Thales : Application de Graph Neural Network (GNN) pour la représentation d’énoncés de problèmes techniques dans les domaines à faibles ressources

Depuis les dernières années, différents modèles de réseaux de neurones furent développés afin d’améliorer l’apprentissage de connaissances, pour fin de recommandations et de répondre à des questions. Thales utilise présentement des modèles de Knowledge Graph Embedding (KGE) afin de créer des bases de connaissances de domaine techniques et faire ensuite des recommandations ou questions-réponses à l’aide des modèles appris. Les KGE se sont avérés capables d’apprendre les grandes tendances et relations sémantiques émergeantes du domaine, mais leurs performances prédictives demeurent limitées. Plus particulièrement, leur utilisation par Thales étant fortement axée sur l’apprentissage des connaissances à l’aide de base de « cas » historiques, et aux vues des performances récentes des modèles apprenant avec un mécanisme d’attention, Thales souhaite explorer l’utilisation de Graph Neural Networks (GNN) afin de remplacer les KGE dans leurs applications de recommandation. Ce projet visera l’étude des publications et plateformes de GNN, l’entrainement de GNN pour un cas représentatif de leur application et la génération de résultats comparatifs.

Faculty Supervisor:

Christian Gagné;Luc Lamontagne

Student:

Partner:

Thales Canada Inc (Montreal, QC)

Discipline:

Computer science

Sector:

Management of companies and enterprises; Manufacturing; Professional, scientific and technical services

University:

Université Laval

Program: