA CVL), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Systèmes d’Informations Généralisées (IRIT-SIG), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), and Université de Toulouse (UT)

Subjects
[INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], Geography, Planning and Development, General Earth and Planetary Sciences, [INFO.INFO-SI]Computer Science [cs]/Social and Information Networks [cs.SI], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Water Science and Technology
Abstract

International audience; EGC ("Extraction et Gestion des Connaissances"1 in French) started in 2001 and is the reference conference for the french community in Knowledge Extraction and Management (equivalent to the French KDD).

Published
2022

38. The french INRIA- INRAE White Book 'Agriculture and digital technologies' - Coupling digitalization and agroecology to design more sustainable and resilient food systems

Author

Bellon Maurel, Véronique, Brossard, Ludovic, Garcia, Frédérick, Mitton, Nathalie, Termier, Alexandre, Technologies et Méthodes pour les Agricultures de demain (UMR ITAP), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Physiologie, Environnement et Génétique pour l'Animal et les Systèmes d'Elevage [Rennes] (PEGASE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Rennes Angers, Unité de Mathématiques et Informatique Appliquées de Toulouse (MIAT INRAE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Self-organizing Future Ubiquitous Network (FUN), Inria Lille - Nord Europe, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Large Scale Collaborative Data Mining (LACODAM), Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-GESTION DES DONNÉES ET DE LA CONNAISSANCE (IRISA-D7), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), and BROSSARD, Ludovic

Subjects
[SDV] Life Sciences [q-bio], [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [SDV.SA]Life Sciences [q-bio]/Agricultural sciences, [SDV.SA] Life Sciences [q-bio]/Agricultural sciences, [SDV]Life Sciences [q-bio], [INFO]Computer Science [cs], [INFO] Computer Science [cs], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

International audience; Digital technologies are spreading in agriculture as they do in other economic sectors. Facing this wave, two major french research institutes dedicated to agriculture (INRAE) and digital sciences (INRIA) adress the following question « how can digital technologies be designed to accelerate the transition towards more sustainable and resilient food systems, including agroecology, climate-change resilient agriculture and adaptation to food transitions ? » in a White Book, published in 2022 that is presented in the webinar. The approach has been to review the opportunities offered by the state of the art of digital technologies and the risks linked to these technologies, and to confront them in order to design research avenues that enable us to take advantage of the opportunities while mitigating risks. Opportunities have been found in 3 directions : better agricultural production, better inclusion in value chains and networks, and better knowledge sharing. Risks are economical (cost, power control), social (digital divide, deskilling), technical (cybersecurity, complexity), ecological (ICT footprint...) and also linked to sovereignty regarding data. Eventually, research avenues have been built in four areas : (1) digital technologies for creating and sharing data and knowledge, (2) digital technologies for helping farmers in farm management, (3) digital technologies for accopanying the collective management of territories and (4) digital technologies for better inclusion in the value chains. These areas of research are crossed by four transversal challenges, that will guide research : (1) developping holistic approaches, (2) searching resilience and not optimum, (3) looking for frugal solutions (green IT) and (4) ensuring confidence of the users (security, transparency). Last, four final messages will be delivered to pave the way to future research for a resonsible digital agriculture, in France and abroad.

Published
2022

39. WAIT4: un projet collaboratif sur l'évaluation en dynamique du bien-être des animaux d'élevage -de la captation de la donnée à la découverte de motifs signifiants et de seuils d'alertes spécifiques

Author

Gondret, Florence, Taghipoor, Masoomeh, Madouasse, Aurélien, Termier, Alexandre, Verplanck, Claire, Robardet, Céline, Piovan, Romain, Asselin, Edouard, Physiologie, Environnement et Génétique pour l'Animal et les Systèmes d'Elevage [Rennes] (PEGASE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Rennes Angers, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Modélisation Systémique Appliquée aux Ruminants (MoSAR), AgroParisTech-Université Paris-Saclay-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Biologie, Epidémiologie et analyse de risque en Santé Animale (BIOEPAR), École nationale vétérinaire, agroalimentaire et de l'alimentation Nantes-Atlantique (ONIRIS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), Commissariat à l'énergie atomique et aux énergies alternatives - Laboratoire d'Electronique et de Technologie de l'Information (CEA-LETI), Direction de Recherche Technologique (CEA) (DRT (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA), Institut National des Sciences Appliquées de Lyon (INSA Lyon), Université de Lyon-Institut National des Sciences Appliquées (INSA), Laboratoire d'Innovation Territorial Ouest Territoire d'Elevage (LIT Ouesterel), AIHERD, and Métaprogramme Digit-bio

Subjects
ACM: H.: Information Systems, [SDV.BA]Life Sciences [q-bio]/Animal biology, [MATH.MATH-CV]Mathematics [math]/Complex Variables [math.CV], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

International audience; WAIT4: Welfare: Artificial Intelligence and new Technologies for Tracking key indicator Traits in animals facing challenges of the agroecological Transition Objectives of the WAIT4 project: 1/ Real-time analysis of AW indicators under different environments (indoor, outdoor, grazing, loose, organic farming) and climates (continental, harsh, tropical), in response to AE practices and 2/ Defining early alerts for deteriorated AW and evaluation of improved welfare

Published
2022

44. Optimisation du Positionnement de Voitures en Autopartage basée sur la Prédiction de leur Utilité

Author

Martin, Gregory, Donain, Matthieu, Fromont, Elisa, Guns, Tias, Roze, Laurence, Termier, Alexandre, Large Scale Collaborative Data Mining (LACODAM), Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-GESTION DES DONNÉES ET DE LA CONNAISSANCE (IRISA-D7), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), Stellantis - PSA Centre Technique de Vélizy, PSA Peugeot - Citroën (PSA), PSA Peugeot Citroën (PSA), Laboratoire Hubert Curien (LHC), Institut d'Optique Graduate School (IOGS)-Université Jean Monnet - Saint-Étienne (UJM)-Centre National de la Recherche Scientifique (CNRS), and Vrije Universiteit Brussel (VUB)

Subjects
Régression, ACM: I.: Computing Methodologies/I.2: ARTIFICIAL INTELLIGENCE, Optimisation Linéaire en Nombres Entiers, Carsharing, Autopartage, Integer Programming, Regression, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

International audience; Le succès d’un service d’autopartage en free-floating dépend d’une bonne répartition des véhicules dans la ville,c’est-à-dire où et quand les utilisateurs en ont besoin. Celanécessite de prédire la demande des utilisateurs, ce qui représente un défi en raison du peu de données disponibleset de la variabilité de ces demandes. L’objectif de ces prédictions est d’aider à calculer la meilleure relocalisationpossible de voitures pour le jour suivant. Ainsi il est nécessaire de modéliser à la fois une tâche de prédiction dela demande et une tâche d’optimisation du placement desvéhicules. Comme l’optimisation du placement des voituresimplique un raisonnement sur le nombre de voitures à affecter dans des zones précises de la ville, nous proposons deconvertir le problème de prédiction de la demande en prédiction de l’utilisation attendue d’une voiture lorsqu’elleest placée dans une zone de la ville. Nous abordons les défis liés à la modélisation de cette prédiction et du problèmede la relocalisation des véhicules de la flotte du serviced’autopartage. Ainsi, une méthode d’optimisation linéaireen nombres entiers est proposée pour résoudre ce problèmede relocalisation tout en tenant compte de la prédiction del’utilisation des véhicules selon leur placement et des distances de relocalisation. Les expériences se basent sur deuxensembles de données provenant de deux services d’autopartage en free-floating urbains et nous montrons commentnotre méthode peut améliorer les stratégies de relocalisation et donc la rentabilité des services; The success of a free-floating car-sharing service dependson a good allocation of the vehicles across the city, i.e.,where and when they are needed by citizens. This requirespredicting the demand across the geographical regions andacross time, which is challenging due to the sparsity and variability of the data. Furthermore, the purpose of these predictions is to help compute the best possible car relocationfor the next day, hence the need to model both the predictiontask and the optimization task in a compatible way. As theallocation optimization involves reasoning about the number of cars to assign to geographical regions, we proposeto convert the prediction problem into predicting the expected utilization of a car when added to a region. We discussthe challenges in modeling both the machine learning andthe relocation problem, and we propose a mixed-integer linear programming method that solves the relocation problem while taking into account the model predictions andrelocation distances. We experiment with two datasets fromcitywide car sharing companies and show how our methodcan increase the allocation strategies and hence profitability of the services.KeywordsCarsharing, Integer Programming, Regression1 IntroductionL’autopartage en free-floating a émergé comme une nouvelle méthode de transport public dans les zones urbaines.Il contribue à réduire l’empreinte carbone des villes en permettant à des voitures d’être partagées par de multiples utilisateurs en ville. Contrairement aux services d’autopartageone-way, il n’y a pas de stations prédéfinies dans un serviceen free-floating : les voitures peuvent être prises et garéessur n’importe quelle place de parking, généralement en villeet dans ses environs.Quand les utilisateurs d’un service d’autopartage ont besoin d’une voiture, il est indispensable que des véhiculesassez proches soient disponibles. À cette fin, les opérateursemploient du personnel, appelé jockeys, pour repositionnerles véhicules dans la ville. Cette opération est généralementeffectuée de manière empirique, principalement la nuit età petite échelle, avec une connaissance approximative deszones à forte demande où les véhicules doivent être déplacés. Plusieurs articles ont constaté l’absence de stratégies de relocalisation précise, et ont conçus des méthodesqu’un opérateur doit appliquer [16] ou des incitations afinque les utilisateurs envisagent de terminer leurs trajets dansdes zones sélectionnées par l’opérateur [2].Dans cet article, nous cherchons à maximiser l’utilisationde la flotte de voitures d’un service afin de rendre le service durable et rentable pour l’opérateur. Nous considéronsl’utilisation de jockeys pour relocaliser les voitures durantla nuit, comme seule action quotidienne concrète prise parle service d’autopartage pour augmenter l’utilisation de laflotte de véhicules. Par conséquent, l’objectif est de proposer un emplacement pour toutes les voitures de la flotte audébut de la journée, de manière à maximiser l’utilisationdurant la journée prédite des voitures.Il existe plusieurs stratégies pour résoudre ce problème. Laplus précise consisterait à prévoir les déplacements exactsdes clients pour un jour donné, c’est-à-dire le nombre de déplacements, et pour chaque déplacement, l’origine, la destination et l’heure de départ. En sachant cela, nous pourrionsenvisager les différentes manières de relocaliser les voituresau début de la journée afin de maximiser la satisfaction duclient. Ainsi, cela nous permettrait de modéliser la dynamique de la flotte afin de simuler différentes incitations austationnement et stratégies de relocalisation des voitures.Cependant cela est en pratique extrêmement difficile à réaliser. À la place, nous proposons une stratégie alternativemoins fine, mais efficace qui est décomposée en deux parties. Tout d’abord, nous prédisons l’utilisation prévue desvoitures lorsqu’elles sont placées dans des zones bien définies en ville au début de la journée, la prédiction est faiteen minutes d’utilisation. Ensuite en fonction de ces prédictions, une stratégie de relocalisation des voitures est conçueafin de maximiser l’utilisation totale attendue du service enune journée. Le problème de relocalisation est présenté sousla forme d’un problème d’optimisation linéaire en nombresentiers sur les prédictions, assujetti à des contraintes pratiques sur la relocation des véhicules.La Section 2 expose les travaux de l’état de l’art. Une modélisation générale de la ville, une stratégie de prédiction del’utilité d’une voiture et une méthodologie d’affectation desvoitures sont exposées dans la Section 3. La prédiction del’utilité des voitures et la relocalisation des véhicules sontévaluées dans la Section 4 avec deux ensembles de donnéespropriétaires provenant de services réels. Nous concluonsdans la Section 5.

Published
2022

46. Fondements et état de l'art

Author

Mitton, Nathalie, Brossard, Ludovic, Bouadi, Tassadit, Garcia, Frédérick, Gautron, Romain, Hilgert, Nadine, Ienco, Dino, Largouët, Christine, Lutton, Evelyne, Masson, Véronique, Martin-Clouaire, Roger, Mugnier, Marie-Laure, Neveu, Pascal, Preux, Philippe, Raynal, Hélène, Rousset, Catherine, Termier, Alexandre, Bellon-Maurel, Véronique, Mitton, Nathalie, Brossard, Ludovic, Bouadi, Tassadit, Garcia, Frédérick, Gautron, Romain, Hilgert, Nadine, Ienco, Dino, Largouët, Christine, Lutton, Evelyne, Masson, Véronique, Martin-Clouaire, Roger, Mugnier, Marie-Laure, Neveu, Pascal, Preux, Philippe, Raynal, Hélène, Rousset, Catherine, Termier, Alexandre, and Bellon-Maurel, Véronique

Published
2022

49. XPM: An explainable-by-design pattern-based estrus detection approach to improve resource use in dairy farms

Author

Harada, Issei, Fauvel, Kevin, Guyet, Thomas, Masson, Véronique, Termier, Alexandre, Faverdin, Philippe, Large Scale Collaborative Data Mining (LACODAM), Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-GESTION DES DONNÉES ET DE LA CONNAISSANCE (IRISA-D7), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), Physiologie, Environnement et Génétique pour l'Animal et les Systèmes d'Elevage [Rennes] (PEGASE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Rennes Angers, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Inria Project Lab HyAIAI, ANR-16-CONV-0004,DIGITAG,Institut Convergences en Agriculture Numérique(2016), ANR-15-CE20-0014,Deffilait,Améliorer l'efficacité alimentaire des vaches laitières : comprendre les déterminants grace à de nouveaux outils de phénotypage pour mieux l'évaluer et élaborer des stratégies de sélection génétique en fonction des conditions d'élevage(2015), Université de Bretagne Sud (UBS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-CentraleSupélec-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Bretagne Sud (UBS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Université de Rennes 1 (UR1), AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes 1 (UR1), and Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique)

Subjects
[INFO]Computer Science [cs]
Abstract

International audience; A powerful automatic detection of estrus, the only period when the cow is susceptible to pregnancy, is a key driver to help farmers with reproduction management and subsequently to improve milk production resource use in dairy farms. Automatic solutions to detect both types of estrus (behavioral and silent estrus) based on the combination of affordable phenotyping data (activity, body temperature) exist, but they do not provide faithful explanations to support their alerts and in ways that farmers can understand based on the behaviors they could observe in animals. In this paper, we first propose XPM, a novel pattern-based classifier to detect both types of estrus with real-world affordable sensor data (activity, body temperature) which supports its predictions with perfectly faithful explanations. Then, we show that our approach performs better than a commercial reference in estrus detection, driven by the detection of silent estrus. Finally, we present the explainability of our solution which stems from the communication to the farmers the presence and/or absence of a limited number of patterns determinant of estrus detection, therefore reducing solution mistrust and supporting farmers' decision-making.

Published
2022

50. Agriculture et numérique: Tirer le meilleur du numérique pour contribuer à la transition vers des agricultures et des systèmes alimentaires durables

Author

Bellon Maurel, Véronique, Brossard, Ludovic, Garcia, Frédérick, Mitton, Nathalie, Termier, Alexandre, Information – Technologies – Analyse Environnementale – Procédés Agricoles (UMR ITAP), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro - Montpellier SupAgro, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Physiologie, Environnement et Génétique pour l'Animal et les Systèmes d'Elevage [Rennes] (PEGASE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Rennes Angers, Unité de Mathématiques et Informatique Appliquées de Toulouse (MIAT INRAE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Self-organizing Future Ubiquitous Network (FUN), Inria Lille - Nord Europe, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Large Scale Collaborative Data Mining (LACODAM), Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-GESTION DES DONNÉES ET DE LA CONNAISSANCE (IRISA-D7), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), and ANR-16-CONV-0004,DIGITAG,Institut Convergences en Agriculture Numérique(2016)

Subjects
[SDV.SA]Life Sciences [q-bio]/Agricultural sciences, Agriculture numérique, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

Illustration de couverture : © Smart Farm by SBTS from NounProject.com Illustration de couverture : © Smart Farm by SBTS from NounProject.com; National audience; Ce livre blanc est une initiative des directions générales d’INRAE et d’Inria qui nous ont rassemblés, missionnés et nous ont donné carte blanche pour coordonner et assurer la réalisation de cet ouvrage portant sur le numérique en agriculture du point de vue de la recherche. Nos réflexions se sont inscrites dans le contexte des principales dynamiques observées et prévisibles de l’agriculture dans les pays du monde entier qui visent à soutenir le développement de systèmes agricoles et alimentaires plus durables. En construisant l’analyse et les propositions que nous développons dans cet ouvrage, à partir d’un inventaire des enjeux, des opportunités et des risques associés au numérique en agriculture, nous n’avons pas cherché à retenir simplement ce qui faisait consensus, nous avons également laissé s’exprimer les diversités présentes au sein du groupe, en particulier en termes de priorisation des enjeux ou d’importance des risques pour l’agriculture et les systèmes alimentaires de demain. Ce livre blanc est ainsi un ouvrage collectif qui a été pensé dans le traitement de la question du numérique en agriculture comme un ensemble équilibré, avec un enchaînement et une articulation des chapitres qui permettent de balayer tous les aspects du sujet. Les différentes parties sont donc à mettre en perspective les unes par rapport aux autres, et les utiliser de manière isolée sans évoquer le tout pourrait tendre à présenter une vision biaisée.

Published
2022

Catalog

Books, media, physical & digital resources
See catalog results