Construisons les innovations numériques de demain

Scikit-learn fournit une boîte à outils avec des implémentations solides d’un ensemble de modèles de pointe et permet de les connecter facilement aux applications existantes. Nous l’utilisons beaucoup pour nos recommandations musicales sur Spotify et je pense que c’est le package machine learning le mieux conçu que j’ai vu jusqu’à présent.

Erik Bernhardsson,
Engineering Manager Music Discovery & Machine Learning, Spotify

Comme les données de la vie réelle sont très souvent désordonnées et en constante évolution, il est crucial de disposer d’outils tels que dirty–cat pour analyser et traiter des variables catégorielles de haute dimension. Et grâce à son enracinement statistique, il est interprétable par conception. Dirty–cat s’inscrit parfaitement dans la mission de Dataiku, qui est d’aider tout le monde à construire des pipelines de données robustes.

Léo Dreyfus-Schmidt, VP Research

Il existe en France et chez Inria un fort potentiel de partenariats susceptibles d’améliorer à la fois nos recherches et notre activité commerciale dans le numérique. Les résultats prometteurs obtenus par DataShape dans le développement d’outils d’IA en ont fait un partenaire idéal.

Yuzuru Yamakage, responsable du Département des services d’IA de Fujitsu Limited.

Lorsque nous avons lancé nos travaux de recherche pour l’imagerie ultrasonore dans les bétons nous avons consulté notre partenaire, Inria avec qui nous avions déjà mené des collaborations sur des problématiques d’imagerie. L’outils Samplings a constitué la base de notre collaboration sur ce sujet et a été le support logiciel de notre collaboration.

Dr. Lorenzo Audibert, ingénieur-chercheur chez EDF R&D

Les données du boitier DomYcile, développé avec le conseil général des Yvelines, ont été extrêmement sécurisées par PlugDB. Les chercheurs Inria ont mis en place un coffre-fort de données sécurisées avec des technologies encore plus pointues que celles que l’on utilise sur les cartes à puce.

Madjid Hamici, directeur Hippocad

Nous avions besoin, pour des questions de défense, de pouvoir modéliser correctement les effets d’une explosion sous-marine sur le comportement du navire et de ses équipements. J’ai mis la barre très haut en demandant à obtenir en seulement trois ans un code de calcul haute performance, utilisable en industrie et sans dégrader les formulations mathématiques par des approximations. Pour y parvenir, nous avons co-encadré un doctorant (thèse CIFRE)

Bruno Leblé, ingénieur de recherche à Naval Group

L’ingénierie de THALES profite d’un ensemble d’outils d’optimisation « boite noire » générique pouvant s’appliquer à plusieurs problèmes de conception et de paramétrisation. CMA-ES est un excellent candidat pour figurer parmi ces outils et permettre de gagner à la fois en temps de développement et en qualité des solutions.

Le responsable Etudes Amont
Algorithmie Radar chez Thalès

Lorsque nous avons cherché en 2010 à moderniser notre outil d’analyse formelle de programmes, nous nous sommes naturellement tournés vers l’équipe Toccata qui développait déjà l’outil Why et qui avait montré son avance scientifique et sa maturité technologique lors d’expériences d’adoption industrielle réussies. Le choix fait par l’équipe Toccata de développer des logiciels sous licence libre et leur soutien continu aux utilisateurs industriels ont été déterminants dans le succès de cette aventure commune.

Cyrille Comar,
Président d’AdaCore 

Scikit-learn fournit une boîte à outils avec des implémentations solides d’un ensemble de modèles de pointe et permet de les connecter facilement aux applications existantes. Nous l’utilisons beaucoup pour nos recommandations musicales sur Spotify et je pense que c’est le package machine learning le mieux conçu que j’ai vu jusqu’à présent.

Erik Bernhardsson,
Engineering Manager Music Discovery & Machine Learning, Spotify