Le Climate Change AI Hackathon 2019 a été un grand succès.
Merci à tous nos participants, partenaires, sponsors et participants !
Merci à nos célèbres conférenciers !
Yoshua Bengio, leading expert in AI and
pionnier de l’apprentissage approfondi
Sasha Luccioni, Chercheur postdoctoral à l’Institut Mila, travaillant sur les initiatives d’AI pour l’humanité
Dominic Champagne, dramaturge, scénariste, metteur en scène et concepteur de spectacles de renom
Félicitations aux gagnants !
Tous les participants sont gagnants,
mais ces équipes se distinguent:
Climate Canada Open Data Challenge
Le rapport canadien sur les changements climatiques confirme que le climat du Canada va se réchauffer davantage en raison des émissions supplémentaires de gaz à effet de serre au niveau mondial, un réchauffement étant prévu en toutes saisons. D’autres changements climatiques devraient également s’intensifier avec un réchauffement supplémentaire, comme l’augmentation de la chaleur extrême, l’augmentation des précipitations totales et extrêmes et la diminution de la couverture de neige et de glace. Il est donc de plus en plus important pour les Canadiens d’intégrer les considérations relatives au changement climatique dans leurs processus décisionnels.
Policlime
Nous avons formé un réseau neuronal pour prédire les résultats des élections fédérales canadiennes au Québec à partir de variables climatiques dérivées des stations météorologiques.
Juliette Lavoie
Juliette est étudiante en master en sciences atmosphériques et océaniques à l’université McGill. Elle étudie la glace de mer et le changement climatique dans l’Arctique. Elle a obtenu sa licence en physique avec mention, où elle a fait l’expérience de l’utilisation de l’apprentissage automatique comme outil de recherche scientifique.
Juliette sur LinkedInZiggy Pleunis
Ziggy est doctorante en physique à l’université McGill. Il travaille sur la détection et la caractérisation des rafales radio rapides avec le télescope CHIME. Avant de venir à Montréal, il a obtenu une maîtrise en astronomie et astrophysique à l’université d’Amsterdam.
En savoir plus sur ZiggyLisa Dang
Thomas Rademaker
Je suis Thomas Rademaker, étudiant en doctorat de physique à l’université McGill. Pendant ma maîtrise à l’Université de Genève, j’étais en bonne voie pour devenir physicien des particules, mais j’ai réalisé avec le temps que la vie est meilleure quand on l’étudie. J’ai donc poursuivi la biophysique. Dans mes recherches actuelles, je recherche les mécanismes physiques de l’activation immunitaire en utilisant diverses techniques de calcul (apprentissage machine adapté à la réduction dimensionnelle).
Thomas sur LinkedIn
Plant Village Challenge
Les agriculteurs des régions reculées du monde ne disposent pas nécessairement de la technologie nécessaire pour séparer les cultures infectées des cultures saines. Un moyen de les aider à améliorer considérablement le rendement de leurs récoltes et à lutter contre la sécheresse est de mettre en place un système de reconnaissance automatique des maladies des cultures pour empêcher leur propagation précoce.
Bombay Rockers
Classification des maladies des plantes et suivi des trajectoires en temps réel
Nous avons choisi de construire un modèle d’identification des maladies des plantes et l’avons déployé sur une application androïde. Nous avons réfléchi à la manière dont l’application pourrait être utile aux agriculteurs et avons réalisé qu’il serait logique d’ajouter à une application de surveillance la possibilité d’enregistrer les prévisions faites par l’application et de la servir. Cela leur permettrait de suivre l’évolution de la maladie au fil des jours. Le tableau de bord indique l’endroit où les images de la maladie ont été prises (coordonnées GPS et prédictions correspondantes avec l’horodatage).
Nous pensons que la localisation spatiale est beaucoup plus importante que utilisant une application et en obtenant des prévisions à partir d’un modèle. Les terres agricoles s’étendent généralement sur une grande surface avec de multiples cultures et il peut donc être très utile de garder une trace des endroits où les plantes malades ont été observées. Nous avons été confrontés à de nombreux défis techniques, mais nous avons pu pirater des solutions rapides et simples pour démontrer que le concept pouvait fonctionner dans le monde réel.
USPs
• Déployé sur une application mobile utilisant la classification à 25 images par seconde sur le GPU Android Snapdragon
• GPS, horodatage et marquage d’images pour les classes déclenchées sur une application web en direct
• Crée une carte volumétrique 3D épars et suit la position de la caméra en temps réel – pour une localisation plus précise des plantes malades que le GPS.
• Cela fonctionne également dans les environnements où il n’y a pas de signal GPS
Amrit Krishnan
Amrit est un ingénieur de recherche en vision par ordinateur qui travaille actuellement chez Algolux Inc, où il aide à construire une solide pile de vision par ordinateur pour les véhicules autonomes. Il a une formation en ingénierie physique et a travaillé auparavant chez Zenuity AB et Autoliv AB en Suède, également en tant qu’ingénieur de recherche, spécialisé dans la vision par ordinateur et la robotique.
Amrit sur LinkedIn
Ronald Timbol
Ronald est un développeur de pile complète spécialisé dans la visualisation de données. Actuellement employé chez Algolux Inc, une entreprise de démarrage de véhicules autonomes, il a une expérience antérieure dans l’industrie des médias de radiodiffusion.
Ronald sur LinkedIn
Jean-François Taillon
Jim Aldon D’Souza
Jim est ingénieur de recherche en perception chez Algolux. Il travaille à l’intersection de la robotique mobile et de l’apprentissage machine, et se spécialise dans la perception de la conduite autonome. Il s’intéresse principalement à la perception robuste, à la localisation et à la cartographie pour les véhicules à conduite autonome.
Avant de rejoindre Algolux, il a participé à la construction de cartes HD pour la conduite autonome chez TomTom à Amsterdam. Il est titulaire d’une maîtrise en génie électrique de l’Université technique du Danemark et a conclu son mémoire de maîtrise au Centre allemand de recherche sur l’intelligence artificielle à Brême, en Allemagne. Sa thèse porte sur les problèmes de localisation rencontrés par un rover planétaire autonome lorsqu’il navigue dans un environnement sans caractéristiques comme celui de la surface de Mars ou de la Lune.
Défi de l’inventaire des bâtiments
Au sein de Ressources naturelles Canada, une couche nationale sur les bâtiments est nécessaire pour l’Évaluateur rapide des risques (ER2), une application web permettant de réaliser des évaluations des risques liés au climat (inondations et incendies), et pour le projet de cartographie de l’utilisation finale de l’énergie au Canada (CEE Map), qui vise à surveiller et à optimiser la performance et l’efficacité énergétiques des bâtiments. Votre innovation dans ce domaine fera grandement progresser ces initiatives et d’autres initiatives d’atténuation et d’adaptation au changement climatique.
ICool
Le but de notre projet était de construire un pipeline pour alimenter certaines des informations manquantes dans la base de données de l’inventaire national des ressources. Notre pipeline se compose de deux parties principales : le système d’analyse des façades et le système de détection de la hauteur des bâtiments.
Nous avons procédé à un examen des systèmes d’analyse des façades existants. Nous avons utilisé la base de données CMP sur les façades et l’algorithme « DualGAN : Unsupervised Dual Learning for Image-to-Image Translation » pour former un modèle. À la fin, nous avons exécuté quelques algorithmes de vision classiques sur la sortie du modèle pour récupérer le nombre d’étages et de fenêtres.
Pour la détection de la hauteur, nous avons collecté et annoté des images google street view. L’idée principale était d’extraire la hauteur du bâtiment par la projection 3D de cuboïdes sur des images 2D de la vue de la rue des bâtiments. Nous utilisons un ensemble d’arbres de régression aléatoire pour détecter 8 coins d’un bâtiment.
Shima Nikfal
Après avoir obtenu une licence en informatique à l’université Azad de Téhéran, je suis parti en Malaisie pour poursuivre mes études dans ce domaine. J’ai décidé de me concentrer sur le domaine des tests de logiciels, car j’ai trouvé le sujet intéressant pendant mes études à Azad. J’ai obtenu une maîtrise avec cette concentration et j’ai commencé ma carrière professionnelle. Après avoir travaillé dans le domaine des tests de logiciels, j’ai commencé à me sentir plus attiré par la programmation et j’ai décidé de retourner à l’université pour poursuivre mes études dans le domaine du traitement de l’image et de la reconnaissance des formes. Compte tenu de sa réputation dans le domaine et de mon désir d’expérimenter une culture différente, j’ai décidé de fréquenter l’université Concordia où j’ai obtenu un deuxième master. Depuis, je travaille sur le terrain, appliquant des techniques de traitement de l’image pour résoudre des problèmes concrets pour plusieurs entreprises de la région de Montréal. Dernièrement, l’apprentissage machine a été appliqué à de nombreux projets de traitement d’images, dont celui sur lequel je travaille actuellement. Je suis rapidement devenu fasciné par ce nouveau paradigme, et je l’ai recherché et appliqué de manière indépendante ainsi que dans le cadre de mon travail professionnel. Cette fascination m’a conduit à créer plusieurs projets de mon cru et à participer à des hackathons locaux, dont le récent projet sur le changement climatique que mon équipe a remporté. J’espère continuer à poursuivre l’apprentissage machine et trouver un poste plus axé sur le sujet que mon travail actuel.
Shima sur LinkedInLadan Golshanara
Après avoir obtenu un doctorat et une maîtrise du département d’informatique et d’ingénierie de SUNY à Buffalo, je me suis installé dans la belle ville de Montréal. Étant dans une ville qui est une plaque tournante mondiale pour l’intelligence artificielle, j’ai décidé de passer un peu de temps sur les applications pratiques de l’apprentissage machine et de l’apprentissage approfondi. J’ai participé à des événements technologiques locaux, dont deux hackathons dont j’ai été le vainqueur, et j’ai rencontré des gens extraordinaires, dont ma coéquipière Shima, en cours de route. Actuellement, Shima et moi travaillons sur un projet d’apprentissage approfondi pour développer de manière indépendante nos compétences en vision par ordinateur et en PNL.
En savoir plus sur LadanParas Kapoor
Paras sur LinkedInPaul Cuciureanu
Le défi des données ouvertes de Climate Canada
Le rapport canadien sur les changements climatiques confirme que le climat du Canada va se réchauffer davantage en raison des émissions supplémentaires de gaz à effet de serre au niveau mondial, un réchauffement étant prévu en toutes saisons. D’autres changements climatiques devraient également s’intensifier avec un réchauffement supplémentaire, comme l’augmentation de la chaleur extrême, l’augmentation des précipitations totales et extrêmes et la diminution de la couverture de neige et de glace. Il est donc de plus en plus important pour les Canadiens d’intégrer les considérations relatives au changement climatique dans leurs processus décisionnels.
Dimanche
Synthèse de l’approche du défi
En raison de la myopie de la nature humaine, la population est incapable de saisir comment la tendance à long terme du changement climatique affectera leur vie quotidienne. Sans cette compréhension, les gens ne sont pas motivés pour modifier leur comportement. C’est dans cet esprit que nous avons cherché à prévoir comment le changement climatique affecterait la sécurité routière dans la région du grand Montréal. Cette approche illustre la manière dont le changement climatique peut affecter une chose à laquelle ils sont confrontés au quotidien : leurs trajets domicile-travail. Grâce aux données sur le climat fournies par ClimateData.ca et aux données sur les accidents de la route provenant du portail de données ouvert de Montréal, nous disposons d’une mine d’informations qui nous permettent de prévoir et de projeter les conditions routières futures.
Les données contenaient des projections climatiques historiques et futures provenant de plusieurs modèles météorologiques. Il s’agissait d’un problème de type régression où des modèles d’apprentissage par machine étaient utilisés pour prédire le nombre d’accidents dans certaines zones de l’île de Montréal. Les modèles utilisés consistaient en une régression linéaire (Baseline), des forêts aléatoires, des forêts à gradient renforcé et des réseaux neuronaux denses. Les réseaux neuronaux denses se sont avérés donner la plus petite erreur moyenne et ont prédit une augmentation de 13% des accidents de véhicules sur l’île de Bigras.
Oliver Foster
Oliver travaille sur le terrain dans le domaine de l’AI/Science des données depuis trois ans et demi. Son introduction au monde de la science des données a eu lieu dans une société d’ingénierie où il a dû construire un classificateur de réseau neuronal profond pour classer les batteries défectueuses dans la chaîne de montage d’un fabricant. Depuis lors, il a contribué à des projets allant de la création de simulateurs thermiques plus efficaces utilisant l’apprentissage automatique à la détection de la fraude financière dans un cadre bancaire. Grâce aux projets sur lesquels il a travaillé, il est devenu très efficace dans le domaine de la lutte contre la fraude, du nettoyage des données à l’aide de Pandas et de Numpy, ainsi que de l’ingénierie efficace de solutions d’apprentissage automatique à l’aide de Scikit-Learn, Tensorflow et StatsModels.
Oliver sur LinkedInMichael Pucci
Michael est diplômé en génie chimique de l’Université McGill et est en train de terminer un certificat professionnel en apprentissage automatique dans le cadre du programme de formation continue de l’Université McGill. Il se passionne pour l’analyse statistique et le développement de modèles d’apprentissage machine pour résoudre des problèmes difficiles impliquant des données. Son rôle actuel est celui d’un ingénieur de solutions pour une société d’infrastructure de base de données. Il poursuit toutefois son travail de chercheur en données et c’est un objectif qu’il s’efforce d’atteindre de manière proactive. Il a également terminé à la première place du hackathon sur les questions de transport organisé par ConcordAI
Michael sur LinkedInMention spéciale
Ces équipes ont fait un travail phénoménal
NormallySane
Darrell Aucoin
Simon Dufort-Labbé
Yann Uzel
PlantSavers
Raghav Gupta
Himanshu Arora
Akshay Singh Rana
Ankur Agarwal
BBAI
Melisande Teng
Alice Breton
Adel Nabli
YOCCO
Khaled Matloub
Salma Elmahallawy
Reza Filsoof
Kenechukwu Nnodu
Julia Kreutzer
Les incroyables sponsors et partenaires du
Climate Change AI Hackathon
Merci à nos honorables et distingués juges !
Rangée du haut en partant de la gauche:
Stuart Spence – Programmeur scientifique à Environnement et changement climatique Canada
Claude Demers-Belanger, Architecte de la technologie, Maxen Technology
Sydney Swaine-Simon – AI Fellow, Cofounder, District 3 Innovation Center
Rangée du bas en partant de la gauche :Naysan Saran – Fondateur, Cann Forecast
Katherine Heighington – TD Data Science
Elisabeth& Laett, Exagens
Ahmed Ragab – CanmetENERGY-Natural Resources Canada (NRCan)
Pas en photo :Nicholas Gibb, NRCan
Parnaz Tabrizian – Consultant principal – Ivado Labs
DÉFIS
.
