Recherche & Développement

flyworthy.ai LAB

Prototypage, méthodes formelles et IA explicable pour la maintenance aéronautique

Notre laboratoire explore les fondations techniques qui rendent crédibles les solutions IA pour le MRO : explicabilité, robustesse, vérifiabilité et conformité anticipée.

Vision du LAB

Un espace dédié à l'innovation technique, distinct de la contrainte commerciale, où nous explorons, publions et outillons les futures solutions IA pour l'aviation.

Explicabilité par défaut

Chaque modèle doit pouvoir être interprété et validé par les experts métier.

Robustesse aux données réelles

Tests rigoureux sur données opérationnelles avec gestion de la dérive.

Conformité anticipée

Intégration des exigences UE / EASA dès la phase de conception.

Ouverture

Open source quand c'est possible, documentation complète, reproductibilité.

Travaux & Projets

Explorez nos initiatives de recherche appliquée, outils open source et démonstrateurs techniques.

Open Source

abstractNN

Cadre d'abstraction pour réseaux de neurones permettant l'analyse et la comparaison de comportements.

PythonIA ExplicableValidation
Voir sur GitHub
R&D

Pipeline IA MRO simulé

Environnement de test avec données synthétiques avion/hélicoptère pour valider les approches.

SimulationMROTesting
En développement
R&D

Outils d'explicabilité structurée

Suite d'outils pour interpréter et visualiser les décisions des modèles IA en maintenance.

XAIVisualisationGouvernance
Documentation
Expérimental

Monitoring de dérive

Expérimentations sur la détection et la gestion de la dérive de modèles en production.

MLOpsMonitoringRobustesse
Notes de recherche
Package open source

abstractNN

Notre package Python open source pour l'abstraction et l'analyse de réseaux de neurones. Un démonstrateur concret de notre approche en méthodes formelles appliquées à l'IA.

Abstraction de réseaux de neurones pour analyse comportementale
Comparaison structurée de modèles IA
Support à la vérification formelle
Outils d'explicabilité intégrés
Documentation complète et exemples pratiques
Code Python réutilisable et versionné
Consulter le dépôt GitHub
# Installation
pip install abstractNN
# Usage exemple
from abstractnn import AffineEngine, BoundPropagator, ONNXParser
from abstractnn import verify_partial_soundness
# Abstraire un modèle
engine = AffineEngine()
propagator = BoundPropagator(engine)
# Comparer deux modèles
output_exprs = propagator.propagate(input_exprs,layers, image.shape)
bounds = [exprs.get_bounds() for expr in output_exprs])

Notes de Recherche

Veille réglementaire, réflexions techniques et retours d'expérience sur l'intégration de l'IA dans l'aviation.

2024-0112 min

AI Act et implications pour le MRO aéronautique

Analyse détaillée des exigences du règlement européen IA et leur traduction en contraintes techniques pour les systèmes de maintenance prédictive.

RéglementationAI ActConformité
Lire l'article complet
2024-012 min

Lignes directrices EASA sur l'IA : état des lieux

Synthèse des positions EASA sur l'intégration de l'IA dans les processus de certification et de maintenance.

EASACertificationAviation
2023-1210 min

Validation de modèles : approches formelles vs empiriques

Comparaison des méthodes de validation et proposition d'une approche hybride pour le contexte MRO.

ValidationMéthodes formellesTesting
Lire l'article complet
2023-122 min

Intégration IA dans les organisations MRO

Retour d'expérience sur les facteurs clés de succès et les pièges à éviter lors du déploiement de solutions IA.

MLOpsOrganisationChange Management

Appels à Collaboration

Vous avez des données, des cas d'usage ou des questions de recherche ? Travaillons ensemble.

Tester nos modèles

Mettez à l'épreuve nos approches sur vos données opérationnelles. Confidentialité garantie, insights partagés.

Co-construire une preuve

Collaborez avec nous pour établir des preuves de conformité IA adaptées à votre contexte réglementaire.

Formulaire de contact LAB

À propos du LAB

Équipe R&D interne flyworthy.ai

Le LAB est piloté par l'équipe de recherche et développement de flyworthy.ai, avec une expertise combinée en :

  • Méthodes formelles appliquées à l'intelligence artificielle
  • IA explicable et vérifiable pour systèmes critiques
  • Ingénierie logicielle et MLOps pour l'aéronautique
  • Maintenance prédictive et analyse de données MRO

Nos travaux s'appuient sur des bases scientifiques solides, notamment en abstraction de réseaux neuronaux (abstractNN), et visent à établir des ponts entre recherche académique et besoins industriels concrets.

Socle scientifique : Les méthodes développées au LAB reposent sur des années de recherche en méthodes formelles et leur application aux réseaux de neurones, garantissant rigueur et reproductibilité.