marguerite espada frédéric eichelbrenner jordi gibert veremes...taln : branche du machine learning...

Marguerite Espada

Frédéric Eichelbrenner

Jordi Gibert

Veremes

InterfaceFME Desktop 2019

Interface

Interface optimisée et personnalisable

• Nouvelle interface en mode sombre (dark mode)

• Prévisualisation intégrée dans Workbench

• Data Inspector : Mode animation

• Amélioration de l’ancrage des fenêtres

• Taille automatique des Transformers et Feature Types

• Nouvelles palettes de couleurs pour les bookmarks

• Amélioration des outils de commentaires

Cache d’entités et exécution

partielleFME Desktop 2019

Cache d’entités et exécution partielle

• Mécanismes apparus en 2018

• Améliorés en 2019

• Fonctionnent de pair avec « Visual

Preview »

• Gain de performance ultime : ne pas réaliser

un traitement

Amélioration des performances

FME Desktop 2019

2019

2018

273 000 ENTITÉS DISSOUTES

Dissolver

2019

2018

Esri Shapefile

693 444 ENTITÉS LUES

Reader shp Esri

Esri Shapefile (Tech Preview)

35 sec

1,6 sec

Mise à jour de Transformers

FME Desktop 2019

Tester

Test composite plus littéraire

Ce changement se répercute sur TestFilter

20192018

ChangeDetector

La nouvelle version 2019 détecte les mises à jour

20192018

Transformers

Enregistrement du paramétrage de Transformers

Autres mises à jour

• Python

• Traitement parallèle revu et disponible dans les

Transformers personnalisés pour une réelle

amélioration des performances

Nouveaux Transformers

FME Desktop 2019

EsriReprojector

Pas nouveau, mais réécrit pour ne pas utiliser ArcObjets

ConnectorsFME Desktop 2019

Nouveaux connecteurs

Interfaces personnalisées : • AzureBlobStorageConnector

• AzureFileStorageConnector

• CesiumIonConnector

• CityworksConnector

• GoogleCloudStorageConnector

• S3Connector

• AzureQueueStorageConnector

(prochainement)

• KafkaConnector (prochainement)

• TrelloConnector (prochainement)

PackageFME Desktop 2019

Package : rendre FME modulable

• Installer certains composants sans avoir à télécharger et installer une nouvelle

version

• Les développeurs peuvent transmettre plus facilement les différents composants

• Les nouveaux Transformers et Readers/Writers sont à présent disponibles sur FME

Hub au format .fpkg

• Paquets actuellement disponibles :

➢ S3Connector

➢ CesiumIonConnector

➢ RasterObjectDetector series

➢ NLP series

Nouveaux formats

FME Desktop 2019

Nouveaux formats

• Lecture native Revit

• I3s

• DGN Meshes

• Compressed File Reading

(.rar/.gz/.tgz/.zipx)

• Digital Weather Markup Language

(DWML) Reader

• FME Augmented Reality (AR)

Reader

• Garmin POI Reader/Writer

• Google Storage Connectors

• OGC Web Coverage Service (WCS)

Reader

• TopoJSON Writer

Lecture de format DICOM (imagerie médicale)

Lecture de format DICOM (imagerie médicale)

Décompression

Game Engine Support

Unreal Datasmith Writer

Vidéo disponible sur : https://youtu.be/EZbKf9HcqPk

FME Desktop 2019

Machine Learning

Traitement Automatique du Langage Naturel

TALN : branche du Machine Learning

• Linguistique

• Informatique

• Intelligence artificielle

Interprétation de langage et renvoi de réponse

Étudier des quantités massives de texte libre pour récupérer

des informations pertinentes

• Préparation jeux de données d’entraînement➢ Un corpus

• Entraînement ➢ Génération du modèle d’apprentissage au format fmd

• Interprétation➢ Interprétation d’énoncé par classification

TALN : 3 opérations

• Préparation du jeu de données d’entraînement

➢ Un corpus

• Entraînement de FME : phase d’apprentissage

➢ Conception d’un modèle au format .fmd

➢ NLPTrainer

• Interprétation d’énoncés

➢ Utilisation du modèle pour interpréter des phrases

➢ NLPClassifier

Détection d’objets

Détection d’objets dans des images

• Modèles de détection d’objets proposés par défaut➢ Visages / Corps / Animaux / Objets

• Modèles de détection définis par l’utilisateur➢ Personnalisés

• Préparation jeux de données d’entraînement➢ Sélection des images avec objet (positives)

➢ Sélection d’images sans objet (négatives)

• Entraînement ➢ Génération du modèle de détection (xml)

• Détection d’objets➢ Reconnaissance d’objets à partir du modèle de détection

Détection d’objets dans des images

• Préparation jeux de données d’entraînement➢ Délimitation de l’objet (Librairie OpenCV)

Détection d’objets dans des images

Transformers pour la détection d’objets

• Préparation jeux de données d’entraînement➢ RasterObjectDetectorSampleGenerator

➢ RasterObjectDetectorSamplePreparer

• Entraînement➢ RasterObjectDetectionModelTrainer

• Détection d’objets➢ RasterObjectDetector

Merci de votre attention