Innovative Projects Realized

Map Data Analysis for Lawn Service Optimization

This research investigates the fusion of multi-source geospatial data to overcome key scaling limitations in automated property assessment. The primary research problem addresses object occlusion in satellite imagery, where features can obscure ground-level surfaces and prevent accurate area measurement. We propose and evaluate a novel machine learning approach that geometrically fuses satellite imagery with ground-level street views, when applicable. A semantic segmentation model will be trained on this data representation to better compute residential lawns and driveways, with the hypothesis that this approach will showcase significantly higher accuracy than analysis from a single data source.

A secondary research objective explores the development of a trustworthy AI agent for data enrichment. We will construct a system that integrates the new geospatial measurements with historical data using a Retrieval-Augmented Generation (RAG) framework. This grounds a Large Language Model in a factual knowledge base, while rule-based guardrails further constrain its output. The efficacy of the system will be validated through quantitative metrics, including Intersection over Union (IoU) for segmentation performance and consistency evaluations for the LLM agent, contributing a methodology for both applied computer vision and controllable AI systems.

Macro and micronutrient measurements in hydroponics

Environmental conditions (temperature, humidity, light, air movement, CO2 and nutrient levels) are carefully monitored in controlled environment agriculture (CEA) to optimize indoor crop production. Irrigation management is prioritized to ensure nutrient availability to plants, water use efficiency, prevent plant nutrient diseases, maximize crop yield and boost desired phytochemical profiles for a given crop. Automated irrigation systems conventionally used in the commercial and legal indoor production of cannabis (Cannabis sativa), but often estimate nutrient content from electrical conductivity and pH readings. Real-time and accurate ion-specific electrode (ISE) measurements could revolutionize fertilizer use and recycling in closed loop systems, but these technologies require more scientific backing and in situ testing before they are confidently incorporated by industry. To avoid costly and time-consuming analyses for fertigate and plant tissue, modified protocols with colorimetric aquarium and water test kits have been proposed. A comparative investigation of commercially available kits and ISEs for determining content in hydroponic solutions will be conducted in a laboratory setting as part of this grant.

Caswil – Classification automatique des demandes de services en soins à domicile à partir de texte libre

Caswil – Classification automatique des demandes de services en soins à domicile à partir de texte libre
(1) Principales activités du partenaire :
Caswil est une entreprise spécialisée en services-conseils dans le domaine des technologies de l’information, notamment en migration et transformation de données et développement logiciel.
(2) Défis :
Caswil accumule des données textuelles rédigées/enregistrées par les intervenants au cours d’échanges avec les patients depuis des années.
Caswil désire tirer parti de cette source d’information potentiellement très utile qui permettrait de mieux répondre aux soins des patients quelques soit l’intervenant impliqué. Ainsi Caswil désire automatiser la lecture et l’analyse des données en concevant un système basé sur l’IA qui en permettrait la
classification. Les demandes des aînés en soins à domicile sont formulées de manière libre, souvent orale ou écrite sans structure. Leur catégorisation manuelle prend du temps et est sujette à des erreurs humaines.
Le projet vise à automatiser cette classification.
Pour accomplir ce projet, le stagiaire sera chargé de:
? Convertir en texte les notes enregistrées et les ajouter aux conversations écrites.
? Expérimenter des approches non-supervisées pour définir les labels et données.
? Développer un système de classification de texte utilisant le few-shot learning pour identifier les services nécessaires à partir de descriptions de demandes exprimées par les patients ou notées par les infirmières.
? Explorer les solutions NLP et LLM pour identifier automatiquement les classes.

Intact : Preuve de concept des méthodes Policy Gradient ou Actor-Critic pour l’ajustement des primes et l’estimation de la valeur future des clients

Intact : Preuve de concept des méthodes Policy Gradient ou Actor-Critic pour l’ajustement des primes et l’estimation de la valeur future des clients
Principales activités du partenaire :
Intact Assurance est la plus importante société d’assurance automobile, habitation et entreprises au pays ainsi que le choix de plus de quatre millions de consommateurs.
Problématique et avantages escomptés du projet :
L’approche actuelle de tarification repose sur l’apprentissage par renforcement (RL) séquentiel avec une méthode Monte Carlo (MC). Cette méthode, de type value-based, présente certaines limites : elle nécessite des trajectoires complètes pour mettre à jour la politique et s’appuie uniquement sur l’historique des observations.
Ce projet vise à explorer des algorithmes plus avancés, notamment les méthodes basées sur le gradient de politique (Policy Gradient) et les architectures de type acteur-critique (Actor-Critic), afin de mieux gérer des environnements stochastiques et d’adopter une vision à long terme. Ces approches permettraient d’estimer plus précisément la valeur terminale d’un client, puis de construire une politique de tarification plus dynamique et proactive.
L’objectif général du projet est de produire une preuve de concept démontrant que les méthodes de type
Policy Gradient ou Actor-Critic permettent, grâce à des mises à jour incrémentales et à l’utilisation du bootstrap, d’ajuster plus efficacement les primes au fil du temps, tout en fournissant une estimation de la valeur future des clients.

CAIJ: Extraction de Domaines et Sous-Domaines de Droit

CAIJ: Extraction de Domaines et Sous-Domaines de Droit
Principales activités du partenaire :
Le Centre d’accès à l’information juridique (CAIJ) cherche à renforcer ses capacités d’indexation et de classification automatique des jugements. L’objectif de ce projet est d’extraire, à partir du texte intégral des jugements, les domaines de droit (ex. : Famille, Fiscal, Administratif) et leurs sous-domaines (ex. : Pension alimentaire, Patrimoine familial, Divorce, etc.). Le stagiaire travaillera sous la supervision du Lead IA. Il bénéficiera d’un accès aux ressources GPU, corpus annoté, documentation d’indexation, il y aura un suivi hebdomadaire et des réunions de partage des bonnes pratiques dans un environnement hybride propice à l’innovation en IA juridique.
Problématique et avantages escomptés du projet :
Le CAIJ possède aujourd’hui plus de 4 millions de décisions (fédérales, provinciales et administratives). Pour offrir une recherche toujours plus fine, nous devons rattacher chaque jugement à notre taxonomie interne, une arborescence d’une cinquantaine de domaines et ~150 sous-domaines (ex. Droit de la famille ? Garde et droits d’accès). Jusqu’ici, ce travail d’indexation pour les jugements est inexistant puisque le volume croissant des décisions (˜ 10 000 nouvelles par mois) est ingérable manuellement. Ce projet appelle une solution scalable et robuste. Il est à noter que c’est un projet de classification multi-classe hiérarchique, puisqu’un jugement peut avoir plusieurs domaines et sous-domaines de droit. Les pistes de solutions et leurs retombées sont :
– explorer les solutions NLP et LLM pour identifier automatiquement les domaines et sous-domaines juridiques dans les jugements;
– expérimenter tant des approches non-supervisées (prompts, heuristiques, clustering) que supervisées (modèles hiérarchiques entraînés sur nos annotations);
– valider les résultats via des métriques (précision, rappel, F1) et communiquer les progrès lors de points réguliers;
– assembler puis documenter un pipeline reproductible et former l’équipe interne à son utilisation.

CAIJ: Encodeur sémantique juridique franco-québécois

CAIJ: Extraction de Domaines et Sous-Domaines de Droit
Principales activités du partenaire :
Le Centre d’accès à l’information juridique (CAIJ) souhaite renforcer son moteur de recherche en y intégrant des techniques avancées de recherche sémantique. L’objectif de ce projet est d’encoder de façon sémantique tous les contenus textuels du CAIJ pour améliorer son moteur de recherche actuel ainsi que la découverte du contenu. Le stagiaire sera intégré à l’équipe IA du CAIJ. Il bénéficiera d’un accès aux ressources GPU, corpus annoté, documentation d’indexation, il y aura un suivi hebdomadaire et des réunions de partage des bonnes pratiques dans un environnement hybride propice à l’innovation en IA juridique.
Problématique et avantages escomptés du projet :
Bien que le CAIJ dispose d’un corpus de données à très forte valeur ajoutée, il n’est pas directement utilisable pour le moment. Le stagiaire devra donc participer à la préparation et au nettoyage de ce corpus afin d’obtenir le meilleur encodeur juridique franco-québécois. Pour ce faire, le stagiaire sera chargé de :
– Explorer les encodeurs existants pour mettre en place d’un pipeline d’encodage à grande échelle sur noscontenus (jugements, articles, doctrine);
– Valider la pertinence des embeddings via des métriques classiques (cosine similarity, clustering, etc.);
– Spécialiser un encodeur sur notre corpus québécois francophone;
– Créer un benchmark d’évaluation de recherche d’information.

Ventus Analytique Inc. BSI Proposal – Wind Data

Ventus Analytiques Inc. is a Canadian technology company specializing in offshore data systems and analytics, with a focus on marine environmental monitoring and renewable energy. As the company scales its operations and prepares for international deployments, there is a growing need for a cohesive cloud infrastructure and data operations strategy that can support a global fleet of remote sensing platforms. Aligning these capabilities with long-term product direction is critical to ensure scalability, competitiveness, and service reliability.

This project goes beyond day-to-day business operations by focusing on the design of future-ready infrastructure that will support strategic commercialization initiatives, increase efficiency, and reduce operational risk. Solving this challenge requires expertise in cloud architecture, systems design, and the ability to connect technical solutions to strategic goals.

Understanding and Improving the Reasoning Capabilities in Vision-Language Models

Vision-language models (VLMs) are considered augmentations of text-only large language models (LLMs) with additional access to the visual world. However, it is known that VLMs typically perform worse than text-only LLMs on reasoning tasks that involve only text (e.g., math word problems), raising the question of whether the benefits of visual augmentation justify the loss in reasoning capabilities. In this project, we will systematically benchmark and analyze the reasoning performance drop of VLMs and propose technologies to improve reasoning in VLMs through both performance-driven analysis and interpreting the internal hidden states of the models.

Designing high precision pointing systems for balloon-borne telescopes

Stratospheric balloons operate above more than 99% of the Earth’s atmosphere, allowing astronomers to observe colours of light that would otherwise be blocked or blurred by the atmosphere at only a tiny fraction of the cost of an equivalent space telescope. However, it is very challenging to ensure that to telescopes are pointing the right location on the sky when they are suspended from a stratospheric balloon.

In this project the student intern will work with StarSpec Technologies to build and test a pointing system for the Gigapixel-class Balloon-borne Imaging Telescope (GigaBIT), a 1.35 meter telescope that will make extremely large and high resolution images of the sky. The student intern will also use their experience building GigaBIT to design pointing control systems that can be applied to StarSpec’s other client balloon telescopes with a wide variety of pointing requirements.

Pharmacology of psychoactive substances

This project aims to investigate the pharmacology of norbaeocystin, baeocystin, norpsilocin, and aeruginascin – four compounds found in psychedelic mushrooms. The research will examine how these compounds interact with specific brain receptors – the 5HT-1A, sigma-1 and a-adrenergic receptors – that may contribute to the therapeutic effects. These compounds may have potential for the treatment of depression, anxiety, post-traumatic stress disorder and other conditions.
Laboratory testing includes calcium-based assays and ß-arrestin recruitment tests to determine receptor signalling. Compounds demonstrating efficacy in these assays will then be tested. The elevated plus maze test in mice will provide information about the in vivo behavioral effects.

Promutuel Assurance : Modélisation de la probabilité de perte totale

Promutuel Assurance : Modélisation de la probabilité de perte totale
Principales activités du partenaire :
Fondée au Québec en 1852, Promutuel Assurance est une fière mutuelle, présente et engagée avec coeur auprès de ses membres-assurés, de son personnel et de ses communautés. Approche humaine, solutions adaptées, conseils clairs et personnalisés, Promutuel Assurance met tout en oeuvre pour offrir confiance et satisfaction aux membres-assurés. Promutuel offre entre autres, des assurances Auto, Habitation, Entreprise, et Agricole.
Problématique et avantages escomptés du projet :
À la suite d’un sinistre automobile, les assurés contactent leur assureur afin de rapporter le sinistre et amorcer le processus de réclamation. À ce moment, l’assureur récoltera certaines informations auprès de l’assuré afin de comprendre les circonstances du sinistre et l’étendue des dommages. Ces informations, en plus de celles disponibles au contrat d’assurance, permettront de bien guider l’assuré pour la suite des procédures. Dans la majorité des cas, le véhicule sera envoyé chez un carrossier et un estimateur devra évaluer les coûts de réparation avant que le carrossier ne procède à la réparation. L’assureur paiera généralement aussi les frais de location d’une voiture de remplacement jusqu’à ce que le véhicule soit réparé. Cependant, lorsque les dommages sont tels que le véhicule doit être déclaré perte totale, il est préférable de le déterminer rapidement afin d’éviter des coûts d’entreposage du véhicule, de location de voiture, d’estimation et dans certains cas de remorquage additionnels. Un règlement rapide du sinistre permet également d’améliorer l’expérience client. Ce projet visera donc le développement d’un modèle prédictif pour la probabilité de perte totale.
Selon les processus actuels de Promutuel, un questionnaire de 17 questions peut être rempli afin de déterminer si un véhicule est « probablement une perte totale ». Des points sont assignés selon les réponses aux différentes questions. Au-delà d’un certain pointage, un indicateur catégorisera le véhicule comme « probablement une perte totale ».
Promutuel a identifié des enjeux d’affaires avec ce processus et souhaite les résoudre grâce à ce projet. Voici ces enjeux :
• Le questionnaire comporte un grand nombre de questions, ce qui ralentit significativement le processus de réclamation.
• Les questions et les pointages sont basés sur des règles d’affaires et non sur un modèle prédictif.
• Le questionnaire est facultatif. Il est donc rempli seulement si l’expert en sinistre le juge pertinent. Ceci fait vraisemblablement en sorte que plusieurs pertes totales ne sont pas repérées rapidement.
Le projet de stage propose de remplacer ce questionnaire par un modèle d’intelligence artificielle qui utilisera l’information déjà disponible au moment de la déclaration de sinistre afin de prédire la probabilité de perte totale.

Révolution jumelage : Recherche d’augmentation de données contextuelles pour la prédiction de profils de personnalité des clients et des intentions d’achat par IA

Principales activités du partenaire :
L’entreprise offre des services de développement et d’exploitation de solutions informatiques.

Problématique et avantages escomptés du projet :
Le but de ce projet est d’inférer un profil psychométrique (OCEAN) à partir de questionnaires clients n’incluant pas de questions explicitement psychométriques. On recherchera également des variables contextuelles pertinentes pour enrichir les données multimodales déjà disponibles, afin d’obtenir les meilleures prédictions possibles dans cette tâche de régression multivariée. À terme, cela permettra de mieux comprendre le comportement des clients.