air - User contributions [en]

Projets 2019-2020

2020-03-27T17:11:54Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:Rapport_SmartRecruiting.pdf | Rapport final]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-Polytech Rapport (md)] - [[Media:Rapport_technique_SmartRecruiting.pdf | Rapport technique]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-technique Rapport technique (md)] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing Présentation Finale avec démonstration en GIF] - [[Media:Presentation_smartrecruiting_avec_notes.pdf | Presentation avec notes]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020 GitLab] - [https://youtu.be/_-ffUTy7aHQ Démonstration application]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-03-27T16:33:21Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:Rapport_SmartRecruiting.pdf | Rapport final]] - [[Media:Rapport_technique_SmartRecruiting.pdf | Rapport technique]] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing Présentation Finale avec démonstration en GIF] - [[Media:Presentation_smartrecruiting_avec_notes.pdf | Presentation avec notes]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020 GitLab] - [https://youtu.be/_-ffUTy7aHQ Démonstration application]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

File:Rapport technique SmartRecruiting.pdf

2020-03-27T16:32:17Z

Remi.varenne: Remi.varenne uploaded a new version of File:Rapport technique SmartRecruiting.pdf

Projets 2019-2020

2020-03-27T16:30:30Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:Rapport_SmartRecruiting.pdf | Rapport final]] - [[Media:Rapport_technique_SmartRecruiting | Rapport technique]] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing Présentation Finale avec démonstration en GIF] - [[Media:Presentation_smartrecruiting_avec_notes.pdf | Presentation avec notes]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020 GitLab] - [https://youtu.be/_-ffUTy7aHQ Démonstration application]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

File:Rapport technique SmartRecruiting.pdf

2020-03-27T16:28:04Z

Remi.varenne:

File:Rapport SmartRecruiting.pdf

2020-03-27T16:27:44Z

Remi.varenne:

Projets 2019-2020

2020-03-27T16:27:27Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:Rapport_SmartRecruiting.pdf | Rapport final]] - [[Media:Rapport_technique_SmartRecruiting | Rapport technique]] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing Présentation Finale avec démonstration en GIF] - [[Media:Presentation_smartrecruiting_avec_notes.pdf | Presentation avec notes]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing GitLab] - [https://youtu.be/_-ffUTy7aHQ Démonstration application]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-03-27T16:26:35Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:Rapport.pdf | Rapport final]] - [[Media:Rapport_technique | Rapport technique]] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing Présentation Finale avec démonstration en GIF] - [[Media:Presentation_smartrecruiting_avec_notes.pdf | Presentation avec notes]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing GitLab] - [https://youtu.be/_-ffUTy7aHQ Démonstration application]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

File:Presentation smartrecruiting avec notes.pdf

2020-03-27T16:09:43Z

Remi.varenne:

Projets 2019-2020

2020-03-27T16:09:21Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi Fiche de suivi]
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-Polytech Rapport final] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-technique Rapport technique] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing Présentation Finale avec démonstration en GIF] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing GitLab] - [[Media:Presentation_smartrecruiting_avec_notes.pdf | Presentation avec notes]]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-03-27T16:06:30Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi Fiche de suivi]
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-Polytech Rapport final] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-technique Rapport technique] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing Présentation Finale avec démonstration en GIF] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing GitLab] - [[Media:Presentation_smartrecruiting_avec_notes.pdf Presentation avec notes]]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-03-27T15:32:56Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi | Fiche de suivi]
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-Polytech | Rapport final] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-technique | Rapport technique] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing | GitLab]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-03-27T15:26:22Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi | Fiche de suivi]
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-Polytech | Rapport final] - [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-technique | Rapport technique] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://docs.google.com/presentation/d/1ZLQYCfqEBoE9lJGzm3ConQi8VrLqG5aLi9m3czs4G_w/edit?usp=sharing | GitLab]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-03-27T15:19:11Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi | Fiche de suivi]
| [[https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-Polytech | Rapport final]] - [[https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Rapport-technique | Rapport technique] - [[Media:Presentation_mi-projet_smartrecruiting.pdf | Presentation intermédiaire]] - [[https://gitlab.com/TODO/presentation/finale.md Présentation Finale]] - [[https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020 | GitLab]] [[File:Presentation_smartrecruiting.pdf]]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-03-27T15:00:00Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/blob/master/fiche_suivi.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/-/edit/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| Olivier Richard et Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/-/blob/master/Journal_de_bord.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/-/blob/master/Soutenace%20proj.pdf Présentation de mi-parcours]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/-/blob/master/Am%C3%A9lioration_plugin_Grafana_info4_2019_2020.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Presentation-mi-parcours amelioration-greffons-grafana-2019-20.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/-/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/-/blob/master/Presentation%20de%20mi-parcours.pdf Presentation de mi-parcours]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/blob/master/CHANGELOG.md Fiche]
| Rapport final - Presentation finale FR - Final Presentation EN - Flyer - [[Media:Fetch-Swh.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:Présentation Orale Proxy Cache HTTPS.pdf|Presentation de mi-parcours]]
|- [[Media: xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS : Location de matériel sportif]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/projet_info5/docs/blob/master/suivi.md Fiche de suivi]
| [https://gitlab.com/projet_info5/docs/-/blob/master/report.md Rapport final] - [https://gitlab.com/projet_info5/docs/-/blob/master/technical-doc.md Rapport technique] - [https://docs.google.com/presentation/d/1XwvzTEflLjh5dl1qmWUroGbLI0u6ZcVMdVR7Nj3m_DQ/edit?usp=sharing Présentation intermédiaire] - [https://drive.google.com/file/d/1_GKpkopV9KaESZh5_YZCDy1_kDLEesv9/view?usp=sharing Présentation Finale (Slides+Notes)] - [https://www.youtube.com/watch?v=gKPdLq6TW0g Présentation finale (Vidéo)] - [https://gitlab.com/projet_info5 GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://air.imag.fr/index.php/Softwareheritage-2020 Fiche de suivi]
| [https://air.imag.fr/index.php/Rapport_final_software_heritage Rapport final] ([https://air.imag.fr/images/2/25/Rapport_Software_Heritage_Fontfreyde_Gautier_Dalaine_Gauffier.pdf pdf])- [https://air.imag.fr/images/2/2e/Rapport_Technique_Software_Heritage_Fontfreyde_Dalaine_Gauffier_Gauffier.pdf Rapport technique] - [https://air.imag.fr/images/e/e7/Diapo_Mi-Projet.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://forge.softwareheritage.org/ Forge SH]
|-
!scope="row"| 3
| [https://air.imag.fr/index.php/UGAChain-2020 Blockchain (UGAChain)]
| REYGROBELLET Lucas (CP), BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://air.imag.fr/index.php/UGAChain-2020 Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://air.imag.fr/images/7/78/Blockchain_-_Soutenance_interm%C3%A9diaire.pdf Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/blockchain-ricm GitLab]
|-
!scope="row"| 4
| [[Contributions open-source au projet JHipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://github.com/contribution-jhipster-uga/docs/blob/master/fiche_suivie.md Fiche de suivi]
| [https://github.com/contribution-jhipster-uga/docs/blob/master/rapport_final.md Rapport final] - [https://github.com/contribution-jhipster-uga/docs Rapport technique] - [[Media:Contribution_jhipster_soutenance_intermediaire.pdf | Présentation intermédiaire]] - [https://drive.google.com/file/d/1hao-eS72MyCqB9OKdrgMWn5nCnwZOYrC/view?usp=sharing Présentation Finale + Démonstration] - [https://github.com/contribution-jhipster-uga Dépôts Github]
|-
!scope="row"| 5
| [[Contribution au projet open-souce ChirpStack]]
| RAKOTOARIMALALA Mandresy, MASTOURA Iheb, ZHENG Jian, JALMIN Hoël, DUMAX VORZET Mathieu, CORDAT-AUCLAIR Julien
| Didier DONSEZ
| [https://air.imag.fr/index.php/Contribution_ChirpStack Fiche de suivi]
| [https://github.com/campus-iot/Chirpstack-docker/tree/final-report/Final%20report Rapport final] - [https://docs.google.com/presentation/d/1AuEhaHrHMfaVp9BKJF1YRoHDTcAAnk59moazu95j86U/edit?usp=sharing Présentation Finale] - [https://docs.google.com/presentation/d/1jki9UUmdc6g9Ql5Qc31wcFGkKlHdqY66hVSvVdGPKt0/edit?usp=sharing Présentatation intermédiaire] - [https://github.com/campus-iot Dépôts Github]
|-
!scope="row"| 6
| [[Secours Montagne avec LoRa]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [[PROJET-INFO5 1920 Secours Montagne avec LoRa | Fiche de suivi]]
| [https://air.imag.fr/images/5/5b/SecoursMontagneLoRa1920_RapportTomePrincipal.pdf Rapport - Tome principal] - [https://air.imag.fr/images/a/aa/SecoursMontagneLoRa1920_RapportAnnexes.pdf Rapport - Annexes] - [https://air.imag.fr/images/2/29/SecoursMontagneLoRa1920_RapportMPI.pdf Rapport MPI] - [https://air.imag.fr/images/4/4f/SecoursMontagneLoRa_Soutenance_mi-parcours.pdf Présentation intermédiaire] - [https://air.imag.fr/images/8/8f/SecoursMontagneLoRa1920_SoutenanceFinale.pdf Présentation finale] - [https://drive.google.com/open?id=1cMHI9q-MkXd_WOeKalJQSLAXFzovm0IV Présentation finale screencast] - [https://air.imag.fr/images/2/23/SecoursMontagneLoRa1920_Demo.pdf Démonstration] - [https://gitlab.com/info5_2020_secoursenmontagne GitLab]
|-
!scope="row"| 7
| [[Contributions open source au projet EdCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://air.imag.fr/index.php/Projet_EDCampus#Fiche_de_suivi Fiche de suivi]
| [https://air.imag.fr/index.php/Projet_EDCampus Rapport final] - [https://drive.google.com/file/d/1Z5ib-fY2DHSgYRsREkvxlljJ8vHKQkd-/view?usp=sharing Démonstration] - [[Media:Rapport_Technique_EDCampus.pdf | Rapport technique]] - [[Media:Soutenance_intermediaire_Edcampus.pdf | Présentation intermédiaire]] - [[Media:Soutenance_finale_EdCampus.pdf | Présentation Finale]] - [[Media:Soutenance_finale_+_notes_EdCampus.pdf | Présentation Finale avec commentaires]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/edcampus GitLab]
|-
!scope="row"| 8
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gricad-gitlab.univ-grenoble-alpes.fr/smartrecruiting/2019-2020/doc/-/wikis/Fiche-de-suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Presentation_mi-projet_smartrecruiting.pdf|Presentation intermédiaire]] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 9
| [[Projet Guc Voile App]]
| SOUCHON Loïc, THOMAS Antoine, TRESTOUR Grégory, VANDAL Jade
| Anthony GEOURJON
| [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/wikis/Fiche-de-suivi Fiche de suivi]
| [[Media:guc_voile_rapport_final.pdf|Rapport Final PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_final.md Rapport Final MD] - [[Media:guc_voile_rapport_technique.pdf|Rapport Technique PDF]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile/guc-voile-documentation/-/blob/bda8199bad51ad6c4a4fdb0b31a1d14f460bd773/Rapports/Rapport_technique.md Rapport Technique MD] - [[Media:Soutenance_Intermediaire_GucVoile.pdf|Presentation intermédiaire]] - [[Media:guc_voile_soutenance_finale.pdf|Présentation finale]] - [[Media:guc_voile_soutenance_finale_commente.pdf|Présentation finale commentée]] - [https://gricad-gitlab.univ-grenoble-alpes.fr/gucvoile GitLab] - [[Media:demo_application_gucvoile.pdf|Démonstration Application Slides]] - [[Media:demo_logiciel_guc-voile.pdf|Démonstration Logiciel Slides]] - [https://www.youtube.com/watch?v=S_4OQx0hotI&feature=youtu.be Démonstration Application Vidéo] - [https://www.youtube.com/watch?v=ipfGFq5QVyo&feature=youtu.be Démonstration Logiciel Vidéo]
|-
!scope="row"| 10
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://air.imag.fr/index.php/Projet_Kine_2.0#Fiche_de_suivi Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [[Media:Projet_Kiné2.0_-_Soutenance_de_mi-parcours_03_03_20.pdf|Présentation intermédiaire]] - [[Media:Projet_KinéConnecté2.0_-_Soutenance_finale_27_03_20.pdf|Présentation Finale (Slides)]] - [https://drive.google.com/open?id=1e99UvMczNwKSa3wspA_81SqOU6lBVgw6 Présentation Finale (Screencast)] - [[Media:KC2.0_-_Déroulement_démonstration.pdf|Démonstration (Workflow)]] - [https://gitlab.com/TODO/presentation/finale.md Démonstration (Screencast)] - [https://gitlab.com/Eva_B/reeducation_kine_connecte GitLab]
|-
!scope="row"| 11
| [[Projet Ecrire en geste]]
| CHABRE Manon, COSCIA Daniel, DENIS Guillaume, DE ARAUJO Bastien et ALACALI Kadir Uraz
| Olivier RICHARD
| [https://github.com/WriteInGesturesProject/docs/blob/master/suivi.md Fiche de suivi]
| [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Final.md Rapport final] - [https://github.com/WriteInGesturesProject/docs/blob/master/Rapport%20Technique.pdf Rapport technique] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20mi%20parcours.pdf Présentation Intermédiaire] - [https://github.com/WriteInGesturesProject/docs/blob/master/Pr%C3%A9sentation%20Finale.pdf Présentation Finale] - [https://github.com/WriteInGesturesProject/ GitLab]

|}

====Instructions pour l'évaluation du projet S10====
La soutenance de projet prévue les 19-20 Mars, est remplacée par:
* soit un screenscast de la présentation (20-25 minutes) et un screencast de la démonstration (10 minutes),
* soit le jeu de transparents de la présentation avec le discours dans les notes de présentation et un screencast de la démonstration (10 minutes).

* La présentation est constituée des chapitres suivants:
** Rappel du sujet/besoin et cahier des charges
** Technologies employées
** Architecture techniques
** Réalisations techniques
** Gestion de projet (méthode, planning prévisionnel et effectif, gestion des risques, rôles des membres ...)
** Outils (collaboration, CD/CI ...)
** Métriques logiciels : lignes de code, langages, performance, temps ingénieur (d'après vos journaux), la répartition des lignes de code et des commits en pourcentage entre les membres du projet ...)
** Conclusion (Retour d'expérience)
** Transparent expliquant la démonstration

* L'ensemble des documents doit être accessible depuis le tableau ci-dessus et dans chaque fiche de suivi.
* Le screencast sera rendu disponible via un partage caché (wetransfer, google drive …) dont le lien sera ajouté dans le devoir idoine sur Moodle et également envoyé par mail à votre tuteur.

* Le rapport final contient les mêmes chapitres que la présentation ainsi qu'un glossaire et une bibliographie. Le rapport ne doit pas dépasser 15 pages (schémas et figures compris). Vous pourrez référencer les autres documents que vous avez produits au cours du projet (spécifications détaillées, algorithmes, conception d'écrans ...).

* Le rapport final est au format Markdown et doit être placé dans un des dépôts Git de votre groupe/organisation.

* NB: le rapport technique listé dans la colonne Documents contient tout ce qui ne tient pas dans les 15 pages du rapport final : cahier des charges, diagrammes UML, enquêtes utilisateurs design UI, API, technologies employées (détail), plan de tests, term of services, conformance RPGD, audits/diagnostiques sécurité, MTBR, rapport de vulnérabilité, plan de charge, rapports de charge, manuel d'installation … : ça dépend un peu de la nature de votre projet.

* '''TOUT Le matériel emprunté au fablab devra être rapporté et restitué au fablab dans un sac cabas une fois l'épisode Covid-19 passé.'''

* '''Les documents demandés doivent être disponibles le Vendredi 27 Mars 2020 (fin d'après midi).'''

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-01-28T14:22:38Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[TODO]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[TODO]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[TODO]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau ??? avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 3
| [[Projet Sauvetage en montagne]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 4
| [[Projet EDCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 5
| [[Contributions open source au projet SmartRecruiting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 6
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain TORU
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 7
| [[Blockchain (Cairn - IOT)]]
| REYGROBELLET Lucas, BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 8
| [[Contribution Jhipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 9
| [[Contribution ChirpStack]]
| RAKOTOARIMALALA Mandresy
| Didier DONSEZ
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 10
| [[Projet Ecrire en geste]]
| ALACALI Kadir Uraz
| Olivier RICHARD
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]

|}

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

Projets 2019-2020

2020-01-28T14:21:19Z

Remi.varenne: /* Affectations S10 */

<<[[Projets 2018-2019]] | [[Projets]] | [[Projets 2020-2021]]>>
=INFO=
==INFO3==

==INFO4==
===Projet Semestre S8===

Enseignants responsables : Olivier Richard, Didier Donsez

* Dates : Lundi après-midi, Mardi après-midi
* Lancement: 20 Janvier 2020 après midi
* Soutenance à mi-parcours: A définir
* Soutenance: A définir

* '''Evaluation à mi-parcours le lundi/mardi ???''': Format: 10min (5min de présentation 3 slides au plus, 5min de discussion). Cette évaluation sera prise en compte dans la note finale.

'''Consignes générales:'''

* '''Vous devez être pro-actifs !!!''': Si des points sont pas ou mals spécifiés, vous le faîtes et vous justifiez vos choix. Pour les problèmes techniques éventuels vous pouvez: creuser la question, contacter l'auteur du code si il y a lieu, écrire un rapport de bug ('''Attention:''' ca se prépare !), soumettre un patch/pull request, contacter l'enseignant ou la personne référente du projet.

* '''Vous devez maintenir une fiche de suivi de projet''': elle doit être mise à jour chaque semaine, elle rassemble les élements essentiels du projet, elle indique les évolutions du projet et présente sa feuille de route. '''Note:''' le nom de la fiche doit être composé du nom du projet et suffixé par info4_2019_2020. '''Cette fiche compte pour la note finale'''

* '''Votre code''' pour doit être hébergé sur le gitlab et à l'URL suivante https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20 , vous utiliserez votre compte UGA.

* Chaque projet doit avoir '''aux moins 2 dépôts git''':
** '''Un pour les documents''' demandés rapport, présentation de pré-soutenante, de soutenance, flyer. '''Il sera appelé documents.'''
** Un ou plusieurs pour le code, les tests, les évaluations, les preuves de concept, la ou les documentations afférentes.

* Les documents public doivent être rédigés en anglais (README, documentation, commentaires de code, nom de variables et de fonctions). Une bonnification sera accordée si le rapport et les transparents sont en anglais (la soutenance sera en francais).

* '''La note obtenue''' tiendra compte du '''nombre et de la qualité des commits''' observé dans '''vos dépots git et la branche master''' (or depot documents). La qualité comprend l'intitulé du commit et son contenu. Les notes pourront être différentiées dans un groupe, il n'est pas acceptable de pas avoir de commit dans le(s) dépôt(s) du projet (or dépôt documents).

* Il est fortement conseillé de suivre un '''développement incrémental''' qui permette d'avoir à tout moment un démonstrateur à présenter, un projet peut être constituer d'une succession de '''démonstrateurs présentables séparément'''.

* Vous devez faire aussi des '''schémas d'architectures générales et/ou spéficiques, des diagrammes de séquence''', et autre documents de spécification si nécessaire. Ces documents vous serviront de base de discussion/brainstorming interne ainsi que dans vos différents documents (rapport, présentations, documentation). Ces schémas sont avant tout conceptuels et techniques.

===Propositions de projets===
* 1. [[ThingSat]] : LoRa in the Space, Didier Donsez avec le [https://www.csug.fr/ CSUG] (S)
* 2. [[LoRaRescueBalloon]], Didier Donsez avec le [https://www.csug.fr/ CSUG] et l'[[Institut polaire Paul Emile Victor]]
* Agriculture connectée en partenariat avec les projets collectifs IESE/MAT
** 3. à [[ASAC/AP|Polytech]] : Nicolas Palix
** 4. à [[ASAC/SJC|St Cassien]] : Nicolas Palix
* 5. [[Dataviz de la qualité de l'air et de la pollution sonore]], Didier Donsez, avec Atmo AURA et [https://github.com/CampusIoT/campusiot.github.io CampusIoT] (M)
* 6. [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]], Didier Donsez (S&M) (Tech Ionic à confirmer)
* 7. Intégration d'Intel [[Movidius]] ou [[MAix BiT]] à [[RobAIR]], Olivier Richard
* 8. [[Application mobile de secours du PGHM]] : Didier Donsez, Olivier Fabre (PGHM)
* 9. [[Application mobile pour la capture de marmottes]] : Didier Donsez, Franck Delbard
* 10. [[Supports pédagogiques open-source pour l'initiation à l’Internet des Objets pour l’enseignement de SNT (Sciences Numériques et Technologie) au lycée]] : Olivier Richard et Didier Donsez
* 11. [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]] : Didier DONSEZ, Franck ROUDET (Orange Labs Meylan)
* DatViz pour l'IoT
** 12. [[Amélioration de greffons Grafana]] : Didier Donsez
** 13. [[Tableau de bord et kit de mesure du confort dans les bâtiments de l'UGA]] : Didier Donsez, Fabien Hornebeck (DG DAPAL), Laurence Deligny (DG DAPAL)
** 14. [[Tableau de bord des capteurs LoRaWAN de la Ville de La Mure]] : Didier Donsez, Virginie Gondrand (Ville de La Mure)
** 15. [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]] : Didier Donsez, Jean-François Knoepfli (MoonshotLab), Joris Brémond (MoonshotLab)
* 16. [[Contributions open source au projet EdCampus]] : Didier Donsez, Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* 17. [[VisuGPX : Application mobile pour ski rando]], Didier Donsez, Ye.Ti (M)
* 18. [[Projet d'Auscultation Partagée]] avec IESE4 et TIS5, Olivier Richard, Didier Donsez, Julie Fontecave-Jallon
* 19. [[FPGA et Deep Learnning]] : Olivier Richard
* 20. [[Source Héritage et NIX]] : Olivier Richard
* 21. [[Proxy Cache HTTPS]] : Olivier Richard
* 22. [[Reverse Proxy pour gestionnaire de taches]] : Olivier Richard
* 23. [[Portail pour gestionnaire de taches]] : Olivier Richard
* 24. [[Paquets NIX pour Polytech]] : Olivier Richard
Non prioritaire
* [[Application mobile de calcul de son empreinte carbone]] : Didier Donsez, Anne Delaballe (Disrupt Campus), XX (Café Collapse)
* [[Serious game multi-joueurs pour tables tactiles en réseau]] : Anne-Laure Finkel, Tim Lepage, Didier Donsez. (S&M)
* [[Benchmark de MCU pour l'IoT]] : Didier Donsez
* [[Connecteur InfluxDB pour Cube.js]] : Didier Donsez
* [[SimCity]] avec [[ThreeJS]]
* [[WhereIsMyCar]] : application mobile pour se souvenir de l'endroit où sa voiture est garée. : Didier Donsez
* [[CannonBall de voitures autonomes 2018]]
* [[Covoiturage Solidaire]], Didier Donsez
* [[Intégration d'OpenAM à la génération de JHipster]] : Didier Donsez
* [[Comptage anonymisé de personnes]] : Didier Donsez et Franck Delbart
* Carte de service étudiant avec [[Eclipse Keyple]] : Didier Donsez
* [[Tableau de bord et kit de mesure du confort dans les bâtiments du CROUS]] : Didier Donsez (SOUS RESERVE)

==== Affectation ====
{|class="wikitable alternance"
|+ Affectation des projets INFO4 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-
!scope="row"| 3
| [[ASAC/AP|Agriculture connectée Polytech]]
| VERNET MAXIME, SAJIDE IDRISS
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/3/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 4
| [[ASAC/ACJC|Agriculture connectée St Cassien]]
| LABBE NICOLAS,RUZAFA REMY
| PALIX Nicolas
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/4/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 6
| [[Testeur radio LoRaWAN en Ionic pour la plateforme CampusIoT]]
| CROCIATI MORGAN,GRAUGNARD TOM
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/6/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 7
| [[Intégration d'Intel Movidius ou MAix BiT à RobAIR]]
| PALOMO REMY, BOLEAT BAPTISTE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/7/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 8
| [[Application mobile de secours du PGHM]]
| CHATON ALEXANDRA,FRION THOMAS
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/8/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 9
| [[ Application mobile pour la capture de marmottes ]]
| EL JRAIDI RIM, NELSON WILLIAM
| Didier DONSEZ, Franck DELBARD
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/9/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 10
| [[TODO]]
| CHAIX MANON,NGUENA ZEMAO GLORIA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/10/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 11
| [[Géolocalisation indoor avec Bluetooth 5.1 Bluetooth Direction Finding: Angle of Arrival (AoA) and Angle of Departure (AoD)]]
| ARTAUD Adrien,FOUGERE SEBASTIAN
| Didier DONSEZ, Franck ROUDET
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/11/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 12
| [[Amélioration de greffons Grafana]]
| MURPHY MICA,VELUT CLAIRE
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/12/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 13
| [[TODO]]
| HO NHAT QUANG,MANISSADJIAN GABRIEL
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/13/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 14
| [[TODO]]
| BILOUNGA-BI-NDONG ALECK,LOMBARD MYRIAM
| Didier DONSEZ
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/14/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 15
| [[Tableau de bord et kit de mesure du confort dans le bâtiment Moonshot Lab]]
| GUIVARCH ALAN, PAREILLEUX KILLIAN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/15/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 16
| [[Contribution au logiciel EDCampus]]
| BEAUGRAND ELISA,DE GAUDENZI LOUIS
| Didier Donsez, Anthony Geourjon
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/16/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 17
| [[VisuGPX : Application mobile pour ski rando]]
| ZERAMDINI OTBA, EL MUFTI ALI, DELBOS ROBIN
| Didier Donsez
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/17/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 19
| [[FPGA et Deep Learnning]]
| COURTHIAL SAMUEL, LUIS FILIPE VELASCO DA SILVA
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/19/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 20
| [[Source Héritage et NIX]]
| PASDELOUP ROMAIN,SALMON ALEXANDRE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/20/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 21
| [[Proxy Cache HTTPS]]
| AUDIN RAPHAEL,RIVAL GAETAN
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/21/docs/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 22
| [[Reverse Proxy pour gestionnaire de taches]]
| GUYOT SACHA,EL AJI HOUDA,ASSI DIMA
| TODO
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/22/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
!scope="row"| 23
| [[Portail_pour_gestionnaire_de_taches|Portail pour gestionnaire de tâches]]
| ROLLIN ALEXIS,SAGET ANTOINE
| Olivier Richard
| [https://gricad-gitlab.univ-grenoble-alpes.fr/Projets-INFO4/19-20/23/docs/blob/master/README.md Fiche]
| [[Media:xxx.pdf|Rapport final]] - [[Media:xxx.pdf|Presentation finale FR]] - [[Media:xxx.pdf|Final Presentation EN]] - [[Media:xxx.pdf|Flyer]] - [[Media:xxx.pdf|Presentation de mi-parcours]]
|-
|}

==INFO5==
===Projet IoT S9===
Enseignants responsables : Bernard Tourancheau

Calendrier: ??? Septembre à ??? Décembre 2019.

===Projet Semestre S10===

Enseignants responsables : [[user:Donsez | Didier Donsez]]

Calendrier: 28/01 (13H30) à Fin Mars 2020.

Séances de Management de projets innovants: 29/01, 06/02, 13/02, 17/02, 18/03.

Réunion de présentation : 28/01 (13H30) . Faire couler le café.

Démarrage : 28/01 (13H30) . Faire couler le café.

Soutenance à mi-parcours : Début Mars, 9H00-11H30 (15 minutes par équipe).

Soutenance (puis Pot de la fin) : A définir : Semaine 16-20 Mars (probablement Jeudi ou Vendredi).

14/02: [https://wiki.eclipse.org/Eclipse_IoT_Day_Grenoble_2020 Eclipse IoT Day Grenoble]

====Propositions de projets S10====
* [[Contributions à Software Heritage]] : : Didier Donsez, Roberto Di Cosmo
* [[Contribution au projet open-souce ChirpStack]] (aka LoRaServer) : Didier Donsez
* [[Contributions open-source au projet JHipster]] : Didier Donsez
* [[Ecrire en gestes]] : Olivier Richard
* [[Kine 2.0]] (suite de [[Rééducation Kiné connecté]] 2019): Sylvain Toru
* [[Contributions open source au projet EdCampus]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Contributions open source au projet SmartRecruiting]] : Gérard Pollier (Disrupt Campus), Anthony Geourjon (Disrupt Campus)
* [[Secours Montagne avec LoRa]] : Bernard Tourancheau ??? avec le PGHM Isère
* [[Monnaies locales et blockchains]] avec Hyperledger, Didier Donsez, XXX (Cairn Grenoble). A CONFIRMER.
* [[IoTChain]] : Didier Donsez
* [[Projet STAPS]] : Didier Donsez

Reporté
* [[Analyse du pédalage cycliste sur home trainer via vidéo]] (Anthony Geourjon) en relation avec STAPS et TIS
* Projet IA/Edge: Databox : Olivier Richard

==== Affectations S10====
{|class="wikitable alternance"
|+ Affectation des projets INFO5 2019-2020
|-
|
!scope="col"| Sujet
!scope="col"| Etudiants
!scope="col"| Enseignant(s)
!scope="col"| Fiche de suivi
!scope="col"| Documents
|-

!scope="row"| 1
| [[Projet STAPS]]
| ANCRENAZ Ariane, SAUTON Tanguy, SIBUE Quentin, VINCENT Mathieu (CP)
| Didier Donsez
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 2
| [[Contributions à Software Heritage]]
| Nathan Dalaine, Joachim Fontfreyde (CP), Léni Gauffier, Yann Gautier
| Didier Donsez, Roberto Di Cosmo
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 3
| [[Projet Sauvetage en montagne]]
| WYKLAND Damien(SM), BADAT Leya, CUAU Victor, MASSON Jeremy, ZARCOS Paul
| Bernard Tourancheau
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 4
| [[Projet EDCampus]]
| RIVOIRE Antoine, VINCENT Maxence, BONASPETTI Giulia, DECAMPS Marceau
| Anthony GEOURJON - Gérard POLLIER
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 5
| [[Projet SmartRecruting]]
| LANDI Estelle, REYMOND Estelle, Schanen Loic, VARENNE Rémi
| Anthony GEOURJON - Gérard POLLIER
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 6
| [[Projet Kine 2.0]]
| BARDOU Eva, DEVOS Xavier, HOUBRON Adrian, JAN Léo, PELISSON Antoine
| Sylvain Toru
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 7
| [[Blockchain (Cairn - IOT)]]
| REYGROBELLET Lucas, BRES Maxence, BETEND Baptiste, DUMENIL Antoine
| 💪🏼💣 Didier DONSEZ 🔥❤️
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 8
| [[Contribution Jhipster]]
| SALA Ergi, ARNOUX Thibaut, SOLVERY Tom, LORDEY Maxime, CHASSEGUET Corentin, LATTARD Alexis(CP)
| Didier DONSEZ
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 9
| [[Contribution ChirpStack]]
| RAKOTOARIMALALA Mandresy
| Didier DONSEZ
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]
|-
!scope="row"| 10
| [[Projet Ecrire en geste]]
| ALACALI Kadir Uraz
| Olivier Richard
| [https://gitlab.com/TODO/docs/suivi.md Fiche de suivi]
| [https://gitlab.com/TODO/docs/rapport.md Rapport final] - [https://gitlab.com/TODO/docs/rapport-technique.md Rapport technique] - [https://gitlab.com/TODO/presentation/intermediaire.md Présentation intermédiaire] - [https://gitlab.com/TODO/presentation/finale.md Présentation Finale] - [https://gitlab.com/TODO GitLab]

|}

= Projets collectifs MAT/IESE =

== Années 3 et 4 ==

=[[Projets M2PGI Services Machine-to-Machine et Internet-of-Things]]=
==[[PM2M/2019/TP|PM2M]]==

VT2019

2020-01-06T14:54:59Z

Remi.varenne: /* Séance 6 : 6/1/2020 */

[[VT2018|<< Etudes 2018]] [[VT|Sommaire]] [[VT2020|Etudes 2020 >>]]

=Veille Technologique et Stratégique=
* Enseignants: [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]
* UE/Module: EAM (HPRJ9R6B) et EAR (HPRJ9R4B) en 1FO5

L'objectif de cette UE est de réaliser un travail de synthèse et d’évaluation sur une technologie / spécification / tendance

Dans votre futur vie d'ingénieur, vous aurez à d'une part, vous former par vous-même sur une technologie émergente et d'autre part à réaliser une veille technologique (et stratégique) par rapport à votre entreprise et projet.
Il s'agira de réaliser
* le positionnement par rapport au marché
* d'être critique

Votre synthèse fait l'objet d'une présentation orale convaincante devant un auditoire (dans le futur, vos collègues, vos chefs ou vos clients) avec des transparents et un discours répété.
Pour finir de convaincre (Saint Thomas), vous ferez la présentation d'une démonstration.

Votre présentation sera noté et commenté par tous vos camarades via un sondage (téléphone mobile). Leurs notes et leurs commentaires seront notés en fonction de leur exactitude de jugement.

Remarque: Le [https://fr.wikipedia.org/wiki/Plagiat plagiat] est incompatible avec l'éthique de l'ingénieur. Le directeur d'école peut demander à votre traduction devant la commission disciplinaire de l'université. La sanction peut aller jusqu’à une interdiction d'inscription dans les établissements de l'enseignement supérieur français pendant plusieurs années : Le jeu, en vaut-il la chandelle ?

La présentation peut être réalisée avec [[reveal.js]] ou avec [[remarkjs]]

[[File:presentation-VT-RICM5-1516.pdf|transparents d'introduction à l'UE]]

=Planning=

== Séance 1 : 18/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* Présentation
* Choix des sujets

== Séance 2 : 25/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]]

* 15h45 -> 16h15: Selenium - Automatisation de WebApps, BADAT, CUAU, [[Media:Selenium_VT2019.pdf|Slides]], [[Selenium|Fiche de synthèse]], [[VT2019 Selenium Demo|Démonstration]]
* 16h15 -> 16h45: Performance Monitoring, WYKLAND, [[Media:Perf monitoring.pdf|Slides]], [[VT2019_Performance_Monitoring|Fiche de synthèse]], [[VT2019_Demonstration_Grafana|Démonstration]]
* 16h45 -> 17h15: Iota, BETEND, JAN, [[Media:IOTA.pptx | slides]], [[VT_IOTA| synthese]], [https://docs.iota.org/docs/iota-js/0.1/workshop/overview Démonstration ]

== Séance 3 : 2/12 ==
Enseignants : [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Rasa, chatbot] [BRES] [REYGROBELLET] [[Media:Rasa_VT2019.pdf|Slides]], [[VT2019_Rasa|Fiche de synthèse]], [[VT2019_Rasa_Demo|Démonstration]]
* 16h15 -> 16h45: [Photogrammétrie] [BONASPETTI] [DECAMPS] [[Media:Photogrammétrie.pdf|Slides]], [[VT2019_Photogrammetrie|Fiche de synthèse]], [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]
* 16h45 -> 17h15: [Kafka streams] [SALA] [SOLVERY] [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Slides.pdf|Slides]], [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Synthese.pdf|Fiche de synthèse]]

== Séance 4 : 9/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [ARCore, ARKit] [CHABRE] [COSCIA] [ [[Media:ARCore_ARKit_VT2019.pdf|Slides]] ] [ [[VT2019_ARCore_ARKit|Fiche de synthèse]] ] [ [https://github.com/cgathergood/Your-First-AR-App-with-Sceneform Démonstration] ]
* 16h15 -> 16h45: [MPI] [DE ARAUJO] [DENIS] [ [[Media:soutenanceVTMPI.pdf|Slides]] ] [ [[VT2019_MPI|synthese]] ] [ [https://github.com/Saxito/VT_MPI Démonstration] ]
* 16h45 -> 17h15: [MapReduce, Hadoop] [RAKOTOARIMALALA] [ZHENG] [[https://docs.google.com/presentation/d/1rnQAACXoWcCMSLj3QQBssma6tFt3ETM0PnCwJqstqIE/edit?usp=sharing Slides]] [ [[VT2019_Hadoop_MapReduce|Fiche de Synthèse]] ] [ [[Demonstration]] ]

* 17h15 -> 17h45: [Microclimate, Codewind] [PELISSON] [SCHANEN] [ [[Media:Slides_microclimate.pdf|Slides]] ] [ [[VT2019_Microclimate_Codewind|Fiche de synthèse]] ] [ [[VT2019_Microclimate_Codewind_Demo|Démonstration]] ]

== Séance 5 : 16/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Snapcraft] [ARNOUX] [LORDEY] [[https://docs.google.com/presentation/d/1amWfeLfa1RnjSUjmZlSfZyGVKMSo_hQJIgYT_raYUV0/edit?usp=sharing Slides]] [[Snapcraft|Synthese]] [[https://github.com/gocarlos/python-ubuntu-snap-app-example Démonstration]]
* 16h15 -> 16h45: [Brain Computer Interfaces] [ALACALI] [IHEB][ [[Media:BCI.pdf | slides]] ] [ [[Media:FS.pdf | synthése]] ]
* 16h45 -> 17h15: [Huginn] [BARDOU] [DEVOS] [ [[Media:INFO5-VT-Huggin.pdf|Slides]] ] [ [[VT2019_Huginn|Fiche de synthèse]] ] [ [https://github.com/EvaBardou/huginn Démonstration] ]
* 17h15 -> 17h45: [ Architecture Serverless] [RIVOIRE] [TRESTOUR] [[https://docs.google.com/presentation/d/1b5ybq4nWCuTUY5hYFyzwPlo-uc16GlqD1PmSrAWmKY0/edit?usp=sharing Slides]] [ [[Serverless_Architectures|Fiche de synthèse]] ] [ [[Demonstration_Architecture_Serverless_AWS|Démonstration AWS]] ]

== Séance 6 : 6/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Low-Power Global Area Networks] [MASSON] [ZARCOS] [[https://docs.google.com/presentation/d/1RCnOYTkVYbAE3lOCa_rQoSXLuoNKS566BvGWEK9RKqM/edit?usp=sharing Slides]] [https://air.imag.fr/index.php/VT2019_LPGAN [Fiche de synthèse]] [[https://youtu.be/1M8DQCZ7F2c?t=46 Démonstration]]
* 16h15 -> 16h45: [Elixir et Phoenix] [SOUCHON] [VANDAL] [ [[Media:slides-phoenix.pdf | Slides]] ] [ [[Synthèse]] ] [ [[Démonstration]] ]
* 16h45 -> 17h15: Neural Processing Unit - VARENNE [[Media:Slides_NPU.pdf|Slides]] [[synthese]] [https://www.youtube.com/watch?v=iCvgdNPr_7g Démonstration]
* 17h15 -> 17h45: [Peloton, a unified resource scheduler] [FONTFREYDE] [GAUTIER-PIGNONBLANC] [[https://docs.google.com/presentation/d/1EKS_tB-W6cG0BkH8B5MziOm7aYpyAXSc4JeHltrkNDY/edit?usp=sharing slides]] [synthese]

== Séance 7 : 13/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Apollo 2.0] [THOMAS] [VINCENT] [slides] [synthese]
* 16h15 -> 16h45: [Apache MXNet] [DALAINE] [GAUFFIER] [slides] [synthese]

=Sujets=
# [[IoT Dataflow Mashup]] (démo avec [[Eclipse Kura Wires]])
# [[MapReduce et Hadoop]]
# [[Reconstruction 3D par Photogrammétrie]]
# [[ ARCore (Google) et ARKit (Apple) ]]
# [[JSONnet]]
# [[Géo-réplication]] : Démo avec [[Apache Kafka MirrorMaker]]
# [[Pulsar]]
# [[Elixir]] et [[Phoenix]] Web framework
# [[Wookey project]] (Demo on a STM32F407 Discovery board)
# [[RSocket]]
# [[Nacos]] : open source project by Alibaba for service discovery and service configuration.
# [[NEMU]] : open source hypervisor specifically built and designed to run modern cloud workloads on modern 64-bit Intel and ARM CPUs.
# [[Architecture Serverless]] : démonstration avec le projet https://github.com/serverless/serverless sur votre compte Azure de votre compte GitHub Student Pack
# [[Fission]] : open-source serverless function framework for [[Kubernetes]] with a focus on developer productivity and high performance.
# [[Peloton]], a unified resource scheduler
# [[Microclimate]]
# [[AdTech]]
# [[Nearby communications]] (démonstration de [https://ionicframework.com/docs/native/google-nearby/ Nearby Messages API de Google avec Ionic])
# [[Conflict-free replicated data type]] (CRDT)
# [[Spinnaker]]

# [[gVisor]]: a new kind of sandbox that helps provide secure isolation for containers

# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]

# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]

# [[ESB]] : démonstration de [[Mule ESB]]
# [[MemCached]]

# [[Low-Power Global Area Network]]s ([[Sat-IoT]])
# [[ Voice-First Development]] : Designing, Developing, and Deploying Conversational Interfaces
# [[Psychométrie]]
# [[WebAssembly]]
# [[Fast Identity Online Alliance]] (FIDO)
# [[Apache MXNet]] : Demo avec [[Intel Movidius]] ([https://github.com/tspannhw/rpi-mxnet-movidius-minifi lien])
# [[DevSecOps]]
# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]
# [[Apache Beam]]
# [[plateforme logicielle open source de conduite autonome Apollo 2.0]]
# [[Mynewt]]
# [[Flogo]] Open Source Framework for IoT Edge Apps & Integration.
# [[Neural Processing Unit]] (NPU) : Demo de la clé [[Intel Movidius]] sur un RPI
# [[Huginn]]
# [[Snapcraft]]
# [[Kafka Streams]]
# [[Moby]] : démonstration de containers avec votre projet [[ECOM-RICM|eCOM]].
# [[Hazelcast]] : Démo avec Spring Boot ([https://dzone.com/storage/assets/6459742-dzone-rc247-gettingstartedwithspringbootandmicrose.pdf lien]) dans un projet [[JHipster]]
# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# [[Fautes Byzantines]] : Démonstration de [[BFT-SMaRt]]
# Insport Video
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]
# [[Performance Monitoring]]
# [[ADEPT]] : [[Blockchain]] at Home (ABANDONNé)
# [[ESB]] : démonstration de [[Mule ESB]]
# [[Access Network Query Protocol (ANQP)]]
# [[JCache]] : démonstration avec [[Apache Ignity]]
# [[MemCached]]
# [[Apache Stratos]]
# [[gceasy]] : Universal garbage collection log Analyser
# [[Apache Solr]] : Démonstration avec [http://hortonworks.com/hadoop-tutorial/indexing-and-searching-text-within-images-with-apache-solr/ Tesseract OCR]
# [[Valgrind]]
# [[Content Delivery Network]]s : Démonstration de [[Amazon S3]], Azure, Akamaï ... sur votre projet [[ECOM-RICM|eCOM]]
# [[CMS]] : Demo avec [[Crafter CMS]]
# [[DMS]] (GED) : Demo avec la version Community Edition d'[[Alfresco]] et de son API REST avec [[Swagger]]
# [[SIG]] : Démonstration de [[QGIS]]
# [[Apache Airflow]]
# [[Cryptojacking]] : démonstration d'un navigateur exécutant [https://github.com/cazala/coin-hive CoinHive] et affichage du coup énergétique de l'opération.
# [[RIOT-OS]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte STM32 Nucleo LRWAN1).
# [[Zephyr]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte [[Intel Quark D2000]]).
# [[HTTP/3]] : quoi de neuf ? Démonstration de l'amélioration des performances.
# [[Gyro]] : domain-specific language designed to concisely describe a cloud infrastructure. Démonstration avec votre application eCOM JHipster sur Azure.
# [[selenium]] contrôle automatisé de navigateur web - CUAU BADAT
# [[Rasa]] Traitement du langage naturel, chatbot -
# [[MPI]] DENIS & DE ARAUJO
# [[Brain Computer Interfaces ]] Alacali - Mastoura
# [[Deepfake Algorithms]] et outils.

VT2019

2020-01-06T14:54:45Z

Remi.varenne: /* Séance 6 : 6/1/2020 */

[[VT2018|<< Etudes 2018]] [[VT|Sommaire]] [[VT2020|Etudes 2020 >>]]

=Veille Technologique et Stratégique=
* Enseignants: [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]
* UE/Module: EAM (HPRJ9R6B) et EAR (HPRJ9R4B) en 1FO5

L'objectif de cette UE est de réaliser un travail de synthèse et d’évaluation sur une technologie / spécification / tendance

Dans votre futur vie d'ingénieur, vous aurez à d'une part, vous former par vous-même sur une technologie émergente et d'autre part à réaliser une veille technologique (et stratégique) par rapport à votre entreprise et projet.
Il s'agira de réaliser
* le positionnement par rapport au marché
* d'être critique

Votre synthèse fait l'objet d'une présentation orale convaincante devant un auditoire (dans le futur, vos collègues, vos chefs ou vos clients) avec des transparents et un discours répété.
Pour finir de convaincre (Saint Thomas), vous ferez la présentation d'une démonstration.

Votre présentation sera noté et commenté par tous vos camarades via un sondage (téléphone mobile). Leurs notes et leurs commentaires seront notés en fonction de leur exactitude de jugement.

Remarque: Le [https://fr.wikipedia.org/wiki/Plagiat plagiat] est incompatible avec l'éthique de l'ingénieur. Le directeur d'école peut demander à votre traduction devant la commission disciplinaire de l'université. La sanction peut aller jusqu’à une interdiction d'inscription dans les établissements de l'enseignement supérieur français pendant plusieurs années : Le jeu, en vaut-il la chandelle ?

La présentation peut être réalisée avec [[reveal.js]] ou avec [[remarkjs]]

[[File:presentation-VT-RICM5-1516.pdf|transparents d'introduction à l'UE]]

=Planning=

== Séance 1 : 18/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* Présentation
* Choix des sujets

== Séance 2 : 25/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]]

* 15h45 -> 16h15: Selenium - Automatisation de WebApps, BADAT, CUAU, [[Media:Selenium_VT2019.pdf|Slides]], [[Selenium|Fiche de synthèse]], [[VT2019 Selenium Demo|Démonstration]]
* 16h15 -> 16h45: Performance Monitoring, WYKLAND, [[Media:Perf monitoring.pdf|Slides]], [[VT2019_Performance_Monitoring|Fiche de synthèse]], [[VT2019_Demonstration_Grafana|Démonstration]]
* 16h45 -> 17h15: Iota, BETEND, JAN, [[Media:IOTA.pptx | slides]], [[VT_IOTA| synthese]], [https://docs.iota.org/docs/iota-js/0.1/workshop/overview Démonstration ]

== Séance 3 : 2/12 ==
Enseignants : [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Rasa, chatbot] [BRES] [REYGROBELLET] [[Media:Rasa_VT2019.pdf|Slides]], [[VT2019_Rasa|Fiche de synthèse]], [[VT2019_Rasa_Demo|Démonstration]]
* 16h15 -> 16h45: [Photogrammétrie] [BONASPETTI] [DECAMPS] [[Media:Photogrammétrie.pdf|Slides]], [[VT2019_Photogrammetrie|Fiche de synthèse]], [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]
* 16h45 -> 17h15: [Kafka streams] [SALA] [SOLVERY] [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Slides.pdf|Slides]], [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Synthese.pdf|Fiche de synthèse]]

== Séance 4 : 9/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [ARCore, ARKit] [CHABRE] [COSCIA] [ [[Media:ARCore_ARKit_VT2019.pdf|Slides]] ] [ [[VT2019_ARCore_ARKit|Fiche de synthèse]] ] [ [https://github.com/cgathergood/Your-First-AR-App-with-Sceneform Démonstration] ]
* 16h15 -> 16h45: [MPI] [DE ARAUJO] [DENIS] [ [[Media:soutenanceVTMPI.pdf|Slides]] ] [ [[VT2019_MPI|synthese]] ] [ [https://github.com/Saxito/VT_MPI Démonstration] ]
* 16h45 -> 17h15: [MapReduce, Hadoop] [RAKOTOARIMALALA] [ZHENG] [[https://docs.google.com/presentation/d/1rnQAACXoWcCMSLj3QQBssma6tFt3ETM0PnCwJqstqIE/edit?usp=sharing Slides]] [ [[VT2019_Hadoop_MapReduce|Fiche de Synthèse]] ] [ [[Demonstration]] ]

* 17h15 -> 17h45: [Microclimate, Codewind] [PELISSON] [SCHANEN] [ [[Media:Slides_microclimate.pdf|Slides]] ] [ [[VT2019_Microclimate_Codewind|Fiche de synthèse]] ] [ [[VT2019_Microclimate_Codewind_Demo|Démonstration]] ]

== Séance 5 : 16/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Snapcraft] [ARNOUX] [LORDEY] [[https://docs.google.com/presentation/d/1amWfeLfa1RnjSUjmZlSfZyGVKMSo_hQJIgYT_raYUV0/edit?usp=sharing Slides]] [[Snapcraft|Synthese]] [[https://github.com/gocarlos/python-ubuntu-snap-app-example Démonstration]]
* 16h15 -> 16h45: [Brain Computer Interfaces] [ALACALI] [IHEB][ [[Media:BCI.pdf | slides]] ] [ [[Media:FS.pdf | synthése]] ]
* 16h45 -> 17h15: [Huginn] [BARDOU] [DEVOS] [ [[Media:INFO5-VT-Huggin.pdf|Slides]] ] [ [[VT2019_Huginn|Fiche de synthèse]] ] [ [https://github.com/EvaBardou/huginn Démonstration] ]
* 17h15 -> 17h45: [ Architecture Serverless] [RIVOIRE] [TRESTOUR] [[https://docs.google.com/presentation/d/1b5ybq4nWCuTUY5hYFyzwPlo-uc16GlqD1PmSrAWmKY0/edit?usp=sharing Slides]] [ [[Serverless_Architectures|Fiche de synthèse]] ] [ [[Demonstration_Architecture_Serverless_AWS|Démonstration AWS]] ]

== Séance 6 : 6/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Low-Power Global Area Networks] [MASSON] [ZARCOS] [[https://docs.google.com/presentation/d/1RCnOYTkVYbAE3lOCa_rQoSXLuoNKS566BvGWEK9RKqM/edit?usp=sharing Slides]] [https://air.imag.fr/index.php/VT2019_LPGAN [Fiche de synthèse]] [[https://youtu.be/1M8DQCZ7F2c?t=46 Démonstration]]
* 16h15 -> 16h45: [Elixir et Phoenix] [SOUCHON] [VANDAL] [ [[Media:slides-phoenix.pdf | Slides]] ] [ [[Synthèse]] ] [ [[Démonstration]] ]
* 16h45 -> 17h15: Neural Processing Unit - VARENNE [[Media:Slides_NPU.pdf|Slides]] [[synthese]] [[https://www.youtube.com/watch?v=iCvgdNPr_7g Démonstration]
* 17h15 -> 17h45: [Peloton, a unified resource scheduler] [FONTFREYDE] [GAUTIER-PIGNONBLANC] [[https://docs.google.com/presentation/d/1EKS_tB-W6cG0BkH8B5MziOm7aYpyAXSc4JeHltrkNDY/edit?usp=sharing slides]] [synthese]

== Séance 7 : 13/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Apollo 2.0] [THOMAS] [VINCENT] [slides] [synthese]
* 16h15 -> 16h45: [Apache MXNet] [DALAINE] [GAUFFIER] [slides] [synthese]

=Sujets=
# [[IoT Dataflow Mashup]] (démo avec [[Eclipse Kura Wires]])
# [[MapReduce et Hadoop]]
# [[Reconstruction 3D par Photogrammétrie]]
# [[ ARCore (Google) et ARKit (Apple) ]]
# [[JSONnet]]
# [[Géo-réplication]] : Démo avec [[Apache Kafka MirrorMaker]]
# [[Pulsar]]
# [[Elixir]] et [[Phoenix]] Web framework
# [[Wookey project]] (Demo on a STM32F407 Discovery board)
# [[RSocket]]
# [[Nacos]] : open source project by Alibaba for service discovery and service configuration.
# [[NEMU]] : open source hypervisor specifically built and designed to run modern cloud workloads on modern 64-bit Intel and ARM CPUs.
# [[Architecture Serverless]] : démonstration avec le projet https://github.com/serverless/serverless sur votre compte Azure de votre compte GitHub Student Pack
# [[Fission]] : open-source serverless function framework for [[Kubernetes]] with a focus on developer productivity and high performance.
# [[Peloton]], a unified resource scheduler
# [[Microclimate]]
# [[AdTech]]
# [[Nearby communications]] (démonstration de [https://ionicframework.com/docs/native/google-nearby/ Nearby Messages API de Google avec Ionic])
# [[Conflict-free replicated data type]] (CRDT)
# [[Spinnaker]]

# [[gVisor]]: a new kind of sandbox that helps provide secure isolation for containers

# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]

# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]

# [[ESB]] : démonstration de [[Mule ESB]]
# [[MemCached]]

# [[Low-Power Global Area Network]]s ([[Sat-IoT]])
# [[ Voice-First Development]] : Designing, Developing, and Deploying Conversational Interfaces
# [[Psychométrie]]
# [[WebAssembly]]
# [[Fast Identity Online Alliance]] (FIDO)
# [[Apache MXNet]] : Demo avec [[Intel Movidius]] ([https://github.com/tspannhw/rpi-mxnet-movidius-minifi lien])
# [[DevSecOps]]
# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]
# [[Apache Beam]]
# [[plateforme logicielle open source de conduite autonome Apollo 2.0]]
# [[Mynewt]]
# [[Flogo]] Open Source Framework for IoT Edge Apps & Integration.
# [[Neural Processing Unit]] (NPU) : Demo de la clé [[Intel Movidius]] sur un RPI
# [[Huginn]]
# [[Snapcraft]]
# [[Kafka Streams]]
# [[Moby]] : démonstration de containers avec votre projet [[ECOM-RICM|eCOM]].
# [[Hazelcast]] : Démo avec Spring Boot ([https://dzone.com/storage/assets/6459742-dzone-rc247-gettingstartedwithspringbootandmicrose.pdf lien]) dans un projet [[JHipster]]
# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# [[Fautes Byzantines]] : Démonstration de [[BFT-SMaRt]]
# Insport Video
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]
# [[Performance Monitoring]]
# [[ADEPT]] : [[Blockchain]] at Home (ABANDONNé)
# [[ESB]] : démonstration de [[Mule ESB]]
# [[Access Network Query Protocol (ANQP)]]
# [[JCache]] : démonstration avec [[Apache Ignity]]
# [[MemCached]]
# [[Apache Stratos]]
# [[gceasy]] : Universal garbage collection log Analyser
# [[Apache Solr]] : Démonstration avec [http://hortonworks.com/hadoop-tutorial/indexing-and-searching-text-within-images-with-apache-solr/ Tesseract OCR]
# [[Valgrind]]
# [[Content Delivery Network]]s : Démonstration de [[Amazon S3]], Azure, Akamaï ... sur votre projet [[ECOM-RICM|eCOM]]
# [[CMS]] : Demo avec [[Crafter CMS]]
# [[DMS]] (GED) : Demo avec la version Community Edition d'[[Alfresco]] et de son API REST avec [[Swagger]]
# [[SIG]] : Démonstration de [[QGIS]]
# [[Apache Airflow]]
# [[Cryptojacking]] : démonstration d'un navigateur exécutant [https://github.com/cazala/coin-hive CoinHive] et affichage du coup énergétique de l'opération.
# [[RIOT-OS]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte STM32 Nucleo LRWAN1).
# [[Zephyr]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte [[Intel Quark D2000]]).
# [[HTTP/3]] : quoi de neuf ? Démonstration de l'amélioration des performances.
# [[Gyro]] : domain-specific language designed to concisely describe a cloud infrastructure. Démonstration avec votre application eCOM JHipster sur Azure.
# [[selenium]] contrôle automatisé de navigateur web - CUAU BADAT
# [[Rasa]] Traitement du langage naturel, chatbot -
# [[MPI]] DENIS & DE ARAUJO
# [[Brain Computer Interfaces ]] Alacali - Mastoura
# [[Deepfake Algorithms]] et outils.

File:Slides NPU.pdf

2020-01-06T14:49:03Z

Remi.varenne: Remi.varenne uploaded a new version of File:Slides NPU.pdf

File:Slides NPU.pdf

2020-01-06T14:48:18Z

Remi.varenne:

VT2019

2020-01-06T14:47:34Z

Remi.varenne: /* Séance 6 : 6/1/2020 */

[[VT2018|<< Etudes 2018]] [[VT|Sommaire]] [[VT2020|Etudes 2020 >>]]

=Veille Technologique et Stratégique=
* Enseignants: [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]
* UE/Module: EAM (HPRJ9R6B) et EAR (HPRJ9R4B) en 1FO5

L'objectif de cette UE est de réaliser un travail de synthèse et d’évaluation sur une technologie / spécification / tendance

Dans votre futur vie d'ingénieur, vous aurez à d'une part, vous former par vous-même sur une technologie émergente et d'autre part à réaliser une veille technologique (et stratégique) par rapport à votre entreprise et projet.
Il s'agira de réaliser
* le positionnement par rapport au marché
* d'être critique

Votre synthèse fait l'objet d'une présentation orale convaincante devant un auditoire (dans le futur, vos collègues, vos chefs ou vos clients) avec des transparents et un discours répété.
Pour finir de convaincre (Saint Thomas), vous ferez la présentation d'une démonstration.

Votre présentation sera noté et commenté par tous vos camarades via un sondage (téléphone mobile). Leurs notes et leurs commentaires seront notés en fonction de leur exactitude de jugement.

Remarque: Le [https://fr.wikipedia.org/wiki/Plagiat plagiat] est incompatible avec l'éthique de l'ingénieur. Le directeur d'école peut demander à votre traduction devant la commission disciplinaire de l'université. La sanction peut aller jusqu’à une interdiction d'inscription dans les établissements de l'enseignement supérieur français pendant plusieurs années : Le jeu, en vaut-il la chandelle ?

La présentation peut être réalisée avec [[reveal.js]] ou avec [[remarkjs]]

[[File:presentation-VT-RICM5-1516.pdf|transparents d'introduction à l'UE]]

=Planning=

== Séance 1 : 18/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* Présentation
* Choix des sujets

== Séance 2 : 25/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]]

* 15h45 -> 16h15: Selenium - Automatisation de WebApps, BADAT, CUAU, [[Media:Selenium_VT2019.pdf|Slides]], [[Selenium|Fiche de synthèse]], [[VT2019 Selenium Demo|Démonstration]]
* 16h15 -> 16h45: Performance Monitoring, WYKLAND, [[Media:Perf monitoring.pdf|Slides]], [[VT2019_Performance_Monitoring|Fiche de synthèse]], [[VT2019_Demonstration_Grafana|Démonstration]]
* 16h45 -> 17h15: Iota, BETEND, JAN, [[Media:IOTA.pptx | slides]], [[VT_IOTA| synthese]], [https://docs.iota.org/docs/iota-js/0.1/workshop/overview Démonstration ]

== Séance 3 : 2/12 ==
Enseignants : [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Rasa, chatbot] [BRES] [REYGROBELLET] [[Media:Rasa_VT2019.pdf|Slides]], [[VT2019_Rasa|Fiche de synthèse]], [[VT2019_Rasa_Demo|Démonstration]]
* 16h15 -> 16h45: [Photogrammétrie] [BONASPETTI] [DECAMPS] [[Media:Photogrammétrie.pdf|Slides]], [[VT2019_Photogrammetrie|Fiche de synthèse]], [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]
* 16h45 -> 17h15: [Kafka streams] [SALA] [SOLVERY] [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Slides.pdf|Slides]], [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Synthese.pdf|Fiche de synthèse]]

== Séance 4 : 9/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [ARCore, ARKit] [CHABRE] [COSCIA] [ [[Media:ARCore_ARKit_VT2019.pdf|Slides]] ] [ [[VT2019_ARCore_ARKit|Fiche de synthèse]] ] [ [https://github.com/cgathergood/Your-First-AR-App-with-Sceneform Démonstration] ]
* 16h15 -> 16h45: [MPI] [DE ARAUJO] [DENIS] [ [[Media:soutenanceVTMPI.pdf|Slides]] ] [ [[VT2019_MPI|synthese]] ] [ [https://github.com/Saxito/VT_MPI Démonstration] ]
* 16h45 -> 17h15: [MapReduce, Hadoop] [RAKOTOARIMALALA] [ZHENG] [[https://docs.google.com/presentation/d/1rnQAACXoWcCMSLj3QQBssma6tFt3ETM0PnCwJqstqIE/edit?usp=sharing Slides]] [ [[VT2019_Hadoop_MapReduce|Fiche de Synthèse]] ] [ [[Demonstration]] ]

* 17h15 -> 17h45: [Microclimate, Codewind] [PELISSON] [SCHANEN] [ [[Media:Slides_microclimate.pdf|Slides]] ] [ [[VT2019_Microclimate_Codewind|Fiche de synthèse]] ] [ [[VT2019_Microclimate_Codewind_Demo|Démonstration]] ]

== Séance 5 : 16/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Snapcraft] [ARNOUX] [LORDEY] [[https://docs.google.com/presentation/d/1amWfeLfa1RnjSUjmZlSfZyGVKMSo_hQJIgYT_raYUV0/edit?usp=sharing Slides]] [[Snapcraft|Synthese]] [[https://github.com/gocarlos/python-ubuntu-snap-app-example Démonstration]]
* 16h15 -> 16h45: [Brain Computer Interfaces] [ALACALI] [IHEB][ [[Media:BCI.pdf | slides]] ] [ [[Media:FS.pdf | synthése]] ]
* 16h45 -> 17h15: [Huginn] [BARDOU] [DEVOS] [ [[Media:INFO5-VT-Huggin.pdf|Slides]] ] [ [[VT2019_Huginn|Fiche de synthèse]] ] [ [https://github.com/EvaBardou/huginn Démonstration] ]
* 17h15 -> 17h45: [ Architecture Serverless] [RIVOIRE] [TRESTOUR] [[https://docs.google.com/presentation/d/1b5ybq4nWCuTUY5hYFyzwPlo-uc16GlqD1PmSrAWmKY0/edit?usp=sharing Slides]] [ [[Serverless_Architectures|Fiche de synthèse]] ] [ [[Demonstration_Architecture_Serverless_AWS|Démonstration AWS]] ]

== Séance 6 : 6/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Low-Power Global Area Networks] [MASSON] [ZARCOS] [[https://docs.google.com/presentation/d/1RCnOYTkVYbAE3lOCa_rQoSXLuoNKS566BvGWEK9RKqM/edit?usp=sharing Slides]] [https://air.imag.fr/index.php/VT2019_LPGAN [Fiche de synthèse]] [[https://youtu.be/1M8DQCZ7F2c?t=46 Démonstration]]
* 16h15 -> 16h45: [Elixir et Phoenix] [SOUCHON] [VANDAL] [ [[Media:slides-phoenix.pdf | Slides]] ] [ [[Synthèse]] ] [ [[Démonstration]] ]
* 16h45 -> 17h15: Neural Processing Unit - VARENNE [[Media:Slides_NPU.pdf|Slides]] [[synthese]]
* 17h15 -> 17h45: [Peloton, a unified resource scheduler] [FONTFREYDE] [GAUTIER-PIGNONBLANC] [slides] [synthese]

== Séance 7 : 13/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Apollo 2.0] [THOMAS] [VINCENT] [slides] [synthese]
* 16h15 -> 16h45: [Apache MXNet] [DALAINE] [GAUFFIER] [slides] [synthese]

=Sujets=
# [[IoT Dataflow Mashup]] (démo avec [[Eclipse Kura Wires]])
# [[MapReduce et Hadoop]]
# [[Reconstruction 3D par Photogrammétrie]]
# [[ ARCore (Google) et ARKit (Apple) ]]
# [[JSONnet]]
# [[Géo-réplication]] : Démo avec [[Apache Kafka MirrorMaker]]
# [[Pulsar]]
# [[Elixir]] et [[Phoenix]] Web framework
# [[Wookey project]] (Demo on a STM32F407 Discovery board)
# [[RSocket]]
# [[Nacos]] : open source project by Alibaba for service discovery and service configuration.
# [[NEMU]] : open source hypervisor specifically built and designed to run modern cloud workloads on modern 64-bit Intel and ARM CPUs.
# [[Architecture Serverless]] : démonstration avec le projet https://github.com/serverless/serverless sur votre compte Azure de votre compte GitHub Student Pack
# [[Fission]] : open-source serverless function framework for [[Kubernetes]] with a focus on developer productivity and high performance.
# [[Peloton]], a unified resource scheduler
# [[Microclimate]]
# [[AdTech]]
# [[Nearby communications]] (démonstration de [https://ionicframework.com/docs/native/google-nearby/ Nearby Messages API de Google avec Ionic])
# [[Conflict-free replicated data type]] (CRDT)
# [[Spinnaker]]

# [[gVisor]]: a new kind of sandbox that helps provide secure isolation for containers

# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]

# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]

# [[ESB]] : démonstration de [[Mule ESB]]
# [[MemCached]]

# [[Low-Power Global Area Network]]s ([[Sat-IoT]])
# [[ Voice-First Development]] : Designing, Developing, and Deploying Conversational Interfaces
# [[Psychométrie]]
# [[WebAssembly]]
# [[Fast Identity Online Alliance]] (FIDO)
# [[Apache MXNet]] : Demo avec [[Intel Movidius]] ([https://github.com/tspannhw/rpi-mxnet-movidius-minifi lien])
# [[DevSecOps]]
# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]
# [[Apache Beam]]
# [[plateforme logicielle open source de conduite autonome Apollo 2.0]]
# [[Mynewt]]
# [[Flogo]] Open Source Framework for IoT Edge Apps & Integration.
# [[Neural Processing Unit]] (NPU) : Demo de la clé [[Intel Movidius]] sur un RPI
# [[Huginn]]
# [[Snapcraft]]
# [[Kafka Streams]]
# [[Moby]] : démonstration de containers avec votre projet [[ECOM-RICM|eCOM]].
# [[Hazelcast]] : Démo avec Spring Boot ([https://dzone.com/storage/assets/6459742-dzone-rc247-gettingstartedwithspringbootandmicrose.pdf lien]) dans un projet [[JHipster]]
# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# [[Fautes Byzantines]] : Démonstration de [[BFT-SMaRt]]
# Insport Video
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]
# [[Performance Monitoring]]
# [[ADEPT]] : [[Blockchain]] at Home (ABANDONNé)
# [[ESB]] : démonstration de [[Mule ESB]]
# [[Access Network Query Protocol (ANQP)]]
# [[JCache]] : démonstration avec [[Apache Ignity]]
# [[MemCached]]
# [[Apache Stratos]]
# [[gceasy]] : Universal garbage collection log Analyser
# [[Apache Solr]] : Démonstration avec [http://hortonworks.com/hadoop-tutorial/indexing-and-searching-text-within-images-with-apache-solr/ Tesseract OCR]
# [[Valgrind]]
# [[Content Delivery Network]]s : Démonstration de [[Amazon S3]], Azure, Akamaï ... sur votre projet [[ECOM-RICM|eCOM]]
# [[CMS]] : Demo avec [[Crafter CMS]]
# [[DMS]] (GED) : Demo avec la version Community Edition d'[[Alfresco]] et de son API REST avec [[Swagger]]
# [[SIG]] : Démonstration de [[QGIS]]
# [[Apache Airflow]]
# [[Cryptojacking]] : démonstration d'un navigateur exécutant [https://github.com/cazala/coin-hive CoinHive] et affichage du coup énergétique de l'opération.
# [[RIOT-OS]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte STM32 Nucleo LRWAN1).
# [[Zephyr]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte [[Intel Quark D2000]]).
# [[HTTP/3]] : quoi de neuf ? Démonstration de l'amélioration des performances.
# [[Gyro]] : domain-specific language designed to concisely describe a cloud infrastructure. Démonstration avec votre application eCOM JHipster sur Azure.
# [[selenium]] contrôle automatisé de navigateur web - CUAU BADAT
# [[Rasa]] Traitement du langage naturel, chatbot -
# [[MPI]] DENIS & DE ARAUJO
# [[Brain Computer Interfaces ]] Alacali - Mastoura
# [[Deepfake Algorithms]] et outils.

VT2019

2020-01-06T12:24:24Z

Remi.varenne: /* Séance 6 : 6/1/2020 */

[[VT2018|<< Etudes 2018]] [[VT|Sommaire]] [[VT2020|Etudes 2020 >>]]

=Veille Technologique et Stratégique=
* Enseignants: [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]
* UE/Module: EAM (HPRJ9R6B) et EAR (HPRJ9R4B) en 1FO5

L'objectif de cette UE est de réaliser un travail de synthèse et d’évaluation sur une technologie / spécification / tendance

Dans votre futur vie d'ingénieur, vous aurez à d'une part, vous former par vous-même sur une technologie émergente et d'autre part à réaliser une veille technologique (et stratégique) par rapport à votre entreprise et projet.
Il s'agira de réaliser
* le positionnement par rapport au marché
* d'être critique

Votre synthèse fait l'objet d'une présentation orale convaincante devant un auditoire (dans le futur, vos collègues, vos chefs ou vos clients) avec des transparents et un discours répété.
Pour finir de convaincre (Saint Thomas), vous ferez la présentation d'une démonstration.

Votre présentation sera noté et commenté par tous vos camarades via un sondage (téléphone mobile). Leurs notes et leurs commentaires seront notés en fonction de leur exactitude de jugement.

Remarque: Le [https://fr.wikipedia.org/wiki/Plagiat plagiat] est incompatible avec l'éthique de l'ingénieur. Le directeur d'école peut demander à votre traduction devant la commission disciplinaire de l'université. La sanction peut aller jusqu’à une interdiction d'inscription dans les établissements de l'enseignement supérieur français pendant plusieurs années : Le jeu, en vaut-il la chandelle ?

La présentation peut être réalisée avec [[reveal.js]] ou avec [[remarkjs]]

[[File:presentation-VT-RICM5-1516.pdf|transparents d'introduction à l'UE]]

=Planning=

== Séance 1 : 18/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* Présentation
* Choix des sujets

== Séance 2 : 25/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]]

* 15h45 -> 16h15: Selenium - Automatisation de WebApps, BADAT, CUAU, [[Media:Selenium_VT2019.pdf|Slides]], [[Selenium|Fiche de synthèse]], [[VT2019 Selenium Demo|Démonstration]]
* 16h15 -> 16h45: Performance Monitoring, WYKLAND, [[Media:Perf monitoring.pdf|Slides]], [[VT2019_Performance_Monitoring|Fiche de synthèse]], [[VT2019_Demonstration_Grafana|Démonstration]]
* 16h45 -> 17h15: Iota, BETEND, JAN, [[Media:IOTA.pptx | slides]], [[VT_IOTA| synthese]], [https://docs.iota.org/docs/iota-js/0.1/workshop/overview Démonstration ]

== Séance 3 : 2/12 ==
Enseignants : [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Rasa, chatbot] [BRES] [REYGROBELLET] [[Media:Rasa_VT2019.pdf|Slides]], [[VT2019_Rasa|Fiche de synthèse]], [[VT2019_Rasa_Demo|Démonstration]]
* 16h15 -> 16h45: [Photogrammétrie] [BONASPETTI] [DECAMPS] [[Media:Photogrammétrie.pdf|Slides]], [[VT2019_Photogrammetrie|Fiche de synthèse]], [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]
* 16h45 -> 17h15: [Kafka streams] [SALA] [SOLVERY] [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Slides.pdf|Slides]], [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Synthese.pdf|Fiche de synthèse]]

== Séance 4 : 9/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [ARCore, ARKit] [CHABRE] [COSCIA] [ [[Media:ARCore_ARKit_VT2019.pdf|Slides]] ] [ [[VT2019_ARCore_ARKit|Fiche de synthèse]] ] [ [https://github.com/cgathergood/Your-First-AR-App-with-Sceneform Démonstration] ]
* 16h15 -> 16h45: [MPI] [DE ARAUJO] [DENIS] [ [[Media:soutenanceVTMPI.pdf|Slides]] ] [ [[VT2019_MPI|synthese]] ] [ [https://github.com/Saxito/VT_MPI Démonstration] ]
* 16h45 -> 17h15: [MapReduce, Hadoop] [RAKOTOARIMALALA] [ZHENG] [[https://docs.google.com/presentation/d/1rnQAACXoWcCMSLj3QQBssma6tFt3ETM0PnCwJqstqIE/edit?usp=sharing Slides]] [ [[VT2019_Hadoop_MapReduce|Fiche de Synthèse]] ] [ [[Demonstration]] ]

* 17h15 -> 17h45: [Microclimate, Codewind] [PELISSON] [SCHANEN] [ [[Media:Slides_microclimate.pdf|Slides]] ] [ [[VT2019_Microclimate_Codewind|Fiche de synthèse]] ] [ [[VT2019_Microclimate_Codewind_Demo|Démonstration]] ]

== Séance 5 : 16/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Snapcraft] [ARNOUX] [LORDEY] [[https://docs.google.com/presentation/d/1amWfeLfa1RnjSUjmZlSfZyGVKMSo_hQJIgYT_raYUV0/edit?usp=sharing Slides]] [[Snapcraft|Synthese]] [[https://github.com/gocarlos/python-ubuntu-snap-app-example Démonstration]]
* 16h15 -> 16h45: [Brain Computer Interfaces] [ALACALI] [IHEB][ [[Media:BCI.pdf | slides]] ] [ [[Media:FS.pdf | synthése]] ]
* 16h45 -> 17h15: [Huginn] [BARDOU] [DEVOS] [ [[Media:INFO5-VT-Huggin.pdf|Slides]] ] [ [[VT2019_Huginn|Fiche de synthèse]] ] [ [https://github.com/EvaBardou/huginn Démonstration] ]
* 17h15 -> 17h45: [ Architecture Serverless] [RIVOIRE] [TRESTOUR] [[https://docs.google.com/presentation/d/1b5ybq4nWCuTUY5hYFyzwPlo-uc16GlqD1PmSrAWmKY0/edit?usp=sharing Slides]] [ [[Serverless_Architectures|Fiche de synthèse]] ] [ [[Demonstration_Architecture_Serverless_AWS|Démonstration AWS]] ]

== Séance 6 : 6/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Low-Power Global Area Networks] [MASSON] [ZARCOS] [[https://docs.google.com/presentation/d/1RCnOYTkVYbAE3lOCa_rQoSXLuoNKS566BvGWEK9RKqM/edit?usp=sharing Slides]] [https://air.imag.fr/index.php/VT2019_LPGAN [Fiche de synthèse]] [[https://youtu.be/1M8DQCZ7F2c?t=46 Démonstration]]
* 16h15 -> 16h45: [Elixir et Phoenix] [SOUCHON] [VANDAL] [ [[Media:slides-phoenix.pdf | Slides]] ] [ [[Synthèse]] ] [ [[Démonstration]] ]
* 16h45 -> 17h15: Neural Processing Unit - VARENNE [[Media:NPU_Slides.pdf|Slides]] [[synthese]]
* 17h15 -> 17h45: [Peloton, a unified resource scheduler] [FONTFREYDE] [GAUTIER-PIGNONBLANC] [slides] [synthese]

== Séance 7 : 13/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Apollo 2.0] [THOMAS] [VINCENT] [slides] [synthese]
* 16h15 -> 16h45: [Apache MXNet] [DALAINE] [GAUFFIER] [slides] [synthese]

=Sujets=
# [[IoT Dataflow Mashup]] (démo avec [[Eclipse Kura Wires]])
# [[MapReduce et Hadoop]]
# [[Reconstruction 3D par Photogrammétrie]]
# [[ ARCore (Google) et ARKit (Apple) ]]
# [[JSONnet]]
# [[Géo-réplication]] : Démo avec [[Apache Kafka MirrorMaker]]
# [[Pulsar]]
# [[Elixir]] et [[Phoenix]] Web framework
# [[Wookey project]] (Demo on a STM32F407 Discovery board)
# [[RSocket]]
# [[Nacos]] : open source project by Alibaba for service discovery and service configuration.
# [[NEMU]] : open source hypervisor specifically built and designed to run modern cloud workloads on modern 64-bit Intel and ARM CPUs.
# [[Architecture Serverless]] : démonstration avec le projet https://github.com/serverless/serverless sur votre compte Azure de votre compte GitHub Student Pack
# [[Fission]] : open-source serverless function framework for [[Kubernetes]] with a focus on developer productivity and high performance.
# [[Peloton]], a unified resource scheduler
# [[Microclimate]]
# [[AdTech]]
# [[Nearby communications]] (démonstration de [https://ionicframework.com/docs/native/google-nearby/ Nearby Messages API de Google avec Ionic])
# [[Conflict-free replicated data type]] (CRDT)
# [[Spinnaker]]

# [[gVisor]]: a new kind of sandbox that helps provide secure isolation for containers

# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]

# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]

# [[ESB]] : démonstration de [[Mule ESB]]
# [[MemCached]]

# [[Low-Power Global Area Network]]s ([[Sat-IoT]])
# [[ Voice-First Development]] : Designing, Developing, and Deploying Conversational Interfaces
# [[Psychométrie]]
# [[WebAssembly]]
# [[Fast Identity Online Alliance]] (FIDO)
# [[Apache MXNet]] : Demo avec [[Intel Movidius]] ([https://github.com/tspannhw/rpi-mxnet-movidius-minifi lien])
# [[DevSecOps]]
# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]
# [[Apache Beam]]
# [[plateforme logicielle open source de conduite autonome Apollo 2.0]]
# [[Mynewt]]
# [[Flogo]] Open Source Framework for IoT Edge Apps & Integration.
# [[Neural Processing Unit]] (NPU) : Demo de la clé [[Intel Movidius]] sur un RPI
# [[Huginn]]
# [[Snapcraft]]
# [[Kafka Streams]]
# [[Moby]] : démonstration de containers avec votre projet [[ECOM-RICM|eCOM]].
# [[Hazelcast]] : Démo avec Spring Boot ([https://dzone.com/storage/assets/6459742-dzone-rc247-gettingstartedwithspringbootandmicrose.pdf lien]) dans un projet [[JHipster]]
# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# [[Fautes Byzantines]] : Démonstration de [[BFT-SMaRt]]
# Insport Video
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]
# [[Performance Monitoring]]
# [[ADEPT]] : [[Blockchain]] at Home (ABANDONNé)
# [[ESB]] : démonstration de [[Mule ESB]]
# [[Access Network Query Protocol (ANQP)]]
# [[JCache]] : démonstration avec [[Apache Ignity]]
# [[MemCached]]
# [[Apache Stratos]]
# [[gceasy]] : Universal garbage collection log Analyser
# [[Apache Solr]] : Démonstration avec [http://hortonworks.com/hadoop-tutorial/indexing-and-searching-text-within-images-with-apache-solr/ Tesseract OCR]
# [[Valgrind]]
# [[Content Delivery Network]]s : Démonstration de [[Amazon S3]], Azure, Akamaï ... sur votre projet [[ECOM-RICM|eCOM]]
# [[CMS]] : Demo avec [[Crafter CMS]]
# [[DMS]] (GED) : Demo avec la version Community Edition d'[[Alfresco]] et de son API REST avec [[Swagger]]
# [[SIG]] : Démonstration de [[QGIS]]
# [[Apache Airflow]]
# [[Cryptojacking]] : démonstration d'un navigateur exécutant [https://github.com/cazala/coin-hive CoinHive] et affichage du coup énergétique de l'opération.
# [[RIOT-OS]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte STM32 Nucleo LRWAN1).
# [[Zephyr]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte [[Intel Quark D2000]]).
# [[HTTP/3]] : quoi de neuf ? Démonstration de l'amélioration des performances.
# [[Gyro]] : domain-specific language designed to concisely describe a cloud infrastructure. Démonstration avec votre application eCOM JHipster sur Azure.
# [[selenium]] contrôle automatisé de navigateur web - CUAU BADAT
# [[Rasa]] Traitement du langage naturel, chatbot -
# [[MPI]] DENIS & DE ARAUJO
# [[Brain Computer Interfaces ]] Alacali - Mastoura
# [[Deepfake Algorithms]] et outils.

File:NPU Slides.pdf

2020-01-06T12:24:05Z

Remi.varenne:

VT2019

2020-01-06T12:22:54Z

Remi.varenne: /* Séance 6 : 6/1/2020 */

[[VT2018|<< Etudes 2018]] [[VT|Sommaire]] [[VT2020|Etudes 2020 >>]]

=Veille Technologique et Stratégique=
* Enseignants: [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]
* UE/Module: EAM (HPRJ9R6B) et EAR (HPRJ9R4B) en 1FO5

L'objectif de cette UE est de réaliser un travail de synthèse et d’évaluation sur une technologie / spécification / tendance

Dans votre futur vie d'ingénieur, vous aurez à d'une part, vous former par vous-même sur une technologie émergente et d'autre part à réaliser une veille technologique (et stratégique) par rapport à votre entreprise et projet.
Il s'agira de réaliser
* le positionnement par rapport au marché
* d'être critique

Votre synthèse fait l'objet d'une présentation orale convaincante devant un auditoire (dans le futur, vos collègues, vos chefs ou vos clients) avec des transparents et un discours répété.
Pour finir de convaincre (Saint Thomas), vous ferez la présentation d'une démonstration.

Votre présentation sera noté et commenté par tous vos camarades via un sondage (téléphone mobile). Leurs notes et leurs commentaires seront notés en fonction de leur exactitude de jugement.

Remarque: Le [https://fr.wikipedia.org/wiki/Plagiat plagiat] est incompatible avec l'éthique de l'ingénieur. Le directeur d'école peut demander à votre traduction devant la commission disciplinaire de l'université. La sanction peut aller jusqu’à une interdiction d'inscription dans les établissements de l'enseignement supérieur français pendant plusieurs années : Le jeu, en vaut-il la chandelle ?

La présentation peut être réalisée avec [[reveal.js]] ou avec [[remarkjs]]

[[File:presentation-VT-RICM5-1516.pdf|transparents d'introduction à l'UE]]

=Planning=

== Séance 1 : 18/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* Présentation
* Choix des sujets

== Séance 2 : 25/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]]

* 15h45 -> 16h15: Selenium - Automatisation de WebApps, BADAT, CUAU, [[Media:Selenium_VT2019.pdf|Slides]], [[Selenium|Fiche de synthèse]], [[VT2019 Selenium Demo|Démonstration]]
* 16h15 -> 16h45: Performance Monitoring, WYKLAND, [[Media:Perf monitoring.pdf|Slides]], [[VT2019_Performance_Monitoring|Fiche de synthèse]], [[VT2019_Demonstration_Grafana|Démonstration]]
* 16h45 -> 17h15: Iota, BETEND, JAN, [[Media:IOTA.pptx | slides]], [[VT_IOTA| synthese]], [https://docs.iota.org/docs/iota-js/0.1/workshop/overview Démonstration ]

== Séance 3 : 2/12 ==
Enseignants : [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Rasa, chatbot] [BRES] [REYGROBELLET] [[Media:Rasa_VT2019.pdf|Slides]], [[VT2019_Rasa|Fiche de synthèse]], [[VT2019_Rasa_Demo|Démonstration]]
* 16h15 -> 16h45: [Photogrammétrie] [BONASPETTI] [DECAMPS] [[Media:Photogrammétrie.pdf|Slides]], [[VT2019_Photogrammetrie|Fiche de synthèse]], [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]
* 16h45 -> 17h15: [Kafka streams] [SALA] [SOLVERY] [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Slides.pdf|Slides]], [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Synthese.pdf|Fiche de synthèse]]

== Séance 4 : 9/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [ARCore, ARKit] [CHABRE] [COSCIA] [ [[Media:ARCore_ARKit_VT2019.pdf|Slides]] ] [ [[VT2019_ARCore_ARKit|Fiche de synthèse]] ] [ [https://github.com/cgathergood/Your-First-AR-App-with-Sceneform Démonstration] ]
* 16h15 -> 16h45: [MPI] [DE ARAUJO] [DENIS] [ [[Media:soutenanceVTMPI.pdf|Slides]] ] [ [[VT2019_MPI|synthese]] ] [ [https://github.com/Saxito/VT_MPI Démonstration] ]
* 16h45 -> 17h15: [MapReduce, Hadoop] [RAKOTOARIMALALA] [ZHENG] [[https://docs.google.com/presentation/d/1rnQAACXoWcCMSLj3QQBssma6tFt3ETM0PnCwJqstqIE/edit?usp=sharing Slides]] [ [[VT2019_Hadoop_MapReduce|Fiche de Synthèse]] ] [ [[Demonstration]] ]

* 17h15 -> 17h45: [Microclimate, Codewind] [PELISSON] [SCHANEN] [ [[Media:Slides_microclimate.pdf|Slides]] ] [ [[VT2019_Microclimate_Codewind|Fiche de synthèse]] ] [ [[VT2019_Microclimate_Codewind_Demo|Démonstration]] ]

== Séance 5 : 16/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Snapcraft] [ARNOUX] [LORDEY] [[https://docs.google.com/presentation/d/1amWfeLfa1RnjSUjmZlSfZyGVKMSo_hQJIgYT_raYUV0/edit?usp=sharing Slides]] [[Snapcraft|Synthese]] [[https://github.com/gocarlos/python-ubuntu-snap-app-example Démonstration]]
* 16h15 -> 16h45: [Brain Computer Interfaces] [ALACALI] [IHEB][ [[Media:BCI.pdf | slides]] ] [ [[Media:FS.pdf | synthése]] ]
* 16h45 -> 17h15: [Huginn] [BARDOU] [DEVOS] [ [[Media:INFO5-VT-Huggin.pdf|Slides]] ] [ [[VT2019_Huginn|Fiche de synthèse]] ] [ [https://github.com/EvaBardou/huginn Démonstration] ]
* 17h15 -> 17h45: [ Architecture Serverless] [RIVOIRE] [TRESTOUR] [[https://docs.google.com/presentation/d/1b5ybq4nWCuTUY5hYFyzwPlo-uc16GlqD1PmSrAWmKY0/edit?usp=sharing Slides]] [ [[Serverless_Architectures|Fiche de synthèse]] ] [ [[Demonstration_Architecture_Serverless_AWS|Démonstration AWS]] ]

== Séance 6 : 6/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Low-Power Global Area Networks] [MASSON] [ZARCOS] [[https://docs.google.com/presentation/d/1RCnOYTkVYbAE3lOCa_rQoSXLuoNKS566BvGWEK9RKqM/edit?usp=sharing Slides]] [https://air.imag.fr/index.php/VT2019_LPGAN [Fiche de synthèse]] [[https://youtu.be/1M8DQCZ7F2c?t=46 Démonstration]]
* 16h15 -> 16h45: [Elixir et Phoenix] [SOUCHON] [VANDAL] [ [[Media:slides-phoenix.pdf | Slides]] ] [ [[Synthèse]] ] [ [[Démonstration]] ]
* 16h45 -> 17h15: Neural Processing Unit - VARENNE [[Media:NP_Slides.pdf|Slides]] [[synthese]]
* 17h15 -> 17h45: [Peloton, a unified resource scheduler] [FONTFREYDE] [GAUTIER-PIGNONBLANC] [slides] [synthese]

== Séance 7 : 13/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Apollo 2.0] [THOMAS] [VINCENT] [slides] [synthese]
* 16h15 -> 16h45: [Apache MXNet] [DALAINE] [GAUFFIER] [slides] [synthese]

=Sujets=
# [[IoT Dataflow Mashup]] (démo avec [[Eclipse Kura Wires]])
# [[MapReduce et Hadoop]]
# [[Reconstruction 3D par Photogrammétrie]]
# [[ ARCore (Google) et ARKit (Apple) ]]
# [[JSONnet]]
# [[Géo-réplication]] : Démo avec [[Apache Kafka MirrorMaker]]
# [[Pulsar]]
# [[Elixir]] et [[Phoenix]] Web framework
# [[Wookey project]] (Demo on a STM32F407 Discovery board)
# [[RSocket]]
# [[Nacos]] : open source project by Alibaba for service discovery and service configuration.
# [[NEMU]] : open source hypervisor specifically built and designed to run modern cloud workloads on modern 64-bit Intel and ARM CPUs.
# [[Architecture Serverless]] : démonstration avec le projet https://github.com/serverless/serverless sur votre compte Azure de votre compte GitHub Student Pack
# [[Fission]] : open-source serverless function framework for [[Kubernetes]] with a focus on developer productivity and high performance.
# [[Peloton]], a unified resource scheduler
# [[Microclimate]]
# [[AdTech]]
# [[Nearby communications]] (démonstration de [https://ionicframework.com/docs/native/google-nearby/ Nearby Messages API de Google avec Ionic])
# [[Conflict-free replicated data type]] (CRDT)
# [[Spinnaker]]

# [[gVisor]]: a new kind of sandbox that helps provide secure isolation for containers

# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]

# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]

# [[ESB]] : démonstration de [[Mule ESB]]
# [[MemCached]]

# [[Low-Power Global Area Network]]s ([[Sat-IoT]])
# [[ Voice-First Development]] : Designing, Developing, and Deploying Conversational Interfaces
# [[Psychométrie]]
# [[WebAssembly]]
# [[Fast Identity Online Alliance]] (FIDO)
# [[Apache MXNet]] : Demo avec [[Intel Movidius]] ([https://github.com/tspannhw/rpi-mxnet-movidius-minifi lien])
# [[DevSecOps]]
# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]
# [[Apache Beam]]
# [[plateforme logicielle open source de conduite autonome Apollo 2.0]]
# [[Mynewt]]
# [[Flogo]] Open Source Framework for IoT Edge Apps & Integration.
# [[Neural Processing Unit]] (NPU) : Demo de la clé [[Intel Movidius]] sur un RPI
# [[Huginn]]
# [[Snapcraft]]
# [[Kafka Streams]]
# [[Moby]] : démonstration de containers avec votre projet [[ECOM-RICM|eCOM]].
# [[Hazelcast]] : Démo avec Spring Boot ([https://dzone.com/storage/assets/6459742-dzone-rc247-gettingstartedwithspringbootandmicrose.pdf lien]) dans un projet [[JHipster]]
# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# [[Fautes Byzantines]] : Démonstration de [[BFT-SMaRt]]
# Insport Video
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]
# [[Performance Monitoring]]
# [[ADEPT]] : [[Blockchain]] at Home (ABANDONNé)
# [[ESB]] : démonstration de [[Mule ESB]]
# [[Access Network Query Protocol (ANQP)]]
# [[JCache]] : démonstration avec [[Apache Ignity]]
# [[MemCached]]
# [[Apache Stratos]]
# [[gceasy]] : Universal garbage collection log Analyser
# [[Apache Solr]] : Démonstration avec [http://hortonworks.com/hadoop-tutorial/indexing-and-searching-text-within-images-with-apache-solr/ Tesseract OCR]
# [[Valgrind]]
# [[Content Delivery Network]]s : Démonstration de [[Amazon S3]], Azure, Akamaï ... sur votre projet [[ECOM-RICM|eCOM]]
# [[CMS]] : Demo avec [[Crafter CMS]]
# [[DMS]] (GED) : Demo avec la version Community Edition d'[[Alfresco]] et de son API REST avec [[Swagger]]
# [[SIG]] : Démonstration de [[QGIS]]
# [[Apache Airflow]]
# [[Cryptojacking]] : démonstration d'un navigateur exécutant [https://github.com/cazala/coin-hive CoinHive] et affichage du coup énergétique de l'opération.
# [[RIOT-OS]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte STM32 Nucleo LRWAN1).
# [[Zephyr]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte [[Intel Quark D2000]]).
# [[HTTP/3]] : quoi de neuf ? Démonstration de l'amélioration des performances.
# [[Gyro]] : domain-specific language designed to concisely describe a cloud infrastructure. Démonstration avec votre application eCOM JHipster sur Azure.
# [[selenium]] contrôle automatisé de navigateur web - CUAU BADAT
# [[Rasa]] Traitement du langage naturel, chatbot -
# [[MPI]] DENIS & DE ARAUJO
# [[Brain Computer Interfaces ]] Alacali - Mastoura
# [[Deepfake Algorithms]] et outils.

VT2019

2020-01-06T12:22:09Z

Remi.varenne: /* Séance 6 : 6/1/2020 */

[[VT2018|<< Etudes 2018]] [[VT|Sommaire]] [[VT2020|Etudes 2020 >>]]

=Veille Technologique et Stratégique=
* Enseignants: [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]
* UE/Module: EAM (HPRJ9R6B) et EAR (HPRJ9R4B) en 1FO5

L'objectif de cette UE est de réaliser un travail de synthèse et d’évaluation sur une technologie / spécification / tendance

Dans votre futur vie d'ingénieur, vous aurez à d'une part, vous former par vous-même sur une technologie émergente et d'autre part à réaliser une veille technologique (et stratégique) par rapport à votre entreprise et projet.
Il s'agira de réaliser
* le positionnement par rapport au marché
* d'être critique

Votre synthèse fait l'objet d'une présentation orale convaincante devant un auditoire (dans le futur, vos collègues, vos chefs ou vos clients) avec des transparents et un discours répété.
Pour finir de convaincre (Saint Thomas), vous ferez la présentation d'une démonstration.

Votre présentation sera noté et commenté par tous vos camarades via un sondage (téléphone mobile). Leurs notes et leurs commentaires seront notés en fonction de leur exactitude de jugement.

Remarque: Le [https://fr.wikipedia.org/wiki/Plagiat plagiat] est incompatible avec l'éthique de l'ingénieur. Le directeur d'école peut demander à votre traduction devant la commission disciplinaire de l'université. La sanction peut aller jusqu’à une interdiction d'inscription dans les établissements de l'enseignement supérieur français pendant plusieurs années : Le jeu, en vaut-il la chandelle ?

La présentation peut être réalisée avec [[reveal.js]] ou avec [[remarkjs]]

[[File:presentation-VT-RICM5-1516.pdf|transparents d'introduction à l'UE]]

=Planning=

== Séance 1 : 18/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* Présentation
* Choix des sujets

== Séance 2 : 25/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]]

* 15h45 -> 16h15: Selenium - Automatisation de WebApps, BADAT, CUAU, [[Media:Selenium_VT2019.pdf|Slides]], [[Selenium|Fiche de synthèse]], [[VT2019 Selenium Demo|Démonstration]]
* 16h15 -> 16h45: Performance Monitoring, WYKLAND, [[Media:Perf monitoring.pdf|Slides]], [[VT2019_Performance_Monitoring|Fiche de synthèse]], [[VT2019_Demonstration_Grafana|Démonstration]]
* 16h45 -> 17h15: Iota, BETEND, JAN, [[Media:IOTA.pptx | slides]], [[VT_IOTA| synthese]], [https://docs.iota.org/docs/iota-js/0.1/workshop/overview Démonstration ]

== Séance 3 : 2/12 ==
Enseignants : [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Rasa, chatbot] [BRES] [REYGROBELLET] [[Media:Rasa_VT2019.pdf|Slides]], [[VT2019_Rasa|Fiche de synthèse]], [[VT2019_Rasa_Demo|Démonstration]]
* 16h15 -> 16h45: [Photogrammétrie] [BONASPETTI] [DECAMPS] [[Media:Photogrammétrie.pdf|Slides]], [[VT2019_Photogrammetrie|Fiche de synthèse]], [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]
* 16h45 -> 17h15: [Kafka streams] [SALA] [SOLVERY] [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Slides.pdf|Slides]], [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Synthese.pdf|Fiche de synthèse]]

== Séance 4 : 9/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [ARCore, ARKit] [CHABRE] [COSCIA] [ [[Media:ARCore_ARKit_VT2019.pdf|Slides]] ] [ [[VT2019_ARCore_ARKit|Fiche de synthèse]] ] [ [https://github.com/cgathergood/Your-First-AR-App-with-Sceneform Démonstration] ]
* 16h15 -> 16h45: [MPI] [DE ARAUJO] [DENIS] [ [[Media:soutenanceVTMPI.pdf|Slides]] ] [ [[VT2019_MPI|synthese]] ] [ [https://github.com/Saxito/VT_MPI Démonstration] ]
* 16h45 -> 17h15: [MapReduce, Hadoop] [RAKOTOARIMALALA] [ZHENG] [[https://docs.google.com/presentation/d/1rnQAACXoWcCMSLj3QQBssma6tFt3ETM0PnCwJqstqIE/edit?usp=sharing Slides]] [ [[VT2019_Hadoop_MapReduce|Fiche de Synthèse]] ] [ [[Demonstration]] ]

* 17h15 -> 17h45: [Microclimate, Codewind] [PELISSON] [SCHANEN] [ [[Media:Slides_microclimate.pdf|Slides]] ] [ [[VT2019_Microclimate_Codewind|Fiche de synthèse]] ] [ [[VT2019_Microclimate_Codewind_Demo|Démonstration]] ]

== Séance 5 : 16/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Snapcraft] [ARNOUX] [LORDEY] [[https://docs.google.com/presentation/d/1amWfeLfa1RnjSUjmZlSfZyGVKMSo_hQJIgYT_raYUV0/edit?usp=sharing Slides]] [[Snapcraft|Synthese]] [[https://github.com/gocarlos/python-ubuntu-snap-app-example Démonstration]]
* 16h15 -> 16h45: [Brain Computer Interfaces] [ALACALI] [IHEB][ [[Media:BCI.pdf | slides]] ] [ [[Media:FS.pdf | synthése]] ]
* 16h45 -> 17h15: [Huginn] [BARDOU] [DEVOS] [ [[Media:INFO5-VT-Huggin.pdf|Slides]] ] [ [[VT2019_Huginn|Fiche de synthèse]] ] [ [https://github.com/EvaBardou/huginn Démonstration] ]
* 17h15 -> 17h45: [ Architecture Serverless] [RIVOIRE] [TRESTOUR] [[https://docs.google.com/presentation/d/1b5ybq4nWCuTUY5hYFyzwPlo-uc16GlqD1PmSrAWmKY0/edit?usp=sharing Slides]] [ [[Serverless_Architectures|Fiche de synthèse]] ] [ [[Demonstration_Architecture_Serverless_AWS|Démonstration AWS]] ]

== Séance 6 : 6/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Low-Power Global Area Networks] [MASSON] [ZARCOS] [[https://docs.google.com/presentation/d/1RCnOYTkVYbAE3lOCa_rQoSXLuoNKS566BvGWEK9RKqM/edit?usp=sharing Slides]] [https://air.imag.fr/index.php/VT2019_LPGAN [Fiche de synthèse]] [[https://youtu.be/1M8DQCZ7F2c?t=46 Démonstration]]
* 16h15 -> 16h45: [Elixir et Phoenix] [SOUCHON] [VANDAL] [ [[Media:slides-phoenix.pdf | Slides]] ] [ [[Synthèse]] ] [ [[Démonstration]] ]
* 16h45 -> 17h15: Neural Processing Unit - VARENNE [[Media:NPU.pdf|Slides]] [[synthese]]
* 17h15 -> 17h45: [Peloton, a unified resource scheduler] [FONTFREYDE] [GAUTIER-PIGNONBLANC] [slides] [synthese]

== Séance 7 : 13/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Apollo 2.0] [THOMAS] [VINCENT] [slides] [synthese]
* 16h15 -> 16h45: [Apache MXNet] [DALAINE] [GAUFFIER] [slides] [synthese]

=Sujets=
# [[IoT Dataflow Mashup]] (démo avec [[Eclipse Kura Wires]])
# [[MapReduce et Hadoop]]
# [[Reconstruction 3D par Photogrammétrie]]
# [[ ARCore (Google) et ARKit (Apple) ]]
# [[JSONnet]]
# [[Géo-réplication]] : Démo avec [[Apache Kafka MirrorMaker]]
# [[Pulsar]]
# [[Elixir]] et [[Phoenix]] Web framework
# [[Wookey project]] (Demo on a STM32F407 Discovery board)
# [[RSocket]]
# [[Nacos]] : open source project by Alibaba for service discovery and service configuration.
# [[NEMU]] : open source hypervisor specifically built and designed to run modern cloud workloads on modern 64-bit Intel and ARM CPUs.
# [[Architecture Serverless]] : démonstration avec le projet https://github.com/serverless/serverless sur votre compte Azure de votre compte GitHub Student Pack
# [[Fission]] : open-source serverless function framework for [[Kubernetes]] with a focus on developer productivity and high performance.
# [[Peloton]], a unified resource scheduler
# [[Microclimate]]
# [[AdTech]]
# [[Nearby communications]] (démonstration de [https://ionicframework.com/docs/native/google-nearby/ Nearby Messages API de Google avec Ionic])
# [[Conflict-free replicated data type]] (CRDT)
# [[Spinnaker]]

# [[gVisor]]: a new kind of sandbox that helps provide secure isolation for containers

# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]

# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]

# [[ESB]] : démonstration de [[Mule ESB]]
# [[MemCached]]

# [[Low-Power Global Area Network]]s ([[Sat-IoT]])
# [[ Voice-First Development]] : Designing, Developing, and Deploying Conversational Interfaces
# [[Psychométrie]]
# [[WebAssembly]]
# [[Fast Identity Online Alliance]] (FIDO)
# [[Apache MXNet]] : Demo avec [[Intel Movidius]] ([https://github.com/tspannhw/rpi-mxnet-movidius-minifi lien])
# [[DevSecOps]]
# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]
# [[Apache Beam]]
# [[plateforme logicielle open source de conduite autonome Apollo 2.0]]
# [[Mynewt]]
# [[Flogo]] Open Source Framework for IoT Edge Apps & Integration.
# [[Neural Processing Unit]] (NPU) : Demo de la clé [[Intel Movidius]] sur un RPI
# [[Huginn]]
# [[Snapcraft]]
# [[Kafka Streams]]
# [[Moby]] : démonstration de containers avec votre projet [[ECOM-RICM|eCOM]].
# [[Hazelcast]] : Démo avec Spring Boot ([https://dzone.com/storage/assets/6459742-dzone-rc247-gettingstartedwithspringbootandmicrose.pdf lien]) dans un projet [[JHipster]]
# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# [[Fautes Byzantines]] : Démonstration de [[BFT-SMaRt]]
# Insport Video
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]
# [[Performance Monitoring]]
# [[ADEPT]] : [[Blockchain]] at Home (ABANDONNé)
# [[ESB]] : démonstration de [[Mule ESB]]
# [[Access Network Query Protocol (ANQP)]]
# [[JCache]] : démonstration avec [[Apache Ignity]]
# [[MemCached]]
# [[Apache Stratos]]
# [[gceasy]] : Universal garbage collection log Analyser
# [[Apache Solr]] : Démonstration avec [http://hortonworks.com/hadoop-tutorial/indexing-and-searching-text-within-images-with-apache-solr/ Tesseract OCR]
# [[Valgrind]]
# [[Content Delivery Network]]s : Démonstration de [[Amazon S3]], Azure, Akamaï ... sur votre projet [[ECOM-RICM|eCOM]]
# [[CMS]] : Demo avec [[Crafter CMS]]
# [[DMS]] (GED) : Demo avec la version Community Edition d'[[Alfresco]] et de son API REST avec [[Swagger]]
# [[SIG]] : Démonstration de [[QGIS]]
# [[Apache Airflow]]
# [[Cryptojacking]] : démonstration d'un navigateur exécutant [https://github.com/cazala/coin-hive CoinHive] et affichage du coup énergétique de l'opération.
# [[RIOT-OS]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte STM32 Nucleo LRWAN1).
# [[Zephyr]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte [[Intel Quark D2000]]).
# [[HTTP/3]] : quoi de neuf ? Démonstration de l'amélioration des performances.
# [[Gyro]] : domain-specific language designed to concisely describe a cloud infrastructure. Démonstration avec votre application eCOM JHipster sur Azure.
# [[selenium]] contrôle automatisé de navigateur web - CUAU BADAT
# [[Rasa]] Traitement du langage naturel, chatbot -
# [[MPI]] DENIS & DE ARAUJO
# [[Brain Computer Interfaces ]] Alacali - Mastoura
# [[Deepfake Algorithms]] et outils.

VT2019

2020-01-06T12:20:14Z

Remi.varenne: /* Séance 6 : 6/1/2020 */

[[VT2018|<< Etudes 2018]] [[VT|Sommaire]] [[VT2020|Etudes 2020 >>]]

=Veille Technologique et Stratégique=
* Enseignants: [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]
* UE/Module: EAM (HPRJ9R6B) et EAR (HPRJ9R4B) en 1FO5

L'objectif de cette UE est de réaliser un travail de synthèse et d’évaluation sur une technologie / spécification / tendance

Dans votre futur vie d'ingénieur, vous aurez à d'une part, vous former par vous-même sur une technologie émergente et d'autre part à réaliser une veille technologique (et stratégique) par rapport à votre entreprise et projet.
Il s'agira de réaliser
* le positionnement par rapport au marché
* d'être critique

Votre synthèse fait l'objet d'une présentation orale convaincante devant un auditoire (dans le futur, vos collègues, vos chefs ou vos clients) avec des transparents et un discours répété.
Pour finir de convaincre (Saint Thomas), vous ferez la présentation d'une démonstration.

Votre présentation sera noté et commenté par tous vos camarades via un sondage (téléphone mobile). Leurs notes et leurs commentaires seront notés en fonction de leur exactitude de jugement.

Remarque: Le [https://fr.wikipedia.org/wiki/Plagiat plagiat] est incompatible avec l'éthique de l'ingénieur. Le directeur d'école peut demander à votre traduction devant la commission disciplinaire de l'université. La sanction peut aller jusqu’à une interdiction d'inscription dans les établissements de l'enseignement supérieur français pendant plusieurs années : Le jeu, en vaut-il la chandelle ?

La présentation peut être réalisée avec [[reveal.js]] ou avec [[remarkjs]]

[[File:presentation-VT-RICM5-1516.pdf|transparents d'introduction à l'UE]]

=Planning=

== Séance 1 : 18/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* Présentation
* Choix des sujets

== Séance 2 : 25/11 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]]

* 15h45 -> 16h15: Selenium - Automatisation de WebApps, BADAT, CUAU, [[Media:Selenium_VT2019.pdf|Slides]], [[Selenium|Fiche de synthèse]], [[VT2019 Selenium Demo|Démonstration]]
* 16h15 -> 16h45: Performance Monitoring, WYKLAND, [[Media:Perf monitoring.pdf|Slides]], [[VT2019_Performance_Monitoring|Fiche de synthèse]], [[VT2019_Demonstration_Grafana|Démonstration]]
* 16h45 -> 17h15: Iota, BETEND, JAN, [[Media:IOTA.pptx | slides]], [[VT_IOTA| synthese]], [https://docs.iota.org/docs/iota-js/0.1/workshop/overview Démonstration ]

== Séance 3 : 2/12 ==
Enseignants : [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Rasa, chatbot] [BRES] [REYGROBELLET] [[Media:Rasa_VT2019.pdf|Slides]], [[VT2019_Rasa|Fiche de synthèse]], [[VT2019_Rasa_Demo|Démonstration]]
* 16h15 -> 16h45: [Photogrammétrie] [BONASPETTI] [DECAMPS] [[Media:Photogrammétrie.pdf|Slides]], [[VT2019_Photogrammetrie|Fiche de synthèse]], [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]
* 16h45 -> 17h15: [Kafka streams] [SALA] [SOLVERY] [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Slides.pdf|Slides]], [[Media:INFO5_VTS_ErgiSALA_TomSOLVERY_Kafka-Streams_Synthese.pdf|Fiche de synthèse]]

== Séance 4 : 9/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [ARCore, ARKit] [CHABRE] [COSCIA] [ [[Media:ARCore_ARKit_VT2019.pdf|Slides]] ] [ [[VT2019_ARCore_ARKit|Fiche de synthèse]] ] [ [https://github.com/cgathergood/Your-First-AR-App-with-Sceneform Démonstration] ]
* 16h15 -> 16h45: [MPI] [DE ARAUJO] [DENIS] [ [[Media:soutenanceVTMPI.pdf|Slides]] ] [ [[VT2019_MPI|synthese]] ] [ [https://github.com/Saxito/VT_MPI Démonstration] ]
* 16h45 -> 17h15: [MapReduce, Hadoop] [RAKOTOARIMALALA] [ZHENG] [[https://docs.google.com/presentation/d/1rnQAACXoWcCMSLj3QQBssma6tFt3ETM0PnCwJqstqIE/edit?usp=sharing Slides]] [ [[VT2019_Hadoop_MapReduce|Fiche de Synthèse]] ] [ [[Demonstration]] ]

* 17h15 -> 17h45: [Microclimate, Codewind] [PELISSON] [SCHANEN] [ [[Media:Slides_microclimate.pdf|Slides]] ] [ [[VT2019_Microclimate_Codewind|Fiche de synthèse]] ] [ [[VT2019_Microclimate_Codewind_Demo|Démonstration]] ]

== Séance 5 : 16/12 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Snapcraft] [ARNOUX] [LORDEY] [[https://docs.google.com/presentation/d/1amWfeLfa1RnjSUjmZlSfZyGVKMSo_hQJIgYT_raYUV0/edit?usp=sharing Slides]] [[Snapcraft|Synthese]] [[https://github.com/gocarlos/python-ubuntu-snap-app-example Démonstration]]
* 16h15 -> 16h45: [Brain Computer Interfaces] [ALACALI] [IHEB][ [[Media:BCI.pdf | slides]] ] [ [[Media:FS.pdf | synthése]] ]
* 16h45 -> 17h15: [Huginn] [BARDOU] [DEVOS] [ [[Media:INFO5-VT-Huggin.pdf|Slides]] ] [ [[VT2019_Huginn|Fiche de synthèse]] ] [ [https://github.com/EvaBardou/huginn Démonstration] ]
* 17h15 -> 17h45: [ Architecture Serverless] [RIVOIRE] [TRESTOUR] [[https://docs.google.com/presentation/d/1b5ybq4nWCuTUY5hYFyzwPlo-uc16GlqD1PmSrAWmKY0/edit?usp=sharing Slides]] [ [[Serverless_Architectures|Fiche de synthèse]] ] [ [[Demonstration_Architecture_Serverless_AWS|Démonstration AWS]] ]

== Séance 6 : 6/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Low-Power Global Area Networks] [MASSON] [ZARCOS] [[https://docs.google.com/presentation/d/1RCnOYTkVYbAE3lOCa_rQoSXLuoNKS566BvGWEK9RKqM/edit?usp=sharing Slides]] [https://air.imag.fr/index.php/VT2019_LPGAN [Fiche de synthèse]] [[https://youtu.be/1M8DQCZ7F2c?t=46 Démonstration]]
* 16h15 -> 16h45: [Elixir et Phoenix] [SOUCHON] [VANDAL] [slides] [ [[Synthèse]] ] [ [[Démonstration]] ]
* 16h45 -> 17h15: Neural Processing Unit - VARENNE [[slides]] [[synthese]]
* 17h15 -> 17h45: [Peloton, a unified resource scheduler] [FONTFREYDE] [GAUTIER-PIGNONBLANC] [slides] [synthese]

== Séance 7 : 13/1/2020 ==
Enseignants : [[User:Gpbonneau|Georges-Pierre Bonneau]], [[User:Donsez|Didier Donsez]]

* 15h45 -> 16h15: [Apollo 2.0] [THOMAS] [VINCENT] [slides] [synthese]
* 16h15 -> 16h45: [Apache MXNet] [DALAINE] [GAUFFIER] [slides] [synthese]

=Sujets=
# [[IoT Dataflow Mashup]] (démo avec [[Eclipse Kura Wires]])
# [[MapReduce et Hadoop]]
# [[Reconstruction 3D par Photogrammétrie]]
# [[ ARCore (Google) et ARKit (Apple) ]]
# [[JSONnet]]
# [[Géo-réplication]] : Démo avec [[Apache Kafka MirrorMaker]]
# [[Pulsar]]
# [[Elixir]] et [[Phoenix]] Web framework
# [[Wookey project]] (Demo on a STM32F407 Discovery board)
# [[RSocket]]
# [[Nacos]] : open source project by Alibaba for service discovery and service configuration.
# [[NEMU]] : open source hypervisor specifically built and designed to run modern cloud workloads on modern 64-bit Intel and ARM CPUs.
# [[Architecture Serverless]] : démonstration avec le projet https://github.com/serverless/serverless sur votre compte Azure de votre compte GitHub Student Pack
# [[Fission]] : open-source serverless function framework for [[Kubernetes]] with a focus on developer productivity and high performance.
# [[Peloton]], a unified resource scheduler
# [[Microclimate]]
# [[AdTech]]
# [[Nearby communications]] (démonstration de [https://ionicframework.com/docs/native/google-nearby/ Nearby Messages API de Google avec Ionic])
# [[Conflict-free replicated data type]] (CRDT)
# [[Spinnaker]]

# [[gVisor]]: a new kind of sandbox that helps provide secure isolation for containers

# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]

# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]

# [[ESB]] : démonstration de [[Mule ESB]]
# [[MemCached]]

# [[Low-Power Global Area Network]]s ([[Sat-IoT]])
# [[ Voice-First Development]] : Designing, Developing, and Deploying Conversational Interfaces
# [[Psychométrie]]
# [[WebAssembly]]
# [[Fast Identity Online Alliance]] (FIDO)
# [[Apache MXNet]] : Demo avec [[Intel Movidius]] ([https://github.com/tspannhw/rpi-mxnet-movidius-minifi lien])
# [[DevSecOps]]
# Portails et l'API [[Portlet]] : Démo avec [[Liferay]]
# [[Apache Beam]]
# [[plateforme logicielle open source de conduite autonome Apollo 2.0]]
# [[Mynewt]]
# [[Flogo]] Open Source Framework for IoT Edge Apps & Integration.
# [[Neural Processing Unit]] (NPU) : Demo de la clé [[Intel Movidius]] sur un RPI
# [[Huginn]]
# [[Snapcraft]]
# [[Kafka Streams]]
# [[Moby]] : démonstration de containers avec votre projet [[ECOM-RICM|eCOM]].
# [[Hazelcast]] : Démo avec Spring Boot ([https://dzone.com/storage/assets/6459742-dzone-rc247-gettingstartedwithspringbootandmicrose.pdf lien]) dans un projet [[JHipster]]
# [[In-Memory Data Grids]] : Démonstration de [[Gigaspaces]] et [[XAP]] Open Source
# [[Fautes Byzantines]] : Démonstration de [[BFT-SMaRt]]
# Insport Video
# Gestionnaires de contenu : démonstration de [[Apache Jackrabbit]] dans le projet [[eCOM]]
# [[Memory-centric virtual distributed storage system]]
# [[Performance Monitoring]]
# [[ADEPT]] : [[Blockchain]] at Home (ABANDONNé)
# [[ESB]] : démonstration de [[Mule ESB]]
# [[Access Network Query Protocol (ANQP)]]
# [[JCache]] : démonstration avec [[Apache Ignity]]
# [[MemCached]]
# [[Apache Stratos]]
# [[gceasy]] : Universal garbage collection log Analyser
# [[Apache Solr]] : Démonstration avec [http://hortonworks.com/hadoop-tutorial/indexing-and-searching-text-within-images-with-apache-solr/ Tesseract OCR]
# [[Valgrind]]
# [[Content Delivery Network]]s : Démonstration de [[Amazon S3]], Azure, Akamaï ... sur votre projet [[ECOM-RICM|eCOM]]
# [[CMS]] : Demo avec [[Crafter CMS]]
# [[DMS]] (GED) : Demo avec la version Community Edition d'[[Alfresco]] et de son API REST avec [[Swagger]]
# [[SIG]] : Démonstration de [[QGIS]]
# [[Apache Airflow]]
# [[Cryptojacking]] : démonstration d'un navigateur exécutant [https://github.com/cazala/coin-hive CoinHive] et affichage du coup énergétique de l'opération.
# [[RIOT-OS]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte STM32 Nucleo LRWAN1).
# [[Zephyr]] : système d'exploitation pour l'Internet des Objets (Démonstration sur une carte [[Intel Quark D2000]]).
# [[HTTP/3]] : quoi de neuf ? Démonstration de l'amélioration des performances.
# [[Gyro]] : domain-specific language designed to concisely describe a cloud infrastructure. Démonstration avec votre application eCOM JHipster sur Azure.
# [[selenium]] contrôle automatisé de navigateur web - CUAU BADAT
# [[Rasa]] Traitement du langage naturel, chatbot -
# [[MPI]] DENIS & DE ARAUJO
# [[Brain Computer Interfaces ]] Alacali - Mastoura
# [[Deepfake Algorithms]] et outils.

Synthese

2020-01-06T10:49:03Z

Remi.varenne: /* Neural Processing Unit */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
[[File:TPU.png|100px|thumb|right|Tensor Processing Unit]]

Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
[[File:NNP.png|300px|thumb|right| Intel Nervana NNP]]

L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
[[File:Kirin.png|300px|thumb|right| Kirin 980]]

Huawei suit le même principe qu’Apple avec sa propre puce. Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
[[File:NCS2.png|400px|thumb|right|Intel Neural Compute Stick 2]]

Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

== Références ==
* [https://fr.wikipedia.org/wiki/Puce_d%27accélération_de_réseaux_de_neurones#cite_note-28 Neural Processing Unit]
* [https://www.movidius.com/ Le Intel Movidius, un dongle USB conçu pour le "vision processing"]
* [https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf ImageNet Classification with deep convolutional neural networks]
* [https://arxiv.org/pdf/1102.0183.pdf High-Performance Neural Networks for Visual Object Classification]
* [https://insidehpc.com/2017/06/inspurs-unveils-gx4-ai-accelerator/ Inspur unveils GX4 AI accelerator]
* [https://www.researchgate.net/publication/15149042_Designing_a_connectionist_network_supercomputer Designing a connectionist network supercomputer]
* [https://www.researchgate.net/publication/220851449_Video_Processing_and_Retrieval_on_Cell_Processor_Architecture Video processing and retrieval on cell processor architecture]
* [https://software.intel.com/en-us/articles/improving-the-compute-performance-of-video-processing-software-using-avx-advanced-vector-extensions-instructions Improving the compute performance of video processing software using Intel advanced vector extensions (Intel AVX) instructions]
* [https://hal.inria.fr/inria-00112631/document High Performance Convolutional Neural Networks for Document Processing High performance convolutional neural networks for document processing]
* [https://devblogs.nvidia.com/how-nvlink-will-enable-faster-easier-multi-gpu-computing/ How NVLink will enable faster, easier multi-GPU computing]
* [https://www.nextplatform.com/2016/08/23/fpga-based-deep-learning-accelerators-take-asics/ FPGA based deep-learning accelerator take on asics]
* [https://www.nextplatform.com/2015/08/27/microsoft-extends-fpga-reach-from-bing-to-deep-learning/ Microsoft extends FPGA reach from Bing to deep learning]
* [https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/CNN20Whitepaper.pdf Accelerating deep convolutional neural networks using specialized hardware]
* [http://techreport.com/news/30155/google-boosts-machine-learning-with-its-tensor-processing-unit Google boosts machine learning with its Tensor Processing Unit]
* [https://www.sciencedaily.com/releases/2016/02/160203134840.htm Chip could bring deep learning to mobile devices]
* [https://arxiv.org/pdf/1502.02551.pdf deep learning with limited numerical precision]
* [https://www.intel.ai/intel-nervana-neural-network-processors-nnp-redefine-ai-silicon/ Intel Nervana neural network processors redefine AI Silicon]
* [https://www.huawei.com/en/press-events/news/2017/9/mobile-ai-ifa-2017 Huawei reveals the future of mobile AI at IFA 2017]
* [https://www.extremetech.com/extreme/187612-ibm-cracks-open-a-new-era-of-computing-with-brain-like-chip-4096-cores-1-million-neurons-5-4-billion-transistors IBM cracks open a new era of computing with brain-like chip: 4096 cores, 1 million neurons, 5.4 billion transistors]
* [https://newsroom.intel.com/editorials/intels-new-self-learning-chip-promises-accelerate-artificial-intelligence/ Intel’s new self-learning chip promises to accelerate AI]

File:NCS2.png

2020-01-06T10:20:36Z

Remi.varenne:

Synthese

2020-01-06T10:20:18Z

Remi.varenne: /* Proposition de systèmes existants */

File:Kirin.png

2020-01-06T10:17:01Z

Remi.varenne:

Synthese

2020-01-06T10:16:47Z

Remi.varenne: /* Proposition de systèmes existants */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
[[File:TPU.png|100px|thumb|right|Tensor Processing Unit]]

Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
[[File:NNP.png|300px|thumb|right| Intel Nervana NNP]]

L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
[[File:Kirin.png|300px|thumb|right| Kirin 980]]

Huawei suit le même principe qu’Apple avec sa propre puce. Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

Synthese

2020-01-06T10:14:28Z

Remi.varenne: /* Google TPU */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
[[File:TPU.png|100px|thumb|right|Tensor Processing Unit]]

Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
[[File:NNP.png|300px|thumb|right| Intel Nervana NNP]]

L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

File:NNP.png

2020-01-06T10:13:48Z

Remi.varenne:

Synthese

2020-01-06T10:13:30Z

Remi.varenne: /* Neural Processing Unit */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
[[File:TPU.png|200px|thumb|right|Tensor Processing Unit]]

Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
[[File:NNP.png|300px|thumb|right| Intel Nervana NNP]]

L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

Synthese

2020-01-06T10:12:27Z

Remi.varenne: /* Intel Nervana NNP */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
[[File:TPU.png|200px|right]]

Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
[[File:NNP.png|300px|clumb|right| Intel Nervana NNP]]

L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

Synthese

2020-01-06T10:11:26Z

Remi.varenne: /* Intel Nervana NNP */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
[[File:TPU.png|200px|right]]

Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
[[File:NNP.jpeg|300px|clumb|right]]

L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

Synthese

2020-01-06T10:10:10Z

Remi.varenne: /* Google TPU */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
[[File:TPU.png|200px|right]]

Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

File:TPU.png

2020-01-06T10:09:47Z

Remi.varenne:

Synthese

2020-01-06T10:09:33Z

Remi.varenne: /* Google TPU */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
[[File:TPU.png|300px|right]]

Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

File:Asic.png

2020-01-06T10:07:34Z

Remi.varenne:

Synthese

2020-01-06T10:07:20Z

Remi.varenne: /* Neural Processing Unit */

= Neural Processing Unit =
== Description général ==
[[File:NPU.jpeg|300px|right]]

Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
[[File:Asic.png|300px|right]]

On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

File:NPU.jpeg

2020-01-06T10:04:30Z

Remi.varenne:

Synthese

2020-01-06T10:03:30Z

Remi.varenne: /* Neural Processing Unit */

= Neural Processing Unit =
[[File:NPU|300px|thumb|center|OpenVino]]

== Description général ==
Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

Synthese

2020-01-06T10:02:05Z

Remi.varenne:

= Neural Processing Unit =
== Description général ==
Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

Synthese

2020-01-06T09:58:51Z

Remi.varenne: /* Neural processing unit */

= Description général =
Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

= Différentes techniques existantes =
== Arithmétique basse précision ==
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

== Parallelisation ==
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

= Différents systèmes existants =

== Utilisation des GPU ==
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

== Utilisation des ASIC ==
On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

== Utilisation des FPGA ==
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

= Proposition de systèmes existants =
== Google TPU ==
Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

== Intel Nervana NNP ==
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

== Movidius Myriad 2 ==
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

== Neural Engine ==
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

== HiSilicon Kirin 970 ==
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

== Intel Neural Compute Stick 2 ==
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

Synthese

2020-01-06T09:57:32Z

Remi.varenne: /* Intel Neural Compute Stick 2 */

=Neural processing unit=
== Description général ==
Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Comme on peut le voir sur le tableau ci dessus, l'ajout d'un NCS2 réduit drastiquement le débit ainsi que les valeurs retournées par les différents modèles. Cependant, on peut remarquer qu'on gagne 2 fois plus d'efficacité avec l'ajout du stick sur une machine ayant un CPU i7.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

File:Résultats NCS2.png

2020-01-06T09:51:33Z

Remi.varenne:

Synthese

2020-01-06T09:51:13Z

Remi.varenne: /* Neural processing unit */

=Neural processing unit=
== Description général ==
Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

[[File:Résultats NCS2.png|700px|thumb|center]]

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

[[File:OpenVino.png|700px|thumb|center|OpenVino]]

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitaton et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.

Synthese

2020-01-06T09:48:05Z

Remi.varenne: /* Description général */

=Neural processing unit=
== Description général ==
Une puce d'accélération de réseaux neuronaux (appelé Neural Processing Unit ou NPU) est une forme de microprocesseur. Son but est d'accélérer un réseau de neurones artificiels pour des algorithmes de vision industrielle, de l'automatisation de drones, une amélioration de l'IoT.

[[File:OpenVino.png|700px|thumb|OpenVino]]

Malgré les progrès matériels des dernières décennies, la vitesse de calcul reste un facteur limitant pour les architectures de réseaux neuronaux convolutionnelles ou convolutional neural network (CNN) caractérisées par de nombreux blocs de construction typiquement définis par essais et erreurs.

En effet, l'amélioration de la performance globale du système due à l'accélération d'une partie du système (par exemple, un calcul plus rapide via le parallélisme) est limitée par la fraction du travail qui n'est pas accélérée (par exemple, le code série). Par exemple, si 90% d'une tâche est accélérée à l'infini, la tâche globale n'est effectuée que dix fois plus vite.

La plupart des systèmes utilisés utilise une conception multicoeur pour de différentes utilisations tel que l'arithmétique basse précision ou l'architecture en flux de données. Je reviendrai sur ces techniques plus tard.

Le fait d'accélérer l'unité centrale de traitement ou CPU (Central Processing Unit) a déjà été fait par le passé, avec l'utilisation de cartes vidéos pour les graphiques ou des cartes sons pour l'audio. Pour répondre aux besoins toujours plus important liés à la conception de réseaux neuronaux, des unités matérielles ont été spécialement créées pour celà.

== Différentes techniques existantes ==
=== Arithmétique basse précision ===
Les expériences montrent que l'arithmétique en fixed point, qu'on peut aussi appelé arithmétique de faible précision suffit pour la plupart des réseaux. L'arithmétique en fixed point veut dire que les valeurs que l'on trouve sur un réseau seront des valeurs codées sur 8 bits. La deuxième solution existante est l'arithmétique flottante où les valeurs sont des flottants codés sur 28 bits. L'arithmétique basse précision permet de réduire la taille du réseau et donc de réduire le temps d'entrainement du modèle. Plusieurs problèmes sont suffisamment réguliers et adapté à une exécution parallèle et en pipeline.

Les unités de calcul utilisant des valeurs en fixed-point sont généralement plus rapides et consomment beaucoup moins de ressources matérielles et de puissance que les unités de calculs à valeurs flottantes. La plus petite empreinte logique des circuits arithmétiques en fixed-point permettrait l'instanciation de beaucoup plus d'unités de ce type pour une surface et un budget de puissance donnés. De plus, la représentation de données de faible précision réduit l'empreinte mémoire, ce qui permet aux modèles de plus grande taille de s'adapter à la capacité mémoire donnée et de réduire les besoins en bande passante. Cumulativement, cela pourrait permettre d'améliorer considérablement le parallélisme au niveau des données.

=== Parallelisation ===
L'accent mis dans la parallelisation dans les GPU conduit à l'optimisation du débit, en masquant plutôt qu'en minimisant la latence. La prise en charge de milliers de threads garantit un partage des tâches face aux dépendances de données afin de maintenir les performances à un pourcentage élevé.

Les CPU modernes permettent des "instructions level parallelism" (ILP), autrement dit, ils permettent d'exécuter des instructions en parallèle.

== Différents systèmes existants ==

=== Utilisation des GPU ===
Les unités de traitement graphiques (ou Graphics Processions Units) sont des processeurs monopuce qui sont conçus pour accélérer les graphiques 3D en temps réel qui sont affichés sur l'interface de l'utilisateur.

Les GPUs sont utilisées principalement pour la manipulation d'images, or ceci est également grandement utilisé dans l'intelligence artificielle. En effet, nous pouvons retrouver de grandes similarités dans les formules mathématiques utilisées das les réseaux neuronaux ainsi que la manipulation d'images. Nous pouvons donc dans les deux cas faire de la parallelisation de calculs compliqués utilisant des matrices.

Les études actuelles sur la conception et la configuration des GPUs ont permis d'obtenir une mémoire dédiée plus importante, une bande passante plus large vers la mémoire graphique et un parallélisme interne accru. De plus, les GPUs actuels sont sont toujours plus programmables.

Avec l'introduction de la programmabilité, les GPUs ont gagné suffisamment de flexibilité pour être utilisé dans des applications non graphiques. De plus, l'architecture d'accès en parallèle aux données des GPU offre des gains de performance considérables par rapport aux CPU pour les applications à forte intensité de calcul. Des extensions aux algorithmes graphiques alternatifs et aux problèmes de calcul scientifique ont été explorées dans un certain nombre de cas.

Les GPU sont ainsi devenues beaucoup plus populaires pour accélérer l'entrainement de réseaux neuronaux et cela ne cesse de s'améliorer. Ils sont très efficaces pour l'apprentissage et l'inférence dans des dispositifs de plus en plus autonomes comme pour les véhicules automatiques.

Une étude a fait un entrainement de modèles sur de multiples GPU. Un GTX 580 GPU a un espace limité de mémoire, ce qui limite la taille maximale des réseaux qui peuvent être entrainer dessus. Ils ont réparti le réseau sur 2 GPU. Les GPUs actuels sont particulièrement adaptés pour la parallelisation entre GPUs, ils sont donc capable de lire et d'écrire sur la mémoire des différents GPUs, sans passer par la machine hôte. Le schéma de parallelisation employé met la moitié des neurones sur chaque GPU.

=== Utilisation des ASIC ===
On a donc noté que les GPU, ainsi que les FPGAs sur lesquels je reviendrai plus bas, permettent d’être beaucoup efficace que l’utilisation unique de CPU pour des tâches d’IA. Il est cependant possible d’être encore plus performant avec une conception toujours plus adaptée à son utilisation avec un "Application-specific integrated circuit" (ASIC). Un ASIC est un circuit intégré spécialisé sur lequel sont regroupées un grand nombre de fonctionnalité adaptées à la tâche future de ce circuit. Ils sont ainsi parfaitement adapté pour l'entrainement de modèle de réseaux neuronaux.

Etant donné que cette pièce est faite sur mesure, c’est interessant de commander des ASICs en grande quantité pour rentabiliser le coût initial important.

=== Utilisation des FPGA ===
Il est pour l’instant difficile de concevoir du matériel sur mesure car les frameworks d’apprentissage approfondi continuent d’évoluer. Heureusement, ils utilisent des "field-programmable gate array" (FPGA) qui sont des dispositifs reconfigurables qui permettent de faire facilement évoluer les frameworks, mais également les logiciels et le matériel.

Les FPGAs sont des circuits logique programmable qui sont des circuits intégrés qui peuvent être reprogrammés après sa fabrication. Ils sont connectés de manières réversibles par programmation pour réaliser des fonctions numériques désirées. On peut donc utiliser une même puce pour de nombreux usages différents.

On utilise les FPGAs pour de multiples applications numériques ainsi que pour le prototypage. Si l’on comparait les FPGAs aux ASICs, on pourrait dire que les FGPAs sont en général plus lents, plus chers à la pièce et qu’ils sont beaucoup coutant en terme d’énergie. Cependant, ils ont également de nombreux avantages. En effet, la production de ces pièces est assez rapide car ce sont des pièces standardisées et que le temps de conception est court car des fonctions de base comme la reconfiguration autorise des normes de production moins strictes. Enfin, pour de petites quantités, le cout des FPGAs est plus faible.

On peut retrouver de nombreuses compagnies s’intéresser aux FGPAs tel que Microsoft qui souhaitent les utiliser pour accélérer l’inférence ou Intel qui veut intégrer les FPGAs dans les CPUs des serveurs pour accélérer l’intelligence artificielle.

== Proposition de systèmes existants ==
=== Google TPU ===
Le TPU est un ASIC conçu sur mesure suffisamment petit pour s'insérer dans un emplacement de disque dur dans les racks des centres de données de Google. Les ingénieurs de Google disent que le TPU offre une performance par Watt 10 fois plus performante que les solutions déjà commercialisées pour ce qui concerne les tâches de machine learning. Sans surprise, lue TPU est optimisé pour la librairie open-source de machine learning de google, Tenforflow. Il est très souvent utilisé pour l'utilisation de CNN. Il se concentre sur le calcul de valeurs codées sur 8 bits en grande quantité. L'adaptation du TPU à l'arithmétique faible précision a apparemment permis à Google de réaliser des gains importants en matière de conception matérielle. Cette approche a permis à l'entreprise d'éliminer un nombre important de transistors qui auraient autrement été nécessaires pour les opérations courantes.

=== Intel Nervana NNP ===
L'Intel Nervana Neural Network Processor (NNP) est une architecture spécialement conçue pour le deep-learning. L'objectif de cette nouvelle architecture est de fournir la flexibilité nécessaire pour supporter toutes les primitives de deep-learning tout en rendant les composants matériels de base aussi efficaces que possible. L'Intel Nervana NNP a été conçu pour se libérer des limitations imposées par le matériel existant, qui n'était pas explicitement conçu pour l'IA.

La multiplication des matrices et les convolutions sont au cœur du deep-learning. Ces calculs sont différents de ce qui se fait généralement puisque les opérations et les mouvements de données sont largement connus a priori. Pour cette raison, le Nervana NNP d'Intel n'a pas de hiérarchie de cache standard et la mémoire sur puce est gérée directement par le logiciel. Une meilleure gestion de la mémoire permet à la puce d'atteindre des niveaux élevés d'utilisation de la quantité massive de calcul sur chaque puce. Cela se traduit par un temps de formation plus rapide pour les modèles de Deep Learning.

Conçu avec des interconnexions à haut débit sur et hors puce, le NNP Intel Nervana permet un transfert de données bidirectionnel massif. Un des objectifs de la conception était de parvenir à un véritable parallélisme des modèles où les paramètres des réseaux neuronaux sont répartis sur plusieurs puces. Ainsi, plusieurs puces agissent comme une seule grande puce virtuelle qui peut accueillir des modèles plus importants, ce qui permet aux clients de tirer davantage d'informations de leurs données.

=== Movidius Myriad 2 ===
Movidius Myriad 2 est un accélérateur VLIW AI à multicoeur qui est complété par des unités de fonctions vidéos fixes. Un "very long instruction word" (VLIW) représente une famille d’ordinateurs qui possèdent un processeur à mot d’instruction très long (en général supérieur à 128 bits). On peut associé cette technologie à la gestion du pipeline d’exécution d’un processeur dans les compteurs. Elle va fournir des instructions longue correspondant à plusieurs courtes instructions.

=== Neural Engine ===
Neural Engine est un noyau d'accélérateur d'intelligence artificielle placé au sein du SOC A11 Bionic d'Apple. C’est la puce qu’utilise Apple à partir de son iPhone X pour ses fonctionnalités de reconnaissance faciale et réalité augmenté. Elle est composée d’un pair de coeurs dédiés à l’utilisation d’algorithmes spécifiques au machine learning (ML). Il peut faire plus de 600 milliards d’opération par seconde pour aider aux tâches d’intelligence artificielle (Il est cependant léger de donner uniquement son nombre d’opérations par seconde pour représenter l’efficacité de cette puce).

=== HiSilicon Kirin 970 ===
Huawei suit le même principe qu’Apple avec sa propre puce.Kirin 970 est alimenté par un CPU 8 cœurs et un GPU 12 cœurs de nouvelle génération. La puce regroupe 5,5 milliards de transistors dans une surface de seulement un cm2. La nouvelle figure de proue en terme de NPU de Huawei, le Kirin 970, est la première plate-forme informatique mobile d'IA de HUAWEI dotée d'un NPU dédié. Comparée à un cluster de CPU quadricœur Cortex-A73, la nouvelle architecture de calcul hétérogène de Kirin 970 offre jusqu'à 25 fois plus de performances avec une efficacité 50 fois supérieure. En d'autres termes, le Kirin 970 peut exécuter les mêmes tâches de calcul AI plus rapidement et avec beaucoup moins de puissance. Lors d'un test de reconnaissance d'images de référence, la Kirin 970 a traité 2000 images par minute, ce qui est plus rapide que les autres puces actuel du marché.

=== Intel Neural Compute Stick 2 ===
Le Intel Neural Compute Stick 2 (NCS2) est un kit de développement plug and play pour l'intelligence artificielle. Il a été développé pour être utilisé aussi bien sur Ubuntu que Windows et MacOS ainsi qu'avec des prototype avec dispositifs à faible coût tel que le Raspeberry PI*3. Le NCS2 a été conçu pour utilisé les frameworks communs d'intelligence artificielle tel que Tensorflow, Keras ou Pytorch et il fonctionne sans dépendance se trouvant dans le cloud contrairement à la puce d'Apple.

Il peut notamment deployer des CNN sur des applications consommant peu d'énergie ce qui requiert un fonctionnement en temps réel. L'avantage du NCS2 est qu'il va accélérer le déploiement de modèle de réseaux neuronaux sur les plateformes Intel avec l'outil associé "deep-learning deployment toolkit" (DLPT).

On peut facilement le prendre en main, avec des modèles pré-entrainés, des librairies de fonctions et un noyau pré-optimisé pour une livraison du produit utilisant l'IA rapide.

Il est capable de supporter le calcul hétérogène à travers d'autres accélérateurs comme des GPU ou un FPGA en utilisant une API commune. En effet, il pourra maitriser la performance des accélérateurs basé sur une technologie Intel.

L’intel NCS2 est un Movidius Myriad X placé sur une machine ayant le un CPU i7. Les compteurs d’intel peuvent ou ne peuvent pas être optimiser au même degré pour les micro-processeurs qui ne sont pas d’Intel. L’organisation des dépendances des micro-processeurs est prévue pour l’utilisation des microprocesseurs d’Intel.

Un pipeline de vision par ordinateur typique avec deep-learning peut être constitué de fonctions de vision régulières (comme le prétraitement d'images) et d'un réseau neuronal convolutif (CNN). Les graphiques CNN sont accélérés sur le FPGA ou sur les Intel Movidius Neural Compute Sticks (NCS), tandis que le reste des pipelines de vision fonctionnent sur un processeur hôte.

Les tests passés ont démontré une nette amélioration des performances sur plusieurs modèles de réseaux neuronaux publics avec un développement du modèle sur les CPU, GPU et FPGA d'Intel.

Pour étudier les résultats, ils ont utilisé certaines mesures pour étudier la performance du NCS2 :
* '''Débit''' : mesure le nombre d'inférences livrées à l'intérieur d'un seuil de latence (par exemple, le nombre d'images par seconde). Lors du déploiement d'un système avec inférence d'apprentissage profond, sélectionnez le débit qui offre le meilleur compromis entre latence et puissance pour le prix et les performances qui répondent à vos exigences.

* '''Valeur''' : Bien que le débit soit important, ce qui est plus critique dans le déploiement de l'AI de pointe est l'efficacité de la performance ou la performance par coût. La performance des applications en termes de débit par dollar de système est la meilleure mesure de la valeur.

* '''Efficacité''' : La puissance du système est une considération clé, de la périphérie au centre de données. Lors de la sélection de solutions d'apprentissage approfondi, l'efficacité énergétique (débit/watt) est un facteur critique à prendre en compte. Les conceptions Intel offrent une excellente efficacité énergétique pour les charges de travail d'apprentissage approfondi.

Si on se rapproche un peu plus de l'applicatif, il est possible d'utiliser l'outil OpenVino qui permet aux développeurs de déployer des modèles pré-entrainés de deep-learning à travers du C++ haut level ou avec Python en faisant fonctionner l'API intégré. Cet outil suppose de multiples plateformes Intel.

A l'intérieur de cet outil se trouve l'optimiseur de modèle qui est un outil de ligne de commande en Python qui importe des modèles créés par les frameworks populaires de deep-learning. Il est capable de fonctionner sur de multiples systèmes d'exploitation et retourne des analyses et des ajustements pour une execution optimale sur des dispositifs cibles en utilisant des modèles statiques et entraînés.

On y retrouve aussi le moteur d'inférence qui utilise une API commune pour délivrer des solutions d'inférence sur la plateforme choisie: CPU, GPU, VPU ou FPGA. Il fonctionne sur différentes couches avec différentes (comme par exemple un GPU and des couches sélectionnées sur un CPU). Il implémente des couches customizes sur un CPU tout en exécutant la topologie restante sur un GPU - sans avoir à réécrire les couches personnalisées. Il peut aussi optimiser les charges de travail (analyse des graphiques de calcul, ordonnancement et compression des modèles) pour le matériel cible grâce à une solution de notation conviviale intégrée, profiter de la nouvelle exécution asynchrone pour améliorer les performances de la fréquence d'images tout en limitant les cycles perdus , et utiliser une API C++ ou Python pratique pour travailler sur les fichiers IR et optimiser l'inférence.