Le machine learning et l’intelligence artificielle ont connu un essor important ces dernières années en raison d’avancées scientifiques majeures dans le domaine des réseaux de neurones.

Au sens large, le machine learning n’intègre pas seulement les réseaux de neurones mais aussi les méthodes statistiques plus classiques comme les régressions linéaires ou les forêts aléatoires.

Le machine learning trouve des applications industrielles très diverses qui vont de la détection d’objets dans des images pour les véhicules autonome à la prévision météorologique.

Les algorithmes de machine learning fonctionnent généralement en découpant un problème complexe en sous-problèmes plus simples à résoudre. C’est exactement ce que fait un réseau de neurones. Il scinde un problème complexe en une chaîne de sous-decisions résolues par des fonctions élémentaires au niveau des neurones.

Le machine learning a également une capacité adaptative liée à sa fonction d’apprentissage. L’algorithme apprendra à s’adapter à mesure que de nouvelles situations se présentent.

C’est en ce sens que l’on parle d’intelligence artificielle puisque l’on transpose à des algorithmes des fonctions d’apprentissages et d’adaptation, qui sont au fondement de l’intelligence.

Données Brutes a développé une expertise en machine learning qui repose à la fois sur de solides fondements mathématiques et sur un savoir de pointe en ingénierie.

A ce jour, nous avons contribué à différents projets dans les domaines de l’aéronautique, de l’automobile et de l’énergie. A chaque fois, c’est le croisement entre notre compétence data et notre culture métier qui nous a permis de nous démarquer.

Données Brutes apprend aux voitures à être autonomes

Cas d’étude sur le développement d’algorithmes pour le véhicule autonome

Données Brutes a été sollicité pour son savoir faire en intelligence artificielle et a été impliqué sur un projet industriel de développement des véhicules autonomes.

L’objectif était de développer les algorithmes utilisés pour interpréter les signaux des capteurs et fournir les instructions de conduite. Les algorithmes développés couvraient majoritairement la détection d’objets sur des images et le calcul de trajectoire.

Les données utilisées étaient des images issues des cameras disposés à plusieurs endroits du véhicule à l’avant et à l’arrière. Nous disposions de deux images par seconde pour environ 1000 heures de conduite.

Un premier post-traitement a été réalisé en Python sur des serveurs de calculs pour disposer d’images homogènes avec une résolution optimisée pour les réseaux de neurones.

Les modèles de réseaux de neurones ont été développés et supervisés avec Keras, qui est une librairie fournissant un grand nombre de types de réseaux de neurones et TensorFlow, librairie de référence développée par Google pour le calcul tensoriel.

La structure retenue enchaînait des couches de réseaux de neurones convolutifs pour extraire les structures et de réseaux de neurones récurrents avec une mémoire long-terme / court-terme pour améliorer la classification en présence d’images séquentielles.

L’expertise de Données Brutes, aussi bien en intelligence artificielle qu’en ingénierie des systèmes et des capteurs, a été un atout indéniable pour traiter avec succès un sujet aussi complexe !

Valorisation d’un projet de Machine Learning

Le Machine Learning permet de résoudre rapidement des problèmes complexes, que ce soit en complément de modèles experts ou pour étayer une prise de décision.

Le Machine Learning crée de la valeur en rendant possibles des innovation rapides qui permettent de se démarquer de ses concurrents ou de se positionner sur des marchés nouveaux. Dans le cas de la voiture autonome, la course entre vendeurs de capteurs se fait moins sur la partie matérielle que sur l’interprétation des signaux au biveau logiciel.

La mobilisation de l’intelligence artificielle a permis à certains acteurs de se positionner sur ce marché sans être pour autant des acteurs historiques.

De manière générale, l’intelligence artificielle va révolutionner d’une manière ou d’une autre l’activité de tous les industriels (cf. McKinsey 2016). Ceci va modifier en profondeur les stratégies de concurrence entre acteurs et les positions historiquement établies.

De nouveaux acteurs vont apparaître et certains gros acteurs vont disparaître pour la simple raison qu’ils n’auront pas su s’adapter à temps !

Au-delà de cette dimension stratégique, le Marchine Learning permet des gains opérationnels considérables dans le traitement automatique d’information. Tous les industriels accumulent un nombre important de données à l’heure du Big Data. Ces données doivent souvent être pré-traitées avant d’être utilisées.

Les algorithmes de conduite autonome ont été testés en fonction de situations prédéfinies : dépassement d’une voiture, présence d’un piéton, coucher de soleil etc. Toutes les images ont dû être pré-traitées pour identifier ces situations. Grâce aux algorithmes de Machine Learning, ce travail a pu être fait de manière automatique en laissant apprendre à l’algorithme les règles de classification sur un échantillon réduit.

L’automatisation de tâches permet un gain financier direct et bien souvent une durée d’exécution réduite. La main d’oeuvre peut ainsi être redéployée sur des sujets plus créateurs de valeurs améliorant d’autant la productivité de l’entreprise.

L’activité de consultant de Données Brutes nous permet de vous accompagner dans la valorisation financière de vos projets pour consolider vos études d’opportunité.

Faire appel à nous, c’est disposer d’un conseil sur toute la chaîne d’exécution de votre projet, de l’étude d’opportunité à l’industrialisation des méthodes développées !

 

Contact