DATA SCIENCE LIEGE MEETUP #11

Julien DEUSE

Julien Deuse est diplômé Ingénieur Civil en électronique de l'Université de Liège en 2012. Il s'est ensuite spécialisé à la KULeuven avec un Master en Management. Après une première expérience professionnelle à la FN Herstal, il fonde Deuse SPRL. Depuis 2015, ils fournissent des services de développement informatique et d'analyse de données à des clients tels que Fluxys, Magotteaux et Skechers. C'est dans ce contexte que Julien travaille comme expert en data mining pour Elia sur le programme «Asset Management Excellence» depuis 2016.

Talk: Amélioration de la gestion du risque pour le transporteur de l'électricité Belge sur base de données réelles 

Elia, le gestionnaire de distribution belge, est face à un challenge. La majorité des installations électriques ont été implantées après-guerre et ont une durée de vie de +- 60 ans. Ils sont maintenant confrontés à une vague de remplacements. La priorisation de ces dernières est basée sur un modèle statistique de risque façonné à partir de données présentes dans les différents systèmes informatiques. Durant cette présentation, nous verrons ensemble les 3 difficultés majeures du projet pour un type d’asset donné. Soit la récupération de données de qualité en quantité, le mapping du modèle et la combinaison des risques des différents assets afin d’obtenir une vue globale.

Amaury BEECKMAN

Amaury Beeckman est diplômé Ingénieur Civil en informatique de l'Université de Bruxelles avec un mémoire portant sur l'intelligence artificielle (Towards the use of Machine learning to detect network threats). Depuis 2018, il a rejoint l’équipe SAGACIFY en tant que Machine learning engineer et travaille principalement sur des projets NLP ou computer vision. Fonction orientée R&D dont le but est de prouver la faisabilité ainsi que la valeur ajoutée du projet grâce à l’intelligence artificielle.

Talk: Introduction to more explainable deep-learning algorithms, with practical examples

The talk will start by introducing the differences in explainability between classical Machine Learning against Deep-Learning algorithms (white vs black boxes). Afterwards, I'll theoretically explain the different approaches available to tackle this Deep-Learning black box issue e.g. grad-cam and model agnostic. The end of the presentation will be more practical, I'll show different solutions across different models (CNN's, RNN's, …) and industries.