Brice CHARDIN
  • Maître de Conférences
  • Ingénierie des Données et des moDèles
  • ISAE - ENSMA

Activité d'Enseignement

1ère année :

  • Algorithmes & Systèmes Numériques
  • Base de la Conception Logicielle
  • Signal & Systèmes (traitement du signal)
  • Utilisation et Exploitation de Données (bases de la manipulation de données structurées)

2ème année :

  • Projets avionique (simulation de drones avec ardupilot)
  • Apprentissage Automatique Appliqué (apprentissage automatique pour la mécanique)

3ème année :

  • Bureaux d'étude
  • Données Intelligentes (fouille de motifs et apprentissage automatique)

Activité de Recherche

Je suis maître de conférences à l'ISAE-ENSMA et membre de l'équipe ingénierie des données du LIAS depuis 2013.

Gestion et prédiction de données pour l'énergie

Ma thèse de doctorat concernait les solutions de gestion de données distribuées basées sur mémoires flash pour traiter les données de capteurs produites au sein des centrales électriques d'EDF. Dans ce projet, nous avons développé un système NoSQL spécialisé, appelé Chronos, sous licence libre, et un benchmark pour l'évaluation des SGBDs dans le contexte de la gestion de données de processus industriels.

J'ai également collaboré avec deux partenaires industriels locaux : SRD (gestionnaire d'un réseau de distribution d'électricité) et Nexeya (fabricant de solutions de stockage d’énergie) pour réaliser des analyses prédictives de consommation et de production d’énergie.

Partitionnement sous contrainte de dissimilarité

Je participe à l'élaboration et à l'évaluation d'algorithmes de partitionnement sous contrainte de dissimilarité intra-cluster. L'objectif de ce type d'algorithme est d'identifier des groupes de données en fournissant des garanties d'erreur maximale lors de la sélection d'un représentant.

Fouille de motifs

En 2012-2013, j'ai effectué un post-doctorat au LIRIS sur la découverte de motifs dans le cadre du projet ANR DAG, où nous avons conçu un langage de requête pour la découverte de règles dans les bases de données appelé RQL (pour Rule Query Language). RQL étend et généralise les dépendances fonctionnelles à de nouveaux types de règles.

Relaxation de requêtes

Depuis 2016, j'ai travaillé sur la relaxation de requêtes portant sur des bases de connaissances RDF, afin de répondre aux questions de type why-empty, why-so-many et why-so-few pouvant concerner des requêtes SPARQL.