ML in air transport industry, Data science versioning

Are you going?

126 people going

Share:

Novapost / PeopleDoc France

53 Rue d'Hauteville · Paris

How to find us

Metro 4 - Station: Château d'Eau Metro 7 - Station: Poissonnière Metro 5 - Station: Gare de l'Est

Location image of event venue

Details

Bonjour à tous,

Nous sommes ravis de vous retrouver pour cette nouvelle session qui sera hébergée par PeopleDoc.

Programme (résumés ci-dessous):

18h45 - 19h : Accueil

19h - 19h40 : Premier talk
"Outil de versioning pour l'analyse de données" par Sarah Diot-Girard (data scientist) et Stéphanie Bracaloni (DataOps) @PeopleDoc

19h40 - 20h20 : Deuxième talk
"Maintenance predictive dans le transport aérien" par Solène Richard (data scientist) et David Vazquez (responsable programme Big Data) @Airfrance-KLM

20h20 - 21h : Échanges informels et collation

-------
Abstract 1

Vous êtes data scientist. Vos analyses de données sont stockées dans des notebooks Jupyter, mais si vous ouvrez un fichier de plus de deux mois, plus rien ne fonctionne. Et aussi, vous avez oublié la valeur du dropout de l’avant-dernière couche de ce réseau de neurones qui fonctionnait si bien et que vous voudriez mettre en prod. Cela vous semble-t-il familier ?

Vous êtes ingénieur·e logiciel, et vous travaillez avec des data scientists. Pour vous, Git, les revues de code, les tests, la CI, c’est la base. Vous n’avez jamais envisagé de considérer les notebook Jupyter comme un outil de travail au long cours. Que votre travail soit versionné et comporte des back-up est une évidence. Et enfin, vous voulez livrer en production quelque chose de fiable et de maintenable. Comment faire ?

Nous avons ce genre de problématiques à PeopleDoc. Nous n’avons pas de baguette magique, mais en s’appuyant sur des projets open-source, nous avons développé un ensemble d’outils et de processus qui fonctionne pour nos besoins. Nous sommes ravies de présenter notre projet et d’ouvrir un échange avec la communauté.

Nous sommes sur Github : https://github.com/peopledoc/ml-versioning-tools

-------
Abstract 2

Les avions produisent de grandes quantités de données grâce à des capteurs qui enregistrent en continu leurs comportements tout au long des vols. L’exploitation de ces données nous permet de construire un outil d’aide à la décision qui va apprendre des pannes passées pour détecter des prémices de futures pannes et proposer de remplacer des pièces avant qu’elles ne tombent en panne. L’apprentissage automatique nous permet donc de proposer une alternative à la maintenance préventive et curative : la maintenance prédictive. Grâce à des techniques d’optimisation et aux prédictions de notre outil Prognos for Aircraft, nous pouvons donc envisager de déposer les pièces au moment le plus opportun : avant qu’elles ne tombent en panne, mais en utilisant au maximum leur potentiel.

Venez découvrir comment nous contribuons à la limitation des retards et annulations de vols, à l’amélioration des opérations, et à la sécurité des vols grâce à un outil de machine learning.