PROJETS DE RECHERCHE

Les déchets d’emballage ont considérablement augmenté au cours de la dernière décennie en raison de la hausse de la production de biens manufacturés. Une gestion efficace des déchets solides constitue un élément essentiel des stratégies de réduction des déchets et influence directement les méthodes de traitement utilisées, dont plusieurs ont un impact négatif sur l’environnement. AI Mogul mène des recherches visant à fournir aux entreprises et aux particuliers des recommandations concrètes sur les meilleures méthodes de gestion des déchets afin de réduire l’enfouissement et l’incinération, deux pratiques associées à des impacts environnementaux importants, notamment la pollution atmosphérique. Ces travaux soutiennent l’atteinte des objectifs de développement durable (ODD) 11 et 12 des Nations Unies.

Actuellement, l'équipe prépare une publication détaillée qui évalue tous les aspects liés à la réduction des déchets et recense les différents types de déchets produits par diverses entreprises. Notre objectif est d'élaborer un processus et un arbre de décision permettant de mettre en relation le type de déchet avec une recommandation concrète en matière de réduction des déchets, avec la même efficacité qu'un expert chevronné en développement durable, afin de faciliter la mise en œuvre de ces pratiques dans de nombreuses entreprises cibles.

L'année 2022 a marqué le début de la troisième collaboration entre ERA et l'Université Concordia. Sous la direction du professeur Weiyi (Ian) Shang et de la PDG Sarah Sajedi, l’équipe s’est concentrée sur l’automatisation de la création et de l’exécution des scénarios de test de la plateforme dynamique d’ERA afin de réduire le nombre de correctifs d’urgence et d’améliorer la stabilité globale des logiciels d’ERA. Le projet est actuellement au stade du prototype : ERA et Concordia ont développé un nouveau cadre de test utilisant Microsoft Playwright pour enregistrer automatiquement les scénarios de test du logiciel d’ERA, Visual Studio pour générer les scénarios de test à partir de bibliothèques de code formaté manuellement, et Jenkins pour automatiser leur exécution.

Des travaux supplémentaires demeurent nécessaires afin d’améliorer la stabilité du cadre de test, puisque certains scénarios échouent en raison d’erreurs non reproductibles dans les scripts eux-mêmes plutôt qu’en raison de problèmes liés à l’application web d’ERA. ERA met en place des solutions de contournement et réduit progressivement l'instabilité des tests générés, dans l'espoir d'atteindre un stade où ceux-ci fourniront des données utiles sur les performances du logiciel et les causes profondes des bogues (au niveau du front-end ou du back-end) avec une intervention manuelle minimale (voire nulle) de la part des testeurs.

Suite à la nomination du professeur Shang à un nouveau poste permanent, l'ERA collabore désormais avec l'Université de Waterloo pour mener à bien ce projet (ainsi que celui sur la régression des performances décrit ci-dessous).

En 2020, Sarah Sajedi (PDG d’AI Mogul) et ERA-EHS, en collaboration avec le CRSNG et l’Université Concordia, ont commencé à travailler sur un outil utilisant l’intelligence artificielle pour détecter les anomalies dans les données des rapports environnementaux établis par les constructeurs automobiles. Au cours des premières phases du projet, cette preuve de concept consistait à analyser les données d’un constructeur automobile (Fiat Chrysler Automobiles (FCA)) à l’aide de modèles statistiques rudimentaires afin d’identifier des tendances et de détecter des valeurs aberrantes. Une fois le modèle établi, le projet a évolué pour permettre aux constructeurs automobiles de surveiller leurs données de rapports environnementaux, par exemple en suivant la quantité de peinture utilisée dans chaque usine et les émissions rejetées.

En 2022, l'équipe a affiné le modèle jusqu'à ce qu'il soit capable de signaler efficacement les données anormales. Ensemble, ils ont publié un article dans une revue scientifique mettant en lumière les défis liés à l’intégration de systèmes de validation de données basés sur l’intelligence artificielle dans les plateformes logicielles de reporting, et ont décidé de poursuivre l'étude en appliquant l'algorithme développé à divers types de données provenant d'entreprises automobiles, notamment celles de Toyota Motor Manufacturing Kentucky (TMMK) et de FCA.

À l’heure actuelle, le modèle peut détecter avec précision les anomalies à travers quatre variables distinctes : l’utilisation des produits, le nombre de véhicules produits, la corrélation entre la production et l’utilisation, ainsi que les écarts en pourcentage entre ces deux variables. En utilisant le système de notation de l'algorithme d'IA, le modèle peut également signaler des divergences dans les données de production et d'utilisation. L'étude se poursuivra jusqu'à ce que le modèle soit intégré aux systèmes logiciels de reporting et utilisé par les entreprises clientes pour détecter des données environnementales anormales.

Depuis 2018, ERA collabore avec l'équipe du professeur Shang de l'Université Concordia afin de développer un outil logiciel capable d’analyser les journaux système d’ERA et d’identifier les causes des baisses de performance. L’objectif initial du projet consistait à utiliser des modèles de performance de type « boîte noire » ainsi que des techniques d’apprentissage automatique afin d’établir des corrélations entre les performances du système et les activités d’exécution, une initiative qui s'est avérée fructueuse et a donné lieu à deux publications co-rédigées par Sarah Sajedi, PDG d'ERA, et Steve Sporea et Andrei Toma, associés gérants d'ERA : la première dans Empirical Software Engineering (2020) et la plus récente dans IEEE Transactions on Software Engineering (2022).

Plus récemment, le projet s’est orienté vers une approche proactive de l’analyse des performances. L’équipe développe actuellement un outil de visualisation des régressions permettant aux développeurs ERA d’identifier et de corriger les antipatterns, soit des schémas de programmation inefficaces entraînant des pertes de performance en raison de l'existence d'une solution plus fonctionnelle et moins coûteuse en ressources. Un tel outil, qui fonctionne comme un plug-in pour Visual Studio, pourrait devenir commercialement viable à l'avenir, à mesure que d'autres équipes de développement chercheront à intégrer dans leurs logiciels un code moins coûteux en termes de calcul grâce à des suggestions automatisées visant à corriger les antipatterns dans leur code.

Suite à la nomination du professeur Shang à un nouveau poste permanent, l'ERA collabore désormais avec l'Université de Waterloo pour mener à bien ce projet (ainsi que celui sur les tests automatisés décrit ci-dessus).