Le machine learning – « le nouvel or noir » pour l’industrie

Nous évoquions dans un article précédent l’utilisation renforcée et généralisée du machine learning comme méthode d’analyse prédictive permettant d’optimiser les processus afin d’obtenir des analyses en temps réel.

Le machine learning (ML) ou l’apprentissage automatique des machines est une discipline qui concerne à la fois les mathématiques et l’informatique. Il ne s’agit plus seulement de programmer les machines pour des tâches à effectuer, mais qu’elles apprennent toutes seules, comme un humain pourrait le faire grâce à des algorithmes d’apprentissage. Ce domaine de recherche est aujourd’hui en plein essor.

image

Les principes du machine learning

Pour prédire un phénomène, deux possibilités se présentent :

Etablir un modèle explicatif : utilisé par les chercheurs pour comprendre le mécanisme causal
Etablir un modèle prédictif : grâce au machine learning et aux statistiques afin de découvrir des corrélations significatives dans un jeu d’observations.

Il s’agit de construire des systèmes autonomes que l’on pourra éduquer sur la base d’un ensemble d’exemples pertinents.

Voici un schéma explicatif :

image

Deux stratégies sont possibles :

L’apprentissage supervisé (AS): le data scientist devra procéder suivant différentes étapes :
Il faut tout d’abord une représentation des prédictions
Parmi ces prédictions certaines sont meilleures que d’autres. Une méthode d’évaluation est ainsi indispensable
Enfin, pour trouver la meilleure prédiction, il faut mettre en place une stratégie d’optimisation
Ce triptyque caractérise toutes les démarches d’apprentissage supervisées. La difficulté étant d’éviter l’effet d’overfitting ou de surapprentissage.

L’apprentissage non-supervisé quant à lui permettra de découvrir des structures cachées dans les données plutôt que de généraliser des exemples.
Mais l’humain reste pour le moment toujours au cœur du travail. Plusieurs algorithmes peuvent être utilisés en fonction du concept adopté pour l’implémentation des modèles que le data scientist dédié va choisir.

Que permet le machine learning dans le secteur industriel ?

Les applications industrielles sont très nombreuses. Le machine learning permet par exemple pour un groupe aéronautique de pouvoir détecter en temps réel les anomalies sur des moteurs et de proposer le remplacement de la pièce défectueuse.

Autre exemple : il est désormais possible grâce au machine learning d’abaisser les coûts de construction, d’optimiser les offres commerciales et de proposer des modèles qui correspondent à l’attente du marché. Ceci pouvant s’appliquer à tous les secteurs de l’industrie et à tous les métiers.

image

Nous avons posé trois questions à notre expert Francisco Ortega, afin de nous éclairer sur ce sujet :

Vers quoi le machine learning va tendre dans les années à venir ? Quelles seront les grandes tendances ?

Le machine learning est parti pour durer. Comme le nombre de sources de données augmente, le machine learning et les secteurs associés se développent. Dans le court terme aucune technologie révolutionnaire n’est attendue mais on peut observer plusieurs tendances, notamment :

L’Internet des Objets (IoT), qui va accroître de manière exponentielle les données disponibles
Le Big Data et le machine learning seront combinés et davantage développés, basés sur les multiples sources évoquées précédemment
Une tendance certaine est celle du deep learning et du calcul cognitif (cognitive computation), dont l’objectif à moyen terme est d’obtenir des machines avec un comportement humain
Des techniques seront introduites dans d’autres secteurs, en particulier dans des applications liées à la reconnaissance de la vidéo, de la voix et des images et tout ce qui touche au langage naturel

Quels sont les freins à la mise en place de systèmes de machine learning aujourd’hui dans le secteur industriel ?

Il y a trois aspects principaux :

La difficulté de recueillir des données fiables et qualifiées pour la modélisation
Les installations industrielles sont des éléments vivants, elles changent en permanence. Non seulement le produit mais les processus et l’équipement physique se comportent différemment en fonction du vieillissement, de la maintenance, … La reproductibilité des modèles en est sérieusement affectée
Le compromis entre la généralisation et la précision conditionne la mise à jour du système.

Comment mettre en place de manière efficace un système de machine learning ?

Les aspects principaux pour une mise en œuvre sont antérieurs à l’étape de développement du modèle : l’identification, la caractérisation et la préparation des données. Ces étapes sont essentielles pour créer un système stable et précis dans le temps. Cela inclut également de trouver le plus petit nombre de variables capables de représenter le problème, de trouver la meilleure distribution des données et être capable de prendre en compte l’incertitude. La réduction de dimensionnalité et la représentation des variables sont directement liées à la réussite du système. Mettre en place des critères de réapprentissage du modèle est également une préoccupation majeure.

Par PrixInnovateurs
https://prixdesinnovateurs.arcelormittal.com/2016/02/19/le-machine-learning-le-nouvel-or-noir-pour-lindustrie/

Publicités