Artefact Research Center

De kloof overbruggen tussen academische en industriële toepassingen.

class="img-responsive
class="img-responsive

Onderzoek naar transparantere en ethischere modellen om de adoptie van AI bedrijven te stimuleren.

ARTEFACT RESEARCH CENTER

Voorbeelden van AI vooroordelen

  • AppleCard verstrekt hypotheken op basis van racistische criteria
  • Lensa AI maakt selfies van vrouwen seksueel getint
  • Racistische Facebook Afbeelding Classificatie Met afro-amerikanen als apen
  • Twitter-chatbot van Microsoft wordt nazistisch, seksistisch en agressief
  • ChatGPT die een code schrijft waarin staat dat goede wetenschappers blanke mannen zijn

Huidige uitdaging

AI modellen zijn nauwkeurig en gemakkelijk in te zetten in veel gebruikssituaties, maar blijven oncontroleerbaar vanwege zwarte dozen en ethische kwesties.

De missie van Artefact Research Center .

Een compleet ecosysteem dat de kloof overbrugt tussen
fundamenteel onderzoek en tastbare industriële toepassingen.

De missie van Artefact Research Center .
Emmanuel MALHERBE

Emmanuel MALHERBE

Hoofd onderzoek

Onderzoeksgebied: Diep leren, machinaal leren

Beginnend met een PhD over NLP-modellen aangepast aan e-recruitment, heeft Emmanuel altijd gezocht naar een efficiënte balans tussen puur onderzoek en impactvolle toepassingen. Zijn onderzoekservaring omvat het voorspellen van 5G-tijdreeksen voor Huawei Technologies en computervisiemodellen voor kappers- en make-upklanten bij l'Oréal. Voordat hij bij Artefact kwam, werkte hij in Shanghai als hoofd van AI onderzoek voor L'Oréal Azië. Vandaag de dag is zijn positie op Artefact een perfecte gelegenheid en een ideale omgeving om de kloof tussen de academische wereld en de industrie te overbruggen, en om zijn onderzoek in de echte wereld te stimuleren terwijl het een impact heeft op industriële toepassingen.

Een volledig ecosysteem dat de kloof overbrugt tussen fundamenteel onderzoek en tastbare industriële toepassingen.

Een volledig ecosysteem dat de kloof overbrugt tussen fundamenteel onderzoek en tastbare industriële toepassingen.

Transversale onderzoeksgebieden

Met onze unieke positionering richten we ons op algemene uitdagingen van AI, of het nu gaat om statistische modellering of managementonderzoek.
Deze vragen zijn transversaal voor al onze onderwerpen en voeden ons onderzoek.

Controle en verantwoording

Controle &
verantwoording

  • Controleerbare modellen met garanties op voorspellingen
  • Interface met vraagplanners
  • Categorie managers
  • Beslissing door beste modelinput: betrouwbare voorspelling afdwingen, zelfs uit treinset
  • Bijvoorbeeld: Monotonie afdwingen op invoervariabelen
Uitlegbaarheid & transparantie

Uitlegbaarheid
& transparantie

  • Interpretatie van voorspellingen
  • Interface en visualisatie voor niet-technische gebruikers
  • De modules en componenten van de modellen aanpassen aan metiers
  • Visualisatie op begrijpelijke input, vóór feature engineering
Vooringenomenheid & onzekerheid

Vertekening &
onzekerheid

  • Verrijk voorspellingen voor betere beslissingen
  • Niet-symmetrische onzekerheid (vs Gaussisch) vereist door klanten
  • Aangepast aan tijdreeksen en assortimentsoptimalisatie
Belemmeringen & versnellers van AI in bedrijven

Belemmeringen & versnellers van AI in bedrijven

  • Studie van organisaties
  • Top CAC 40 belanghebbenden en besluitvormers interviews
  • Impact van AI ethiek, eerlijkheid, interpreteerbaarheid
  • Governance, normen en voorschriften voor AI toepassingen

Onderwerpen

We werken aan verschillende PhD-onderwerpen op het snijvlak van industriële use cases en state-of-the-art beperkingen.
Voor elk onderwerp werken we samen met universiteitsprofessoren en hebben we toegang tot industrieel data waarmee we de belangrijkste onderzoeksgebieden in een gegeven scenario in de echte wereld kunnen aanpakken.

1 - Prognose en prijsstelling

Tijdreeksen als geheel modelleren met een controleerbaar, multivariaat voorspellingsmodel. Met een dergelijk model kunnen we de prijs- en promotieplanning aanpakken door de optimale parameters te vinden die de verkoopprognose verhogen. Met zo'n holistische benadering willen we kannibalisatie en complementariteit tussen producten vastleggen. Hierdoor kunnen we de voorspelling controleren met de garantie dat de voorspellingen consistent blijven.

Mohamed CHTIBA

Mohamed CHTIBA

Onderzoekswetenschapper
over prognose en prijsstelling

Artefact
Universiteit Parijs 1 Panthéon Sorbonne

Onderzoeksgebied
-
Diep Leren, Optimalisatie, Statistiek

Jean-Marc BARDET

Jean-Marc BARDET

Professor

Laboratorium SAMM

Universiteit Parijs 1 Panthéon Sorbonne

Onderzoeksgebied
-
Stochastische processen, statistiek, waarschijnlijkheid

Joseph RYNKIEWICZ

Joseph RYNKIEWICZ

Universitair hoofddocent

Laboratorium SAMM

Universiteit Parijs 1 Panthéon Sorbonne

Onderzoeksgebied
-
Tijdreeksen, Neurale Netwerken, Statistiek

2 - Verklaarbare en controleerbare scores

Een veelgebruikte familie van machine-learning modellen is gebaseerd op beslisbomen: random forests, boosting. Hoewel hun nauwkeurigheid vaak state of the art is, lijden dergelijke modellen aan een black-box gevoel, waardoor de gebruiker beperkte controle heeft. We willen de verklaarbaarheid en transparantie ervan vergroten, met name door de schatting van SHAP-waarden te verbeteren in het geval van ongebalanceerde datasets. We streven er ook naar om bepaalde garanties te bieden voor dergelijke modellen, bijvoorbeeld voor monsters die niet getraind zijn of door betere monotone beperkingen mogelijk te maken.

Abdoulaye SAKHO

Abdoulaye SAKHO

Onderzoekswetenschapper op
Boomgebaseerde modellen

Artefact
Sorbonne Universiteit

Onderzoeksgebied
-
Statistiek, verklaarbaar AI

Erwan SCORNET

Erwan SCORNET

Professor

Laboratorium LPSM

Sorbonne Universiteit

Onderzoeksgebied
-
Random forests, Interpretabiliteit, Ontbrekende waarden

3 - Assortimentoptimalisatie

Assortiment is een belangrijk bedrijfsprobleem voor retailers dat zich voordoet bij het selecteren van de set producten die in winkels verkocht worden. Met behulp van grote industriële datasets en neurale netwerken willen we robuustere en beter interpreteerbare modellen bouwen die de keuze van de klant beter weergeven wanneer deze geconfronteerd wordt met een assortiment producten. Omgaan met kannibalisatie en complementariteit tussen producten, evenals een beter begrip van klantenclusters, zijn de sleutel tot het vinden van een meer optimale set producten in een winkel.

Vincent AURIAU

Vincent AURIAU

Onderzoekswetenschapper voor assortimentsoptimalisatie

Artefact
Centrale Supélec
Universiteit Parijs Saclay

Onderzoeksgebied
-
Diep leren,
Operationeel onderzoek

Vincent MOUSSEAU

Vincent MOUSSEAU

Professor

Laboratorium MICS

Centrale Supélec
Universiteit Parijs Saclay

Onderzoeksgebied
-
Leren van voorkeuren, multicriteria beslissingsanalyse, operationeel onderzoek

Antoine DESIR

Antoine DESIR

Universitair hoofddocent

Laboratorium TOM

Insead

Onderzoeksgebied
-
Keuzemodellering, Assortimentsoptimalisering, Operationeel onderzoek

Ali AOUAD

Ali AOUAD

Assistent-professor

Managementwetenschappen en bedrijfsvoering

London Business School

Onderzoeksgebied
-
Dynamische matching, keuzemodellering, assortiments- en voorraadoptimalisering, algoritme voor benaderingen, operationeel onderzoek

4 - AI Adoptie in bedrijven

De uitdaging van een betere toepassing van AI in bedrijven bestaat enerzijds uit het verbeteren van de AI modellen en anderzijds uit het begrijpen van de menselijke en organisatorische aspecten. Op het kruispunt van kwalitatief managementonderzoek en sociaal onderzoek probeert deze as te onderzoeken waar bedrijven moeilijkheden ondervinden bij de adoptie van AI tools. De bestaande kaders voor de adoptie van innovaties zijn niet helemaal geschikt voor innovaties op basis van machinaal leren, omdat er typische verschillen zijn met regelgeving, opleiding van mensen of vooroordelen als het gaat om AI, en meer nog met generatieve AI.

Lara ABDEL HALIM

Lara ABDEL HALIM

Wetenschappelijk onderzoek naar AI adoptie in bedrijven

Artefact
Polytechnische school

Onderzoeksgebied
-
Managementonderzoek, Innovatie

Cécile CHAMARET

Cécile CHAMARET

Professor

Laboratorium CRG

Polytechnische school

Onderzoeksgebied
-
Innovatie, Marketing, Kwalitatief Sociaal Onderzoek

5 - Data-gedreven duurzaamheid

Het project maakt gebruik van kwalitatieve en kwantitatieve onderzoeksmethoden en richt zich op twee belangrijke vragen: Hoe kunnen bedrijven effectief sociale en ecologische duurzaamheidsprestaties meten? Waarom leiden duurzaamheidsmaatregelen vaak niet tot significante veranderingen in organisatiepraktijken?

Enerzijds heeft het project tot doel om data-gedreven meetmethoden te verkennen en indicatoren te identificeren om organisatorische procedures af te stemmen op sociale en ecologische duurzaamheidsdoelstellingen. Anderzijds zal het project zich richten op het omzetten van deze duurzaamheidsmaatregelen in concrete acties binnen bedrijven.

Oualid Mokhantar

Oualid Mokhantar

Onderzoekswetenschapper Duurzaamheid

Artefact
ESCP Handelsschool

Onderzoeksgebied
-
Managementonderzoek, Economie

Gorgi KRLEV

Gorgi KRLEV

Universitair hoofddocent

Afdeling Duurzaamheid

ESCP Handelsschool

Onderzoeksgebied
-
Duurzaamheid, Sociale innovatie, Organisatietheorie

6 - Vertekening in computervisie

Wanneer een model een voorspelling doet op basis van een afbeelding, bijvoorbeeld van een gezicht, heeft het toegang tot gevoelige informatie, zoals de etniciteit, het geslacht of de leeftijd, die zijn redenering kan beïnvloeden. We willen een raamwerk ontwikkelen om deze vertekening wiskundig te meten en methodes voorstellen om deze vertekening tijdens de modeltraining te verminderen. Bovendien zou onze aanpak zones met een sterke vertekening statistisch detecteren om te verklaren en te begrijpen en te controleren waar dergelijke modellen de vertekening die aanwezig is in de data versterken.

Veronika SCHILOVA

Veronika SCHILOVA

Onderzoekswetenschapper naar vooroordelen in computer vision

Artefact
Universiteit Toulouse 3

Onderzoeksgebied
-
Diep leren, computervisie, vooroordelen

Laurent RISSER

Laurent RISSER

CNRS Onderzoeksingenieur

Instituut voor wiskunde van Toulouse

Universiteit Toulouse 3
CNRS

Onderzoeksgebied
-
Verklaarbaar machinaal leren, beeldanalyse, interpreteerbaar en robuust AI

Jean-Michel LOUBES

Jean-Michel LOUBES

Professor

Instituut voor wiskunde van Toulouse

Universiteit Toulouse 3
ANITI

Onderzoeksgebied
-
Onbevooroordeeld leren, interpreteerbaar AI, optimaal transport en toepassingen voor statistiek, machinaal leren

7 - LLM voor het opzoeken van informatie

Een belangrijke toepassing van LLM's is wanneer ze gekoppeld worden aan een corpus van documenten die bepaalde industriële kennis of informatie vertegenwoordigen. In zo'n geval is er een stap van het ophalen van informatie, waarvoor LLM's enkele beperkingen hebben, zoals de grootte van de invoertekst, die te klein is om documenten te indexeren. Op dezelfde manier kan het hallucinatie-effect ook optreden in het uiteindelijke antwoord, dat we proberen te detecteren met behulp van het opgehaalde document en de modelonzekerheid op het moment van inferentie.

Hippolyte GISSEROT-BOUKHLEF

Hippolyte GISSEROT-BOUKHLEF

Onderzoekswetenschapper naar grote taalmodellen voor informatieherwinning

Artefact
Centrale Supélec
Universiteit Parijs Saclay

Onderzoeksgebied
-
Diep leren, NLP

Pierre COLOMBO

Pierre COLOMBO

Universitair hoofddocent

Laboratorium MICS

Centrale Supélec
Universiteit Parijs Saclay

Onderzoeksgebied
-
Grote taalmodellen, bias in AI, Modelevaluatie

Céline HUDELOT

Céline HUDELOT

Professor

Laboratorium MICS

Centrale Supélec
Universiteit Parijs Saclay

Onderzoeksgebied
-
Kennisrepresentatie, Semantische interpretatie, Neurale netwerken

Artefactparttime onderzoekers

Naast ons team dat zich bezighoudt met onderzoek, hebben we verschillende medewerkers die enige tijd besteden aan wetenschappelijk onderzoek en het publiceren van artikelen. Door ook als consultant te werken, inspireren we hen met problemen die onze klanten in de praktijk tegenkomen.

  • Michael Voelske

    Michael Voelske

    Onderzoeksgebied

    Grote taalmodellen toepassingen in informatieherwinning en NLP

    Verklaarbare modellen in machinaal leren, zoeken en rangschikken

    IR voor complexe, taakgebaseerde informatiebehoeften

    Artefact

    Sinds mei 2022 sta ik aan het roer van het Data Science and Engineering team bij Artefact Duitsland, waar ik mijn academische achtergrond in computerwetenschappen, met een PhD gericht op machine learning en information retrieval, toepas op het oplossen van de zakelijke problemen van Artefact's klanten. Mijn rol bestaat niet alleen uit het leiden maar ook uit het inspireren van mijn team om baanbrekend AI onderzoek te combineren met pragmatische toepassingen. Gepassioneerd over het toegankelijk maken van complexe AI concepten, streef ik ernaar om technologie te gebruiken voor zowel innovatieve zakelijke oplossingen als zinvolle maatschappelijke impact.

  • Evan Hurwitz

    Evan Hurwitz

    Onderzoeksgebied

    Versterking leren

    Machinaal leren

    Financiën en gokken

    Artefact

    Evan heeft een PhD Engineering in artificial intelligence waar hij AI technieken toepaste om een actief beheerde portefeuille met meerdere handelsstrategieën te optimaliseren. Hij heeft onderzoekswerk verricht in de academische wereld, waar hij co-auteur was van "Artificial Intelligence and Economic Theory: Skynet in de markt". Later werkte hij aan groene energieoplossingen met behulp van reinforcement learning voor S&P Platts, waarna hij bij Preqin werkte aan het opnemen en begrijpen van alternatieve investeringen data. In 2020 trad hij in dienst bij Artefact en werkte hij in verschillende sectoren, zoals detailhandel, cyberbeveiliging, SaaS, techniek, onderwijs en vastgoed, met klanten variërend van KMO's tot FTSE100-bedrijven.

  • George Cevora

    George Cevora

    Onderzoeksgebied

    Neurowetenschappen

    Diep leren

    Machinaal leren

    Artefact

    George behaalde zijn Ph.D. in Theoretische Neurowetenschappen aan de Universiteit van Cambridge voor zijn werk aan de wiskundige modellering van dierlijk leren. George heeft 10 jaar onderzoekservaring in deep learning, die hij nu toepast in industriële omgevingen. Sinds hij de academische wereld heeft verlaten, heeft George gewerkt in een breed scala aan industrieën en probleemdomeinen, van straalmotoren tot antibioticaresistentie. George heeft ook een paar jaar gewerkt op het gebied van nationale veiligheid, waar hij een product heeft ontwikkeld om discriminatie als gevolg van het onjuiste gebruik van AI tegen te gaan. Meer informatie is te vinden op www.cevora.xyz.

  • Savio Rozario

    Savio Rozario

    Onderzoeksgebied

    Machinaal leren

    Niet-lineaire optimalisatie

    Natuurkunde

    Artefact

    Savio heeft een Ph.D. in experimentele laserplasmafysica van het Imperial College in Londen, waar hij machine learning-methoden gebruikte om de experimentele configuratie van sterk niet-lineaire plasmaversnellersystemen te optimaliseren. Hij werkte bij EY op hun belasting R&D afdeling, waar hij machine learning oplossingen ontwikkelde voor compliance monitoring in meerdere regio's met behulp van grote taalmodellen. In 2022 trad hij in dienst bij Artefact en heeft hij end-to-end data science-oplossingen geleverd in verschillende sectoren, waaronder retail, transport en vastgoed voor FTSE250-organisaties.

  • Nelson Vrede

    Nelson Vrede

    Artefact

    Nelson bracht het eerste decennium van zijn carrière door in een combinatie van aandelen- en grondstoffenmarkten, waar hij kwantitatieve handelsstrategieën inzette in OTC-markten. Na afronding van zijn MSc in Data Science in 2021 trad hij in dienst bij Artefact's Britse kantoor als data scientist, waar hij werkt aan data wetenschappelijke problemen in een reeks domeinen, met expertise in AI toepassingen in financiële markten en handel.

Publicaties

Medium blogartikelen van onze technische experts.

Is Preference Alignment altijd de beste optie om LLM-gebaseerd vertalen te verbeteren? Een empirische analyse

Neurale meetmethoden voor de evaluatie van machinevertaling (MT) worden steeds prominenter vanwege hun superieure correlatie met menselijke beoordelingen in vergelijking met traditionele lexicale meetmethoden.

Keuze-leren: Grootschalige keuzemodellering voor operationele contexten door de lens van machinaal leren

Discrete keuzemodellen zijn gericht op het voorspellen van keuzebeslissingen die individuen maken uit een menu van alternatieven, een zogenaamd assortiment. Bekende toepassingen zijn het voorspellen van een...

Het tijdperk van generatieve AI: Wat verandert er?

De overvloed en diversiteit van reacties op ChatGPT en andere generatieve AI's, of ze nu sceptisch of enthousiast zijn, tonen de veranderingen die ze teweegbrengen en de impact...

Hoe Artefact erin slaagde een eerlijk maar eenvoudig carrièresysteem voor software-ingenieurs te ontwikkelen

In de dynamische en steeds veranderende technologiesector van vandaag kan een carrièrepad vaak aanvoelen als een kronkelend pad door een dicht woud van mogelijkheden. Met snelle...

Waarom je LLMOps nodig hebt

Dit artikel introduceert LLMOps, een gespecialiseerde tak die DevOps en MLOps samenvoegt om de uitdagingen van Large Language Models (LLM's) aan te gaan...

De kracht van LangChain Expression Language (LCEL) ontketenen: van proof of concept naar productie

LangChain is in minder dan een jaar uitgegroeid tot een van de meest gebruikte Python-bibliotheken voor interactie met LLM's, maar LangChain was vooral een bibliotheek...

Hoe we de reconciliatie van profiel-ID's afhandelden met behulp van Treasure Data Unification en SQL

In dit artikel leggen we de uitdagingen van ID-reconciliatie uit en demonstreren we onze aanpak om een eenduidig profiel-ID te maken in het Customer Data Platform,...

Snowflake's Snowday '23: Snowballing into Data Wetenschappelijk succes

Terwijl we nadenken over de inzichten die zijn gedeeld tijdens het 'Snowday'-evenement op 1 en 2 november, is er een stroom van spannende onthullingen over de toekomst van...

Hoe we software engineers interviewen en aannemen bij Artefact

We bespreken de vaardigheden waarnaar we op zoek zijn, de verschillende stappen van het proces en de beloften die we aan alle kandidaten doen.

Het coderen van categorische kenmerken in voorspellingen: doen we het allemaal verkeerd?

We stellen een nieuwe methode voor om categorische kenmerken te coderen die specifiek is afgestemd op voorspellingstoepassingen.

Hoe we een eenvoudig bewakingssysteem voor wilde dieren op Google Cloud implementeerden

We hebben samengewerkt met Smart Parks, een Nederlandse organisatie die geavanceerde sensoroplossingen biedt voor het behoud van bedreigde wilde dieren...

Stabiele diffusie implementeren op Vertex AI

Dit artikel biedt een handleiding voor het implementeren van het model Stable Diffusion, een populair model voor het genereren van afbeeldingen, op Google Cloud met behulp van Vertex AI.