Près de 400 chercheurs, acteurs du secteur de l’énergie et experts industriels se sont réunis sur deux jours à EDF Lab Paris-Saclay pour un workshop dédié aux dernières avancées en apprentissage par transfert et en modèles de fondation pour les séries temporelles. Organisé conjointement par le projet ANR DECATTLON et la R&D d’EDF, avec le soutien du réseau français de l’ENBIS (European Network for Business and Industrial Statistics), l’événement s’inscrit dans les initiatives visant à promouvoir les méthodes de statistique et d’apprentissage automatique au sein des entreprises et de l’industrie.
L’événement a rassemblé un public composé de collaborateurs de la R&D, du Groupe (EDF, Enedis, RTE…), mais également une large communauté d’académiques (École polytechnique, ENS Paris-Saclay, Université Paris-Cité...) et d’industriels (Schneider Electric, Huawei, Ericsson…). Durant deux journées, les participants ont assisté à des sessions plénières, ateliers et présentations de posters consacrés à l’apprentissage par transfert (transfer learning) et aux modèles de fondation (foundation models).
L’apprentissage par transfert (transfer learning) a marqué un tournant en permettant de réutiliser les connaissances acquises lors d’une tâche pour en résoudre une autre, optimisant ainsi l’utilisation des ressources et des données.
Les modèles de fondation (foundation models), des architectures générales et puissantes telles que les Transformers, ont récemment connu une nouvelle révolution. Préentraînés sur des volumes massifs de données, ces modèles fournissent des bases universelles qui peuvent être facilement adaptées à des applications spécifiques grâce à des techniques avancées d’apprentissage par transfert. Ils redéfinissent ainsi les pratiques de personnalisation et d’efficacité en intelligence artificielle, ouvrant la voie à de nouvelles opportunités d’innovation dans de nombreux domaines industriels.
Les présentations ont couvert un large éventail de sujets, parmi lesquels :
- Les architectures des modèles de fondation ;
- Les applications aux séries temporelles : prévision, régression, imputation de données manquantes, classification et détection d’anomalies ;
- L’adaptation de domaine et le transfert multi-tâches ;
- L’évaluation de la robustesse des modèles ;
- Les applications industrielles ;
- L’efficacité computationnelle et le déploiement opérationnel de ces modèles
Les contributions de la R&D d’EDF
#1 Introduction au Deep Learning pour les séries temporelles : vers une meilleure généralisation à l’inférence
Etienne Le Naour (R&D d'EDF), Tahar Nabil (R&D d'EDF)
Cette présentation introductive apporte les connaissances essentielles pour comprendre l’émergence récente des modèles de fondation appliqués aux séries temporelles. Elle propose d’abord un panorama des principales approches de deep learning qui ont marqué ce domaine au cours de la dernière décennie, en présentant les principales architectures ainsi que leurs applications à la prévision, la classification, l’imputation de données manquantes, la régression et la détection d’anomalies. La présentation met ensuite en lumière les limites des modèles entraînés pour une tâche ou un jeu de données spécifique, soulignant la nécessité de développer des modèles capables d’apprendre des représentations temporelles plus générales et transférables.
#2 TS-ICL : un modèle de fondation flexible indexé par le temps pour les séries temporelles grâce à l'apprentissage en contexte (NeurIPS 2026)
Etienne Le Naour (R&D d'EDF), Tahar Nabil (R&D d'EDF)
Alors que la plupart des modèles de fondation pour les séries temporelles se concentrent principalement sur la prévision, de nombreuses applications réelles nécessitent de raisonner sur des données irrégulières et partiellement observées. Cette présentation introduit TS-ICL, un modèle de fondation qui unifie la prévision et l’imputation au sein d’un même cadre d’apprentissage en contexte.
Contact R&D : Yvenn Amara Ouali - yvenn.amara-ouali@edf.fr