Speakers

 Pr Moulay AKHLOUFI

Professor Moulay Akhloufi holds a Bachelor of Science in Physics from the University Abdelmalek Essaadi (Morocco) and a Bachelor of Engineering from Telecom Saint-Etienne (France). He has a Master's and Ph.D. in Electrical Engineering from Ecole Polytechnique of Montreal and Laval University (Canada), respectively. Additionally, he holds an MBA from Laval University.  

Presently, Professor Akhloufi serves as Professor in Computer Science at Université de Moncton, where he leads the Perception, Robotics, and Intelligent Machines (PRIME) research lab, and holds the position of Director at the Center for Artificial Intelligence NB Power. Prior to joining Université de Moncton in 2016, he gained valuable experience in the industry and in technology transfer within the fields of machine vision and robotics.  

Professor Akhloufi's research expertise spans across the domains of artificial intelligence, computer vision, and intelligent robotic systems, where he has contributed to over two hundred publications. Additionally, he holds the distinguished status of being a Senior Member of the Institute of Electrical and Electronics Engineers (IEEE). He is also an active member of both the Association for Computing Machinery (ACM) and the Society of Photo-Optical Instrumentation Engineers (SPIE). 

Title: Advancing Healthcare Through Deep Learning: Innovations in Medical Imaging and Future Perspectives

Abstract: In recent years, there have been significant advancements in AI for medical imaging, largely attributed to the impressive progress in the field of deep learning. Various medical disciplines, including ophthalmology and radiology, have experienced the positive impacts of these advancements. This presentation will explore recent developments in deep learning for medical imaging, encompassing the use of Convolutional Neural Networks (CNNs) and deep Transformers. Additionally, it will showcase how incorporating deep ensemble learning improves the performance of specific tasks in this domain.  Furthermore, the presentation will highlight the role of deep learning and transformers in radiology and oncology for identifying and diagnosing a diverse range of diseases. Practical cases in oncology, specifically in breast cancer and skin cancer detection, will be presented. Given the importance of understanding the decisions made by these algorithms, examples of the use of explainability techniques will be provided. The significance of federated learning in enhancing the training performance of deep models while ensuring privacy will be emphasized. Finally, the presentation will touch upon potential research avenues in the future of this field.

 Titre: Faire progresser les soins de santé grâce à l'apprentissage profond : Innovations en imagerie médicale et perspectives

Résumé: Au cours des dernières années, des avancées significatives ont été réalisées dans le domaine de l'IA pour l'imagerie médicale, largement attribuées aux progrès impressionnants dans le domaine de l'apprentissage profond. Diverses disciplines médicales, notamment l'ophtalmologie et la radiologie, ont ressenti les impacts positifs de ces avancées. Cette présentation explorera les développements récents dans l'apprentissage profond pour l'imagerie médicale, englobant l'utilisation de réseaux de neurones convolutifs (CNN) et de transformateurs profonds. De plus, elle mettra en avant comment l'incorporation de l'apprentissage d’ensemble profond améliore les performances de tâches spécifiques dans ce domaine. De plus, la présentation soulignera le rôle de l'apprentissage profond et des transformateurs en radiologie et en oncologie pour identifier et diagnostiquer une gamme variée de maladies. Des cas pratiques en oncologie, notamment dans la détection du cancer du sein et du cancer de la peau, seront présentés. Compte tenu de l'importance de comprendre les décisions prises par ces algorithmes, des exemples de l'utilisation de techniques d’explicabilité seront fournis. L'importance de l'apprentissage fédéré dans l'amélioration des performances d'entraînement des modèles profonds tout en garantissant la confidentialité sera soulignée. Enfin, la présentation abordera les pistes de recherche potentielles pour l'avenir de ce domaine.

  Dr Mohammed Ali JALLAL

 Chercheurs, CEA France

 Mohammed Ali JALLAL is a dynamic researcher with a Ph.D. in Artificial Intelligence, Renewables Energies, and Electrical Engineering from the Faculty of Sciences Semlalia, Cadi Ayyad University, Marrakesh, Morocco (2021). His academic journey includes a research internship at the Faculty of Computer Science, University of Murcia, Spain, where he focused on consumption energy forecasting in smart buildings using hybrid machine-learning algorithms. Currently a postdoctoral researcher at the French Alternative Energies and Atomic Energy Commission (CEA), Mohammed Ali is deeply involved in cutting-edge research at the intersection of artificial intelligence and the energy sector. His expertise extends to uncertainty quantification and machine learning applications in multi-vector energy systems, as demonstrated through his participation in the TRILOGY project. Mohammed Ali is also contributing his expertise in digitalization and energy systems to drive impactful research outcomes within the International Energy Agency (IEA) District Heating and Cooling (DHC) project. With a passion for innovation, Mohammed Ali's research interests span artificial intelligence, renewable energies, and electrical engineering, focusing on developing hybrid algorithms to solve complex real-world problems across various domains. He has a proven track record of collaboration with industrial partners and mentoring Ph.D. students, underscoring his commitment to advancing research and nurturing future talent.

Title: Advancing Smart Heating and Cooling Networks: Digital Twin and Deep Learning for Trustworthy Detection and Diagnosis of Substation Fouling Faults in Heating and Cooling Networks - A Case Study

Abstract: This keynote addresses the innovative methodologies utilized to enhance the efficiency and reliability of district heating and cooling networks, focusing on the detection and diagnosis of substation fouling faults. These networks are integral to the functioning of smart cities, where effective energy management and fault detection are essential for sustainability and operational excellence.

The core of this advancement lies in the implementation of Digital Twin technology. A Digital Twin is a virtual representation of a physical system, in this context, a heating and cooling substation, enabling real-time monitoring, simulation, and optimization of operations. By employing this technology, we can develop a dynamic model that mirrors the actual state and performance of the physical substation, providing a robust platform for the early detection and accurate diagnosis of faults. To further enhance detection and diagnosis capabilities, we integrate advanced deep learning and machine learning techniques. These include convolutional neural networks (CNNs), which are pivotal in analyzing complex datasets and identifying patterns that indicate the presence of fouling faults. These algorithms process extensive data generated by the Digital Twin, learning from historical fault data to predict and identify potential issues preemptively. CNNs are particularly adept at handling large-scale data with spatial hierarchies, making them ideal for analyzing sensor data from heating and cooling networks. They can automatically and adaptively learn spatial hierarchies of features from input data, providing deep insights into the operational health of substations. Given the complexities and variabilities inherent in district heating and cooling networks, uncertainty quantification is crucial. By incorporating techniques to quantify and manage uncertainty, we can enhance the reliability and trustworthiness of fault detection and diagnosis systems. This involves using probabilistic models to assess the confidence levels of predictions made by deep learning models, ensuring decision-makers have a clear understanding of the risks and uncertainties involved.

The case study of this talk focuses on a specific district heating network, demonstrating the practical application of these technologies. Through a detailed application, we illustrate how Digital Twins, deep learning models, and uncertainty quantification techniques collaborate to detect and diagnose substation fouling faults. The case study highlights significant improvements in operational efficiency, fault detection accuracy, and overall system reliability.

In conclusion, the integration of these advanced technologies into heating and cooling networks is a critical step towards the development of smart cities. By ensuring the efficient and reliable operation of energy systems, we contribute to the sustainability goals of urban areas, reducing energy waste, lowering operational costs, and enhancing the quality of service for residents. This keynote underscores the transformative potential of Digital Twin technology, deep learning, and uncertainty quantification in revolutionizing the detection and diagnosis of fouling faults, paving the way for smarter, more sustainable cities.

Titre: Advancing Smart Heating and Cooling Networks: Digital Twin and Deep Learning for Trustworthy Detection and Diagnosis of Substation Fouling Faults in Heating and Cooling Networks - A Case Study

Résumé : Cette présentation aborde les méthodologies innovantes utilisées pour améliorer l'efficacité et la fiabilité des réseaux de chauffage et de refroidissement urbains, en se concentrant sur la détection et le diagnostic des défauts d'encrassement des sous-stations. Ces réseaux sont essentiels au fonctionnement des villes intelligentes, où une gestion efficace de l'énergie et la détection des défauts sont indispensables à la durabilité et à l'excellence opérationnelle.

Le cœur de cette avancée réside dans la mise en œuvre de la technologie des jumeaux numériques. Un jumeau numérique est une représentation virtuelle d'un système physique, dans ce contexte, une sous-station de chauffage et de refroidissement, permettant la surveillance en temps réel, la simulation et l'optimisation des opérations. En utilisant cette technologie, nous pouvons développer un modèle dynamique qui reflète l'état actuel et les performances de la sous-station physique, fournissant une plate-forme robuste pour la détection précoce et le diagnostic précis des défauts.

Pour améliorer davantage les capacités de détection et de diagnostic, nous intégrons des techniques avancées d'apprentissage profond et d'apprentissage automatique. Cela inclut les réseaux de neurones convolutifs (RNCs), qui sont essentiels pour analyser des ensembles de données complexes et identifier des modèles indiquant la présence de défauts d'encrassement. Ces algorithmes traitent des données étendues générées par le jumeau numérique, apprenant à partir des données historiques de défauts pour prédire et identifier les problèmes potentiels de manière proactive. Les RNCs sont particulièrement aptes à gérer des données à grande échelle avec des hiérarchies spatiales, ce qui les rend idéaux pour analyser les données des capteurs des réseaux de chauffage et de refroidissement. Ils peuvent automatiquement et de manière adaptative apprendre les hiérarchies spatiales des caractéristiques à partir des données d'entrée, fournissant des informations approfondies sur l'état opérationnel des sous-stations. Compte tenu des complexités et des variabilités inhérentes aux réseaux de chauffage et de refroidissement urbains, la quantification de l'incertitude est cruciale. En incorporant des techniques pour quantifier et gérer l'incertitude, nous pouvons améliorer la fiabilité et la confiance des systèmes de détection et de diagnostic des défauts. Cela implique l'utilisation de modèles probabilistes pour évaluer les niveaux de confiance des prédictions faites par les modèles d'apprentissage profond, garantissant que les décideurs comprennent clairement les risques et les incertitudes impliqués.

L'étude de cas présentée dans cette conférence se concentre sur un réseau de chauffage urbain spécifique, démontrant l'application pratique de ces technologies. Grâce à une application détaillée, nous illustrons comment les jumeaux numériques, les modèles d'apprentissage profond et les techniques de quantification de l'incertitude collaborent pour détecter et diagnostiquer les défauts d'encrassement des sous-stations. L'étude de cas met en évidence des améliorations significatives de l'efficacité opérationnelle, de la précision de la détection des défauts et de la fiabilité globale du système.

En conclusion, l'intégration de ces technologies avancées dans les réseaux de chauffage et de refroidissement est une étape cruciale vers le développement des villes intelligentes. En garantissant le fonctionnement efficace et fiable des systèmes énergétiques, nous contribuons aux objectifs de durabilité des zones urbaines, réduisant le gaspillage d'énergie, diminuant les coûts opérationnels et améliorant la qualité du service pour les résidents. Cette présentation souligne le potentiel transformateur de la technologie des jumeaux numériques, de l'apprentissage profond et de la quantification de l'incertitude dans la révolution de la détection et du diagnostic des défauts d'encrassement, ouvrant la voie à des villes plus intelligentes et plus durables.

*******************************************

Pr Elmahdi DRIOUCH

Pr Nasreddine BOUHAÏ

  Maitre de conférences, Université de Paris 8

Universitaire et chercheur au sein du laboratoire Paragraphe, en sciences de l'information et de la communication à l'Université Paris 8. Son parcours académique est essentiellement ancré dans le domaine du numérique et de la communication. En tant que membre actif du laboratoire Paragraphe, et coanimateur de l’axe de recherche « Innovation numérique et Intelligence Artificielle », il s’intéresse particulièrement aux dynamiques de développement et l'influence profonde des technologies informatiques et de l'information sur les structures sociales et culturelles, et les implications des avancées technologiques dans les différents domaines de la société. À travers ses enseignements, il inspire à encourager la pensée critique et l'innovation, tout en soulignant l'importance de la responsabilité éthique dans l'utilisation des technologies de l'information. Ses travaux s’inscrivent dans une démarche de recherche théorique et d'application pratique.

Title: “Digital Convergence and Technocentrism in the Connected Era”

Abstract:As 5G deployment continues

Hyperconnectivity and the Internet of Things (IoT) are redefining "Digital Convergence" by creating an ecosystem where technologies, industries, and services not only converge but also interact dynamically through digitization and interconnection of devices. In this context, previously separate media and technologies such as television, radio, internet, and telecommunications are intertwined within a smart network of connected objects. This advanced integration leads to increased interdependence, where devices communicate and respond in real time, enhancing the user experience through extensive personalization and seamless access to digital content, while paving the way for new possibilities of interaction and innovation in our daily lives.

Over the past few years, technology has been recognized as a pivotal element for solving contemporary challenges and advancing society. This perspective highlights the critical importance of technical innovations in the development and improvement of human conditions. In this context, the Internet of Things (IoT) and Artificial Intelligence (AI) are seen as catalysts for transformation, offering innovative and interconnected solutions. This vision is characterized by a sometimes blind faith in the potential of technological solutions, which, thanks to IoT and AI, promise to revolutionize our daily lives by making the objects in our environment smarter and more autonomous. However, this approach can sometimes overshadow crucial considerations such as social, cultural, ethical, and environmental impacts. In the era of ubiquitous connectivity, technocentrism tends to promote an increasing dependence on digital technologies, placing AI and IoT at the heart of strategies to address societal challenges.

Digital convergence and technocentrism are shaping our experience of the connected era by influencing how we interact with technology, consume digital content, and approach contemporary challenges. This dynamic raises important questions about how we use and perceive technology in our daily lives and in society at large.

Titre : "Convergence Numérique et Technocentrisme à L'Ère Connectée"

Résumé :L'hyperconnectivité et l'Internet des objets (IoT) redéfinissent la "Convergence Numérique" en créant un écosystème où les technologies, industries et services ne se contentent pas de converger, mais interagissent de manière dynamique grâce à la numérisation et à l'interconnexion des dispositifs. Dans ce contexte, les médias et technologies autrefois séparés, tels que la télévision, la radio, l'internet et les télécommunications, s'entremêlent au sein d'un réseau intelligent d'objets connectés. Cette intégration avancée conduit à une interdépendance accrue, où les appareils communiquent et réagissent en temps réel, enrichissant l'expérience utilisateur par une personnalisation poussée et un accès transparent aux contenus numériques, tout en ouvrant la voie à de nouvelles possibilités d'interaction et d'innovation dans notre quotidien.

Au cours des dernières années, la technologie a été reconnue comme un pivot essentiel pour la résolution des défis contemporains et le progrès de la société. Cette perspective met en avant l'importance cruciale des innovations techniques dans le développement et l'amélioration des conditions humaines. Dans ce contexte, l'Internet des Objets (IoT) et l'Intelligence Artificielle (IA) sont perçus comme des catalyseurs de transformation, offrant des solutions innovantes et interconnectées. Cette vision se caractérise par une foi parfois aveugle dans le potentiel des solutions technologiques, qui, grâce à l'IoT et à l'IA, promettent de révolutionner notre quotidien en rendant les objets de notre environnement plus intelligents et autonomes. Cependant, cette approche peut parfois occulter des considérations cruciales telles que l'impact social, culturel, éthique et environnemental. À l'ère de la connectivité omniprésente, le technocentrisme tend à promouvoir une dépendance croissante envers les technologies numériques, en plaçant l'IA et l'IoT au cœur des stratégies de résolution des enjeux sociétaux.

La convergence numérique et le technocentrisme façonnent notre expérience de l'ère connectée en influençant la manière dont nous interagissons avec la technologie, consommons les contenus numériques et abordons les défis contemporains. Cette dynamique soulève des questions importantes sur la manière dont nous utilisons et percevons la technologie dans notre vie quotidienne et dans la société en général.

Mr Abdeslam JAKJOUD