Etat de l'art business

Les systèmes de surveillance basés sur l’IA sont des outils qui utilisent des caméras, des microphones et des algorithmes d’analyse pour surveiller les examens et détecter les comportements suspects. Voici quelques exemples de ces systèmes :

Proctorio : Proctorio est un système de surveillance basé sur l’IA utilisé pour les examens en ligne. Il utilise des algorithmes pour surveiller l’activité de l’étudiant, notamment les mouvements de la souris, les clics, les touches et l’activité de la webcam. Il peut également détecter les tentatives de copie en comparant les réponses des étudiants entre eux.

ExamSoft : ExamSoft est un système de surveillance qui utilise des webcams pour surveiller les étudiants pendant les examens. Il peut détecter les mouvements oculaires, les mouvements de la tête et les bruits suspects, ainsi que les changements dans la luminosité et l’environnement de la pièce.

ProctorU : ProctorU est un système de surveillance qui utilise des surveillants en ligne pour surveiller les étudiants pendant les examens. Les surveillants peuvent détecter les signes de triche en observant les mouvements de la souris, les clics et les touches, ainsi que les changements de comportement.

Respondus Monitor : Respondus Monitor est un système de surveillance basé sur l’IA qui utilise des webcams pour surveiller les étudiants pendant les examens en ligne. Il peut détecter les signes de triche, tels que les mouvements oculaires, les mouvements de la tête et les bruits suspects.

Honorlock : Honorlock est un système de surveillance basé sur l’IA utilisé pour les examens en ligne. Il utilise des algorithmes pour surveiller l’activité de l’étudiant, notamment les mouvements de la souris, les clics, les touches et l’activité de la webcam. Il peut également détecter les tentatives de copie en comparant les réponses des étudiants entre eux.

Il convient de noter que l’utilisation de ces systèmes de surveillance peut soulever des questions de confidentialité et de protection des données, et que leur utilisation doit être conforme aux lois et aux règlements en vigueur. De plus, certains étudiants peuvent se sentir mal à l’aise avec cette forme de surveillance, il est donc important de communiquer clairement les politiques de l’école en matière de surveillance et de leur donner des choix sur la façon dont ils préfèrent passer leur examen.

Etat de l'art technique

L’article “AI-Powered Campus Security and Surveillance” publié sur le site Security Magazine en octobre 2021 traite des différents systèmes de sécurité et de surveillance basés sur l’IA qui sont utilisés sur les campus universitaires pour prévenir les crimes et assurer la sécurité des étudiants et du personnel.

L’article commence par expliquer que les campus universitaires sont souvent confrontés à des défis en matière de sécurité, notamment la prévention des crimes, la surveillance des zones sensibles et la réponse rapide en cas d’incident. Pour relever ces défis, de plus en plus d’universités adoptent des systèmes de sécurité et de surveillance basés sur l’IA.

L’article présente ensuite les différents types de systèmes de sécurité et de surveillance basés sur l’IA, notamment les caméras intelligentes, les capteurs de mouvement, les systèmes de reconnaissance faciale, les chatbots et les analyses de données.

En ce qui concerne les avantages de ces outils, l’article souligne qu’ils permettent une surveillance continue et efficace des zones sensibles, qu’ils peuvent aider à prévenir les crimes et à réduire les risques pour la sécurité, et qu’ils permettent une réponse rapide en cas d’incident.

Cependant, l’article souligne également les inconvénients potentiels de ces outils, tels que les préoccupations liées à la confidentialité et à la protection des données, ainsi que les risques de faux positifs ou de fausses alertes.

L’article présente également des exemples concrets d’universités qui ont adopté ces systèmes de sécurité et de surveillance basés sur l’IA, notamment l’Université de Californie à Los Angeles (UCLA) et l’Université de Syracuse.

Enfin, l’article conclut en soulignant l’importance d’une approche équilibrée pour la sécurité et la surveillance des campus universitaires, qui prend en compte les avantages et les inconvénients des différents outils et techniques disponibles.

Dans l’ensemble, l’article offre une vue d’ensemble complète des systèmes de sécurité et de surveillance basés sur l’IA pour les campus universitaires, en présentant à la fois les avantages et les inconvénients potentiels de ces outils.

Résumé de l'article Reinforcement-Learning Based Portfolio Management with Augmented Asset Movement Prediction States

L’article “Reinforcement-Learning Based Portfolio Management with Augmented Asset Movement Prediction States” se concentre sur la gestion de portefeuille d’investissement à l’aide de l’apprentissage par renforcement, une méthode d’apprentissage automatique où un agent apprend à prendre des décisions en interagissant avec un environnement.

Les auteurs cherchent à améliorer les méthodes existantes de gestion de portefeuille, qui utilisent souvent des modèles de prédiction des prix des actifs basés sur des données historiques. Cependant, ces modèles ne prennent pas en compte les changements de l’environnement économique ou politique, qui peuvent avoir un impact significatif sur les prix des actifs. Les auteurs proposent donc une approche qui utilise un modèle de prédiction des mouvements d’actifs pour prendre en compte les changements de l’environnement.

Le modèle de prédiction des mouvements d’actifs est créé à l’aide d’un réseau de neurones récurrents (RNN) qui prend en compte les informations sur les prix et les volumes de négociation des actifs, ainsi que d’autres données macroéconomiques. Les auteurs augmentent également l’état du réseau de neurones avec des informations sur les mouvements précédents des actifs. Cette augmentation permet au modèle de prendre en compte les tendances de prix et les changements de volatilité au fil du temps.

Une fois que le modèle de prédiction est créé, les auteurs développent un algorithme d’apprentissage par renforcement pour gérer un portefeuille d’investissement. L’algorithme utilise une approche de politique basée sur la valeur pour déterminer les décisions d’achat et de vente d’actifs. Cette approche cherche à maximiser la valeur du portefeuille à long terme, en prenant en compte à la fois les gains potentiels et les risques associés à chaque décision.

Les auteurs ont testé leur modèle et leur algorithme sur des données de marché réelles en utilisant une période de test d’un an. Ils ont comparé leurs résultats à ceux obtenus avec d’autres méthodes de gestion de portefeuille, y compris des approches basées sur des réseaux de neurones de type LSTM et des approches basées sur des modèles de régression linéaire.

Les résultats montrent que l’approche proposée par les auteurs a de meilleures performances que les autres méthodes. Le portefeuille géré à l’aide de l’algorithme d’apprentissage par renforcement a généré un rendement total de 29,47%, ce qui est supérieur aux autres méthodes. De plus, le portefeuille géré à l’aide de l’algorithme avait un risque plus faible, mesuré par l’écart-type des rendements.

En conclusion, l’article propose une approche novatrice pour la gestion de portefeuille d’investissement en utilisant l’apprentissage par renforcement et un modèle de prédiction des mouvements d’actifs basé sur un réseau de neurones récurrents. Les résultats suggèrent que cette approche peut offrir de meilleurs rendements et des risques plus faibles pour les investisseurs.