INTELLIGENCE ARTIFICIELLE - AFNeT

SA GENÈSE, SON HISTOIRESES CAS D’USAGE

Illustrés par des exemples IBM Watson

Serge Bonnaud - Christophe DidierJanvier 2019

INTELLIGENCEARTIFICIELLE

TABLE DES MATIÈRES

1 Genèse de l’Intelligence Artificielle........ 6

1.1 Explosion de l’information ....................61.2 Unedéfinitiondel’Intelligence

Artificielle ...............................................81.3 Originesdel’intelligenceartificielle(IA) ....91.4 Systèmesexpertsetmoteursderègles ..111.5 Approchesetcourantsdepensée

en matière d’IA ....................................121.6 Sciencescognitives ..............................151.7 MachineLearning(ML)

etDeepLearning(DL) ..........................161.8 Domainesd’applications .....................19

2 IBM Watson et l’approche cognitive : ... 24

2.1 Définitiondel’informatiquecognitive .242.2 Construire une solution industrielle d’IA .242.3 Identifieruncasd’usageéligible

pourlecognitif .....................................272.4 Exemple 1 : IBM Watson Personality

Insights ................................................272.5 Exemple 2 : IBM Watson Assistant .....292.6 Exemple3:IBMVisualInspection

for Quality .............................................302.7 Exemple 4 : IBM Watson

News Explorer ......................................322.8 Exemple5:SupplyChainInsights

AccroitrelavisibilitédelaSupplyChain . 322.9 Exemple6:SoulMachinesetIBM

Watson:l’Intelligenceémotionnelle ..342.10 Exemple 7: IBM Watson IoT

forManufacturingSuite .......................352.11 Exemple 8: Heart Beat

Manufacturing ......................................392.12 Exemple 9 : Utilisation de IBM Watson

pourlaconformitéréglementaire........392.13 Exemple 10 : utilisation de Watson

pourlesopérateursdemaintenance ..42

Conclusion ....................................................45

2 INTELLIGENCE ARTIFICIELLE

3SA GENÈSE, SON HISTOIRE - SES CAS D’USAGE

TABLE DES GRAPHIQUES

1 RobotPepper. ............................................62 RobotAsimodeHonda .............................73 Geminoid HI-4duProfesseurHiroshiIshiguro 84 CanarddeVaucansonen1738 .................85 Principesd’unmoteurd’inférence .........116 Principessous-jacentsd’unréseauneuronal .137 Définitiondel’informatiquecognitive ....158 Principesd’apprentissage

dans un réseau neuronal .........................169 Interfacesd’apprentissageet

d’entrainement de modèles ....................1610IBMWatsonenaction .............................1711Ensembledesétapesd’apprentissage ...1712Apprentissagepourdétection

demélanomesavecIBMWatson ...........2013Vuesynthétiquedestechniques

d’analysededonnéesetcognitive ..........2114Visiondel’IAetapplicabilité

parindustrieetcasd’usage ....................2115Moteurcognitif :Descriptionfonctionnelle .2316Principesd’unsystèmecognitif ..............2417Différencesentreunsystèmecognitif

etprogrammatif ......................................2518Lescinqcaractéristiques

d’unsystèmecognitif ..............................2619Gestiondesquestionsetdesréponses

avecIBMWatson .....................................2620Cataloguedesservicesd’IA

dans IBM Cloud .......................................2721ServiceIBMCloud :PersonalityInsights ..2822ServiceIBMCloud :WatsonAssistant ....2923VisualInspectionintégrantlarobotique

KUKA et BMW ..........................................3024VisualInspection :classificationdepièces ..3025 PowerAI plateforme ................................3126 IBM Watson News Explorer ....................3227ServiceIBMCloud:SupplyChainInsights ..3328SoulMachineDigitalHuman,Rachel ......34

29DéfinitionOEE(TRS) :Performance/Quality/Availability ..................................35

30TableaudebordTRS(OEE)pourWatsonPlantPerformanceAnalytics ...................36

31ArchitectureUsineavecBusIntégration et Cloud ...................................................36

32ArchitectureIIoTpourleManufacturing(simplifiée) ...............................................37

33WatsonIoTforManufacturing ................3834WatsonAcousticInisghts :

DiagnosticSonore ...................................3835ConnectedManufacturingHeartbeat

Application ..............................................3936RegulatoryComplianceAnalytics ...........4037Principesdeconstruction

d’uneontologie ........................................4138Processusdediagnosticetréparation

enmaintenance .......................................4339WatsonEquipmentMaintenance

Assistant ..................................................44

TABLE DES ACRONYMES

MES .............ManufacturingExecutionSystemIoT .......................................InternetOfThingsIIoT ....................IndustrialInternetOfThingsPLC ..................ProgrammablelogiccontrollerSCADA ...............................SupervisoryControl

andDataAcquisitionPSB........................................PlantServiceBusESB ...............................EnterpriseServiceBusOEE.....................OverallEquipmentEfficiencyTRS ...............TauxdeRendementSynthétiqueAI.....................................ArtificialIntelligenceIA.................................. IntelligenceArtificielleML ......................................... MachineLearningDP ...............................................DeepLearningNLU .............. NaturalLanguageUnderstandingNLP .....................NaturalLanguageProcessingIT/OT .........................InformationTechnology/

OperationalTechnologyKPI ................................ KeyProcessIndicatorMVP ...........................MinimumViableProductPoC ........................................ ProofOfConcept


BIOGRAPHIES DES AUTEURS

Serge BonnaudTechnical Leader, Industrial SectorMember of the IBM Technical Expert Council France

Depuis 1998, SergeBonnaud travailledans le domaine du

logicieletdel’ingénieriesystème.Ilalongtempsexercédansledomainedelasanté,notammentsur ledéveloppementdesystèmesd’analysesdesdonnéesmédicalesousurl’automatisationdesprocessusdegestiondespharmacies.

Après Verilog, CSEE, Rational Software etThomsonCSF,SergearejointIBMen2004.Ilparticipeentantqu’architecteàdenombreuxprojetsimpliquantl’IoT,leBigDataetl’Analy-tics.

Sergeaégalementtravaillésurledéploiementd’IBMWatsonIoTforAutomotive, lasolutiond’IBM pour les voitures connectées. Depuis2016, iloccupe lepostedeTechnicalLeaderIBMEuropesurlesecteurdel’industrie.

LinkedIn : www.linkedin.com/in/serge-bonnaud-97b1527Twitter : @serge_bonnaud


Christophe DidierExecutive Architect & Associate Partner, IoT Technical Director FranceMember of the IBM Technical Expert Council France

Christophe Didiera travaillé sur desprojets d’intégration com-plexes ces20dernières années. Tour à tour,TechnicalProjectManager,Architecte,SubjectMatterExecutive,ilestdepuis2013ExecutiveArchitectetTechnicalDirectorforIoT,Mobile

andSmarterCitiesauseind’IBMFrance.

Christophe a passé 14 ans chez IBM GlobalBusinessConsulting,surdesproblématiquesd’IAE, SOA, BPM, Smarter Cities. Il a égale-mentparticipéàlaconceptionetaudéploie-mentdesolutionsinnovantespourdesacteursdumondedel’industrieetdusecteurpublic.

Christopheestdiplôméd’unMasterenIntelli-genceArtificielle(Epita)etd’unMBA(WarwickBusinessSchool,Angleterre).LinkedIn : www.linkedin.com/in/christophe-didier-bb9b425Twitter : @ChristofDidier

1. GENÈSE DEL’INTELLIGENCE ARTIFICIELLE

1.1 EXPLOSION DE L’INFORMATION

Le constat est clair et sans appel : laquantitéd’informationsetdedonnéesàgéreràl’échelledelaplanètenecessedes’accroîtreets’étendàraisond’unfacteur 10tousles5ans.Lesdonnéesditesnonstructurées(«dark data»)représententàellesseulesplusde80 %detouteslesdonnéesgénérées.Ellesreprésenterontainsiplusde93 % detouteslesinformationsproduitesd’ici2020.

Nous avons dorénavant la certitude que lesorganisationsquiarriverontàanalyseretextrairelavaleurdecevolumeconsidérableposséderontunavantagesignificatifdansleurdomaine.

Une majorité des entreprises est intéresséeparexploiter,ouplutôt«faireparlerladonnéedans sa forme numérisée » et en tirer un bénéficeadditionnel :entreprisesdusecteurpublic, entreprises du secteur privé, secteurbancaire et financier, startups, universités

et écoles, sans oublier les services derenseignementetagencesétatiques…

De nombreuses sociétés commerciales ontd’ores et déjà compris l’opportunité qui seprésentait à ellesenproposantdenouveauxservices exploitant les données collectéesparles«objets»del’IoT(VéhiculeAutonome,Compteur Électrique Intelligent, avions,équipementsindustriels...).

Pour exploiter et faire parler cette masseconsidérable de données non structurées,l’industrieaimaginéréutilisercertains principes issus de l’intelligence artificielle (dénomméeIAparlasuite)etlescombineraveclapuissancecroissantedecalculinformatiquedelaplanète.

La raison du renouveau de l’IA est assezsimpleàcomprendre :lesmodèlesd’analyseetmoyensdecalcultraditionnelsnesuffisentplusetatteignentleurslimites.Lescausesensont liées à la volumétrie exponentielle, auxformatsimprévisiblesquepeuventprendrenosdonnées,maisaussiàlarapiditéaveclaquelleellesnaissent,évoluentetdisparaissent.


1. Robot Pepper - Visuel © SoftBank Robotics

En conséquence l’industrie et lemarché ontdécidédefaireappelàd’autrestechniquesetprincipes et de se tourner vers l’intelligenceartificielle.

L’IA, et en particulier le Deep Learning,apparaît ainsi comme un moyen d’extrairela sémantique des données, mais aussi depoursuivre l’essor entamé depuis la fin dela seconde guerre mondiale en matière derobotique, d’animatronique, de sciencescognitivesoumêmedeneurosciences.

Depuis quelques décennies, la robotique a eneffetconsidérablementprogressé(NaoouPepeerdeAldeberan/SoftBankRobotics,BigDogouAtlasdeBostonDynamics,ASIMOdeHonda, ...) grâce aux progrès en matière deminiaturisation,deprécisiondescapteurs,etd’électroniqueembarquée(processeursGPU).

Mais au-delà des aspects comportementauxet du mouvement des robots, l’efficacitédes algorithmes embarqués est essentielle,en particulier pour percevoir en temps réell’environnement,lecomprendreetadapterentemps réel la réponse aux stimuli perçus.

Si l’on prend l’exemple d’ASIMO,lesingénieurs

de Honda ont réussi à implémenter unalgorithmedetoutpremierplanreproduisantla marche humaine. En effet, la marchehumaineestditedynamiqueetcomplexe,carl’humainsemetd’abordendéséquilibreavantdefaireunpas.ASIMOarriveainsiàapprendreà marcher et se mouvoir de manière trèsréaliste et impressionnante.

L’animatronique n’est pas en reste par rapport àlarobotique.Elleaconsidérablementévoluéces dernières années. Pour rappel, elle viseà concevoir des créatures animées avec despeauxenlatexetdesmécanismesphysiquessimulant le mouvement et d’une certainemanièremimantlaviebiologique.

LeGeminoid Japonais du professeur Hiroshi Ishiguro est à ce titre particulièrementimpressionnant.LeprofesseurHiroshiIshiguroest un roboticien japonais de l’Universitéd’Ōsaka, au Japon. Hiroshi Ishiguro vise àfabriquerdeshumanoïdesàl’apparenceetaucomportementréalistedont lesmouvementsdu visage sont particulièrement saisissants.Sonobjectifestdelesrendreaussisemblablesqu’unêtrehumainvivant.

Hiroshi Ishiguro déclarait encore récemment :


2. Robot Asimo de Honda - Photo de Satoru Fujiwara, Licence CC BY 4.0, https://creativecommons.org/licenses/by/4.0/

« voici longtemps que je mets au point des robots, et en grand nombre, mais je me suis bien vite rendu compte de l’importance de leur aspect. Une apparence humaine donne à un robot un extraordinaire sentiment de présence… »

Dansl’imageci-dessous,avons-nousaffaireàunhumainouàunrobot?

1.2 UNE DÉFINITION DE L’INTELLIGENCE ARTIFICIELLE

De tout temps l’humanité a été fascinéepar la création d’une intelligence artificielle(Frankenstein, Le Golem dans la traditionjudaïque...) ainsi que par la reproduction duvivant.Au-delàdescréationsromanesques,lesautomatespuis les robots ont étémédiatisésdepuis le 19e siècle d’abord au théâtre et aucinéma,puisontcommencéàs’immergerdansnotre quotidien (robot d’accueil, d’entretien,de maintenance, robot médical, robotcombattant...),enparticulierauJapon.

Au début de l’histoire de la robotique, les

automates et les robots reproduisaient(mimaient) le mouvement mécanique del’homme ou l’animal. Nous pouvons citer lecanard de Vaucanson en 1738.

Parlasuiteilssontdevenusplusperfectionnésdanslafinessedeleurmouvementetontinclusdescapacitésdeperceptionetderéaction.

Entre le canard de Vaucanson de 1738 quia réellement existé et HAL 9000 de 2001L’Odysséedel’espace(S.Kubrick)quiestsortiede l’imaginationduvisionnaireArthurClarke,cet article va tenter de donner les clés pourcomprendre ce que sont l’IA et les sciencescognitivesquiysontétroitementliées.

L’intelligence artificielle regroupe en effetun ensemble de théories et de techniques,élaboréespour laplupartaumilieudusiècledernier (1950), permettant de simuler et dereproduiredemanièreartificiellel’intelligencehumaine et d’imiter en apparence leraisonnement. Le comportement reproduitsembleeffectivementintelligent.

Le professeur John McCarthy, professeur adjointdel’UniversitédeDartmouth,inventele


4. Canard de Vaucanson en 1738

3. Geminoid HI-4 du Professeur Hiroshi Ishiguro - Photo Ståle Grut / NRKbeta, Licence CC BY-SA 4.0, https://creativecommons.org/licenses/by-sa/4.0/

termeen1956eténonce :« L’IA est la science et l’ingénierie de fabrication des machines intelligentes, notamment des programmes informatiques intelligents. »

L’undesobjectifsà longtermedel’IAestdecomprendrelesmécanismessous-jacentsdelapenséehumaine,au-delàduraisonnementlogique. Nous verrons ultérieurement quel’étudeducerveauhumainapermisd’inspirerfortementl’IAetceladèslesannées 1950.

Au cœur de l’IA, et d’une certaine manièredessciencescognitives,setrouveunconceptessentiel qui est l’information. Rien de plus difficilequededéfinircequ’estl’information. DansledictionnairedeLalande,ilestditquel’information est un élément de connaissance apporté par un message qui en est le support et dont elle constitue la signification.

Les ordinateurs et l’IA ont toujours éprouvédes difficultés à traiter la signification et lasémantiqueetsesontintéresséslongtempsau support lui-même, à l’enveloppe, au message et à la syntaxesi l’onreprendladéfinitiondeLalande.

L’undespremiers scientifiquesà sepenchersurlathéoriedel’informationestAlan Turing, entrelesdeuxguerresmondialesdu20e siècle.

Alain Turing est connu pour avoir décrypté lecodedelamachineEnigmaauseindumanoir de Bletchley Park,quartiergénéraldesservicesde renseignementbritannique.Lesystèmedecryptage des sous-marins allemands, réputéinviolable,estainsidécodédès1942.

1.3 ORIGINES DE L’INTELLIGENCE ARTIFICIELLE (IA)

Lestravauxd’Alan Turingonteneffetpréfiguréles bases de l’IA dès 1936. Ce dernier aémis l’hypothèse dans plusieurs articles de

référence (i.e. Sur les Nombres Calculables,Les Ordinateurs et L’Intelligence, 1950) quel’expressionde l’intelligenceoude lapenséeest explicable par des processus de calculformelsmanipulantl’information,etqued’unecertaine manière les machines pourraientainsi penseràtraverssesprocessus.

En d’autres termes, la pensée émergerait de l’activitédecalculproprementdite.

Dès1936,lagrandequestionfondamentaleestde savoir comment représenter l’informationdans ces processus, à la fois dans sa forme et dans sa signification (son sens ou sasémantique).

En effet, pour Alan Turing, les processus decalculoccultentmalheureusementladimensionbiologiqueducerveauhumain,siègedelapenséeet du raisonnement. Ses travaux pourraientd’unecertainemanièreêtrerésumésainsi :« La pensée peut être assimilée à un calcul ».

Nous verrons par la suite que cette approcheest réductionniste et il n’est pas certain que lapenséeémergenaturellementlorsquelecerveaubiologiqueeffectuedescalculsetdesopérations.

Les choses sont en effet beaucoup pluscomplexesetlapenséenepeutserésumeràunesuccessiondecalculsetstimulienentréeetgénérationd’uneréponseensortie.

Dans un calcul, on manipule uniquement lasyntaxeet lessymbolesen les transformant.Dans le cerveau humain, des stimuli ditsinternes provenant des couches profondessurviennent à tout moment pendant leprocessus de calcul et l’influencent, sansforcémentenavoiruneconscienceperçue.

Ces stimuli, pas toujours perçus, sont liés ànoscroyances,nosvaleursetcomportements,et ont été ancrés pendant les phases de


constructionpsychique.Ilsinduisentdesbiaissurleprocessusderaisonnementetviennentd’unecertainemanièremodifierleprocessusderaisonnement(oudecalcul).

Après les progrès apportés par Alan Turingsur les sciences cognitives, l’IA naîtraofficiellement 20 ans plus tard lors d’uncongrès fondateur tenu dans une universitéprivée du Nord-Est des États-Unis, dans lavilledeHanover(NewHampshire).

Lorsdececongrès,lesgrandsprincipesdel’IAsontélaborésentre10participants,réunisauDartmouth Collegeaucoursdel’étéde1956.Lenomdecenouveaudomainederecherche,Intelligence Artificielle, y fait sans doute sa première apparition.

CettedemandeétaitsignéeparJohn McCarthy (1927-2011), Marvin Minsky (1927-2016),Nathaniel Rochester (1919-2001)etClaude Shannon (1916-2001). Rochester avaitconçu l’ordinateur IBM 701 sorti en 1952pour le calcul scientifiqueet écrit lepremierprogramme en langage assembleur, tandisque Claude Shannon avait contribué auxfondements de la théorie de l’information,et s’intéressait aux principes de base de laprogrammationdujeud’échecs.

Depuis cette impulsion historique datéede 1950, l’IA s’intéresse à comprendre lesmécanismesduraisonnementetdelapenséeetchercheainsiàaller au-delàdesapprochescalculatoires, de la simple reproduction dumouvementetdescomportementsextérieurs(homme,animal...)

Aujourd’hui il n’yapasde théorieétabliedel’IA,commeenphysiqueouenmathématique.

L’IA d’aujourd’hui est considérée comme uneIA de synthèse en évolution permanente. Eneffet,cettedernièrevatenterdecombiner

lesprogrèsfaitsdansdenombreuxdomainesetd’aller chercherdans toutes lesdisciplines(philosophie, informatique, mathématique,statistique,neurologie,biologie,électronique...)desélémentsdevaleur.

L’IAactuellevaainsisélectionnerdanschaqueapproche et école les innovations les pluspertinentes, et les intégrer dans un système complet qui sera finalement immergé dansl’environnement. La notion de sélection et d’intégrationapparaitparconséquentcommefondatrice.

D’un point de vue opérationnel, cette IAd’aujourd’hui va intégrer dans une même solution une grande variété de disciplineshistoriques(lesélémentsfondateurs)avecdesdisciplinesplusrécentestellesquelesprogrèsapportéspar le numérique sur les interfaceshomme-machine, lagestiondesgraphes, lesprocesseurs graphiques ou les capacités deparallélisation des ordinateurs.

La liste ci-dessous représente unetentative d’énumération de ces disciplines :neurobiologie (réseaux neuronaux), moteurde règles d’inférence et système expert,réalité augmentée, logique mathématique,statistiques, probabilité et stochastique,automatismes, théorie du langage et de laconnaissance, sans oublier le calcul intensifoffertpar lapuissance informatiqueactuelle,leBigDataetl’internetdesobjets(IoT).

1.4 SYSTÈMES EXPERTS ET MOTEURS DE RÈGLES

À cette étape de l’article, il est intéressantd’ouvrir une fenêtre sur la période dessystèmes experts qui ont émergé dans lesannées 1980.Lessystèmesexpertsseréfèrentà l’approche symbolique de l’information et à son traitement par des moteurs ditsd’inférence.


Un moteur d’inférence implémente unalgorithme de simulation des raisonnementsdéductifs. Il permet de conduire unraisonnement logique et de générer desconclusionsenutilisantunebasedefaitsetdeconnaissances.

Lesmoteursd’inférencessupportentlalogiquedes prédicats, la gestion d’hypothèses, lesprincipes dits de chaînage avant ou arrière.Lespremiersmoteursdecetypeapparaissentdanslesannées 1960danslacommunautédeschercheurseninformatique,avecnotammentl’initiativederechercheaméricainesurleGPS(General Problem Solver).

Le GPS devait démontrer des théorèmeset rentrait dans le cadre d’une intelligencegénérale.Ilestrestécantonnéàlarésolutiondeproblèmesabstraits, indépendammentducontexteetdel’environnement.

Laprincipaledifficultéenmatièred’IA,etcelarestevraiencoremaintenantdansunecertainemesure, est liée à la quantité astronomiquede connaissances à comprendre, à leurreprésentation et à leur intégration dansl’environnement final. Les IA les plusperformantes sont en général circonscritesà un problème particulier bien délimité(reconnaitreunvisage,traduireuntexte,gérerundialoguedontlescheminssontprédéfinisàl’avanceetvariabilisés...)

Mais revenons à notre parcours historique.Après le GPS, est donc apparue la périodeglorieuse des systèmes experts et de laprogrammationparprédicats.

En France, le langage Prolog – inventé parAlain Colmerauer à Grenoble en 1965 etdéveloppé à Marseille par Lumigny dans lesannées 1970–estunexemplemondialementconnu de moteur d’inférence en logique formelle avec chaînage arrière.

Par ailleurs au Japon, Alain Colmerauer avait d’ailleurs décidé de fonder desrecherchesde«5egénération»surlelangagefrançais Prolog1.

UnautreexempleestceluidelasociétéILOG :cettedernièreaétéacquiseparIBMen2009poursesmoteursde règlesetd’optimisationalgébrique.Latechnologierègled’ILOG(aliasILOG BRMS et aussi ILOG JRules) venaithistoriquement de Thalès, qui s’appelaitencore en ce temps-là Thomson-CSF. Lapropriété intellectuelle a été définitivementacquise par ILOG en décembre 1996, justeavantsonintroductionauNasdaq.

Mais la technologieelle-mêmefut transféréevers ILOG, qui l’a industrialisée, en 1990 et1991. Cette technologie (qui s’est appeléeSpock puis XRete avant son transfert versILOG)futdéveloppéeparThomson-CSFentre1987et1991àlafindelagrandeépoquedel’IA(premièrepériode),maisaussidecequ’onappelait les systèmes experts.

EtlebonvieuxSpock(enréférenceàLéonardNimoy) s’inspirait largement du bon vieuxOPS5deCharlesForgyetsonalgorithmeRete(letoutpubliéen1981).

Les langages à base de règles de l’époqueont été conçus pour les systèmes experts,et donc l’IA. Du reste, l’annonce de l’accordentreILOGetThomson-CSFdatede1987àla


Interfaceutilisateur

Base deconnaissances

Moteur d’inférenceBase de règles

5. Principes d’un moteur d’inférence

«ConférencesurlesSystèmesExpertsetleursapplications»àAvignon.

Et pour la concurrence, c’est la mêmehistoire. LeBlaze Advisor de FICO vient del’acquisition de HCN, qui l’avait acquis deBrokat,quiavaitrachetéBlazeSoftware.EtBlaze (qui est historiquement le véritablepromoteur des « Business Rules » au débutdes années 2000) était historiquementNeuronDatafondépardesFrançaisdanslaSiliconValleypourconstruiredesSystèmesExperts.

Il est vrai qu’aujourd’hui ces moteurs derèglessontplusvuscommeune technologiesystèmequecommeunetechnologiedel’IA,mais il ne faut pas oublier que les systèmesexperts àbasede règlesont représentéuneréelleinnovationdansl’évolutiondel’IA.

De la même manière, une partie destechnologiesd’optimisation(laprogrammationpar contraintes) vient également de l’IA... etdu traitement d’image (algorithme…). Quantàlaprogrammationorientéeobjet,elletrouvesonoriginedanslelangageSmalltalk).

En conséquence, l’IA actuelle, nonseulement utilise l’approche symbolique, statistique et biologique, mais égalementune grande variété de technologies, depuisles algorithmiques classiques, les systèmesexperts (moteur de règles, optimisation...),les automatismes (capteurs, caméras), maisaussi des composants plus récents commeles architectures Big Data ou les moteursanalytiques temps réel (Complex EventProcessing).

Mais avant d’évoquer l’IA actuelle dans cesdétails,opéronsunrappeldesgrandsprincipeshistoriques.Ilexisteeneffetplusieursécolesdepenséedansl’IAquiutilisentàdesdegrésdiverslesdisciplinesmentionnéesci-dessus.

1.5 APPROCHES ET COURANTS DE PENSÉE EN MATIÈRE D’IA

Engénéral,onstructurel’IAen3approcheset2courantsdepensée :

● L’approche biologiquequiviseàmodéliserle fonctionnement du cerveau humainà l’aide d’algorithmes de type réseauneuronal (synapses, axones, dendrites...)implémentéssouslaformedeprogrammesinformatiques manipulant des graphesorientésetcapablesdeclassifieretréaliserdesprédictions.

Dans un réseau neuronal, les neurones utilisent une fonction de transfert quitransforme les signaux en entrée ensortie selon des règles de calcul établies(exemple : un neurone calcule la sommedes entrées, compare le résultat à unseuil, et émet une réponse (un signal) sicette sommeest supérieureouégaleà ceseuil (vue simplifiée). L’un des objectifsd’un réseau neuronal est de classifier lesélémentsenentréeetdes’amélioreravecletempsdansleprocessusdeclassification.

Contrairementauxméthodesprogrammatiques,un réseau neuronal doit découvrir lesbonnesvaleursdescoefficientssynaptiques(lepoidsdelarelationentredeuxneuronesdanslegraphe)etleseuildedéclenchementlocalàchaqueneurone,ainsique la façondelesajuster.

Il existe des méthodes telles que larétropropagationdugradient(1975Werbos,puis1985ParkeretLeCun,1986Rumelhart,Hinton et Williams) qui permettent detrouver les valeurs optimales portées parlessynapses(poidssynaptiques),etainsidelesfaireconvergerversdesvaleursassurantuneclassificationaussiprochequepossiblede l’optimale. C’est ce qu’on nomme laphased’apprentissageduréseau.


Dans un modèle de réseaux de neurones formels, on passe son temps (enfin lamachine,pas l’homme)àajuster lespoidssynaptiquespourclassifierlemieuxpossibleles échantillons en entrée. Les nombreuxallers et retours du graphe permettentainsi de minimiser l’erreur en sortie et de trouverl’optimumsurl’ensembledespoidsportéspar lesarcsduréseau.Lesréseauxneuronauxsonttrèsefficacespourclassifierdesimages.

● L’approche symbolique et subsymbolique qui se fonde sur la modélisation duraisonnementlogique,surlareprésentationet la manipulation de la connaissancepar des symboles formels et de leurtransformation consciente ou non par lesujet. Le niveau subsymbolique est unensembledetransformationsnon perçues par le sujet : le sujetperçoit seulement leniveausymboliquecommeémergent dans la conscience, le niveau subsymboliqueagissantdemanièrecachée.

Cesdeuxniveauxsonttrèsmystérieuxdanslessciencescognitivesetrelativementmalmaîtrisés. Ils possèdent une dépendanceforte : l’un est perçu par la conscience etl’autre non. En revanche, on ne peut pasassimiler la pensée et le raisonnement humain à une simple transformation desymboles ou de messages comme leferait un programme informatique. Dansle raisonnement humain, on traite lasignification de l’information, certes pardes transformations, et pas uniquement l’enveloppe du message.

● L’approchestatistiquequiprocèdeparétudedes similitudes et des rapprochementsentre les informations. Cette approcheutilisedesmodèlesmathématiques(réseaubayésien...) qui tentent de classifier lesentrées (clustering) en prenant en compte


Modèle du neurone biologique

Modèle de structure du réseau

Modélisation du perception multicouche

AxoneSynapse

Dentrite

NeuroneCorpscellulaire

Valeurs Poids

Sommepondérée

netjoj

Activation

OjSeuil

Fonctiond’activation

Fonctionde

combinaison

W1j

W2j

∑W3j

Wnj

X1

X2

X3

Xn

�

x1z1

zj

ym

y1

zk

x2

xi

xn

Cara

ctèr

es m

orph

olog

ique

s de

lasu

rfac

e sa

cro-

pelv

ienn

e ili

aque Entrées Couche cachée

Classe d’âgeSortie

Organisation transverse

Aspect surface

Aspect apex

Aspect tubérosité iliaque

6. Principes sous-jacents d’un réseau neuronal

cequel’onappellelesdistancesparrapportau centre (densité et probabilité). Cetteapprocheestutiliséeparcertainssystèmesactuels de traduction automatique delangues(exemple :GoogleTranslate…).

Ces logiciels, particulièrement efficaceset surprenants dans leurs résultats, n’apprennentpas les règlesde grammaireet le vocabulaire d’une languedonnée. Ilsn’essaientpasdetraduirelesphrases,maisrecherchent dans le corpus les exemplesles plus approchants (en comparant parétudes statistiques les distances entre les expressionset lesphrases regroupéesparensembles).

En parallèle, il existe depuis 1950 deux courants de pensée importants qui ontfortement contribué à faire évoluer l’IA, àsavoir le cognitivisme et le connexionnisme qui sont plutôt transverses aux approchesmentionnéesci-dessus,etlescomplètent.

● Le cognitivisme est un courant derecherche scientifique qui fait l’hypothèseque la pensée est relativement proched’un processus de traitement del’information. La notion de cognition y estcentrale. Le lien avec l’IA est le suivant :le cognitivismemanipuledessymbolesoudesreprésentationssymboliquesàl’aidederèglesdetransformationetdeperception.

Un système cognitif peut ainsi êtreimplémentéparn’importequelalgorithmeinformatique capable d’opérer lesditesmanipulations. Les symboles doiventreprésenteraumoinsunaspectdumonderéel,afinqueletraitementdel’informationà base de règles permette de résoudre leproblèmeposéparl’environnement.

● Leconnexionnismeestuneapprocheutiliséeen sciences cognitives, neurosciences et

psychologie. Le connexionnisme part del’hypothèse que les raisonnements oules comportements sont des processusbasés sur des réseaux composés d’unitésde calcul interconnectées. En généralcette approche utilise des réseaux de neurones. Le connexionnisme est unethéoriequi a émergéen tantque réponseaucognitivisme.

À titre d’exemple, AlphaGo est un système logiciel d’IA qui combine de manièresubtile et innovante des principes issusdu connexionnisme en les couplant à uneapproche statistique, à savoir des réseauxneuronaux, de l’apprentissage automatiqueet du parcours de graphe, des algorithmesde reconnaissance visuelle et des modèlesdeMonte-Carlo. Pour rappel, laméthode desimulation de Monte-Carlo permet d’introduire une approche statistique du risque. Elleconsiste à identifier un certain nombre defacteursclésetàleuraffecterunedistributiondeprobabilités.

Enfin, la robotique n’a jamais été en resteen matière d’IA. La robotique automatise àses origines des tâches répétitives puis serallieauxsciencescognitivesafind’immergerla machine physique dans l’environnementnaturel,percevoirlesstimulietrépondreàdesproblèmesdiversetvariés.

En matière d’innovation robotique, nousavons évoqué le Geminoid F de HiroshiIshiguro, le premier robot avatar qui imitede manière étonnante (voire effrayante)l’apparence humaine,mais aussiBig Dog de Boston Dynamics, le robot utilisable à desfins militaires, et enfin sans oublier l’arrivéeen 2016 de Pepper d’Aldebaran (SoftBank Robotics)quiembarquelesmoteurs cognitifs Watson d’IBMetcapable (sous réserved’unentrainementappropriédudomaine)d’animerundialogueavecunhumain.


1.6 SCIENCES COGNITIVES

Le mot cognitif est un adjectif qualificatifse rapportant à l’intelligence artificielle et àl’écolecognitiviste. Il se positionne de manière transversale aux trois écoles de pensée(neuronale,symbolique,statistiques)ettentedelescombinerpoursimuler le raisonnement etapprocherlepluspossiblelecomportementsocial des humains. Ce mot désigne l’étudedes connaissances et de l’intelligence et seréfèreauxfonctionssupérieures de la pensée humaine (hypothèse que cette dernière estliéeaucerveauhumain,maisceciestunautredébat).

Ensynthèse,lacognitionregroupel’ensembledes fonctions liées à la connaissance et àl’apprentissage(perception,langage,mémoire,raisonnement, décision, mouvement…). Elles’intéresse au raisonnement logique et aujugement,maisnecherchepasàcomprendrele sens profond de la pensée.

D’un point de vue informatique, un systèmecognitif vise à assister, certains diraientaugmenter, l’homme dans son processus de

réflexion et de prise de décision. Le cognitifpermettoutd’aborddecomprendrelasyntaxeet la sémantique d’un domaine d’expertisedonné(champlexicaletchampsémantique),etcelaensebasantsurunemodélisationdesconnaissancesdudomaine.

Un système cognitif permet de capter uneinteraction, apprendre, classifier, émettre et évaluer des hypothèses, et suggérerdes réponses (actions, prescriptions...) à lamanièred’unexperthumain.

La captation de l’information se fait par la vision, l’écoute sonore ou la lecture textuelle.L’idéefondatriceestdecollecterlesinteractionstellesqu’ellessontémisesparlasource, en limitant les transformations et entraitantleformatd’origine.

Cesréponsessontcatégoriséesavecunscorede probabilité associé. Aux réponses sontassociées les preuves (hypothèses) ayantamenéàclasserlaréponsedansunecatégorieparticulière. Une même question peut ainsidonner lieu à plusieurs réponses possibles,chacune avec des probabilités différentesde succès. Les preuves sont fournies par lemodèle. Dans le cas d’un réseau neuronal,il s’agit d’extraire les nœuds et les arcsparcourus.

Comme mentionné précédemment, unsystème cognitif permet d’apprendre ets’améliore dans ses réponses et prédictionsavec le temps. À ce titre, il existe 2 typesd’apprentissages :supervisé et non supervisé.

● Dansl’apprentissagesupervisé, le système apprend à partir d’exemples fournis àl’avance et produit des règles qui luipermettent de classifier les échantillonsdansdifférentescatégories.

● Dans un système non supervisé, le


Informatique cognitiveEnsemble de théories et de techniques

mise en oeuvre en vue de réaliser des machinescapables de simuler l’intelligence humaine.

Lire Voir Écouter Sentir

Parler Mémoriser Comprendre Apprendre

7. Définition de l’informatique cognitive

systèmesépare lesdonnéesencatégories(dénommées ensembles) de manièreautomatique, en se basant sur lessimilarités et différences. Il produit ainsidesgroupesdistincts(catégories).L’analysede ces groupes permet de comprendre lecomportementdesélémentsserapportantàcesdonnées.

1.7 MACHINE LEARNING (ML) ET DEEP LEARNING (DL)

Puis au fur et à mesure de l’apprentissage(supervisé ou non), le système devient plusprécisetpertinentsurlesréponsesfournies :onditdanscecasquelesystème«apprend » et les scores de confiance progressent en pourcentage.

Pourdésignercesprocessusd’apprentissage,onemploieletermeMachineLearning(ML).

IlexisteainsiplusdedixméthodesdeMLquivisentàaméliorer laprécisiondesprévisions

réaliséesenfonctiondesdonnéesd’entréeducasd’usage.LeMachineLearning(ML)estunsous-ensembledel’IA.

L’algorithme de ML analyse les donnéesd’entréespécifiquesàundomaine(exemple :destypescaractérisésdevéhicules :camion,voiture, moto, vélo) et s’attachera à réaliserune prédiction utile exprimée en termes deprobabilité (exemple : la probabilité que lanouvelle image présentée appartienne à lacatégorieCamion).

Dufaitdelacapacitéd’apprendre»,lestâchesdecontrôle(filtrage,agrégation,pondération...)etd’interprétationdesvariablessontainsidéléguéesàl’algorithme.


8. Principes d’apprentissagedans un réseau neuronal

9. Interfaces d’apprentissage et d’entrainement de modèles

Au début du processus d’apprentissage,l’algorithme est alimenté par des exemples(échantillons significatifs) dont les résultatssont connus, puis il évalue l’écart entre ses prévisionsetlesrésultatsattendus.

Cetécartferal’objetd’analysesetdeparcoursen avant et en arrière du réseau neuronalafin d’être minimisé lors des prochainesfois (phase d’optimisation). Cette approche

basée sur la rétropropagation du gradient (minimisation de l’erreur en sortie) permetainsi d’affiner la précision des prédictionsjusqu’à l’obtention d’un score acceptableglobalementpour l’ensembledescatégoriesen sortie.

Dans le cas de la reconnaissance d’images,le schémaci-dessous illustre l’ensembledesétapesmisesenœuvre :


10. IBM Watson en action

Préparez les donnéesd’apprentissage

Triez les images en imagespositives ou négatives

Préparez les imagesRegroupez les images

pour les analyserAnalysez les images

Utilisez les fonctionnalitésintégrées ou vos propresmodèles personnalisés

Entraînez et créezde nouveaux modèlesTéléchargez vos exemples

comme données d’apprentissage

Affichez les résultatsAnalysez les données

dans un graphique

11. Ensemble des étapes d’apprentissage

La caractéristique principale desalgorithmes ML, est que la qualité de leursprédictions s’améliore normalement avecl’expérience et le temps. La quantité, laprofondeur et la couverture des donnéesfourniespendantlaphased’entrainementsontessentiellespourobtenirunalgorithmecapablededonnerlameilleureréponseacceptable.

Commeperçuautraversdeseslignes,l’enjeufondamental, est la capacité à généraliser à partir d’exemples. Cela signifie que si l’onprésente en entrée une nouvelle image quel’algorithme n’a jamais vue, il est importantqu’ilsoitcapablededonnerlabonne réponse.

Il est possible de généraliser les phénomènes dans la nature, car ceux-ci intègrent une forme plus ou moins importante de régularité. Par exemple, si vous faites une expérience en physique, vous allez faire quelques expériences puis prédire les conditions que vous ne connaissez pas en traçant, par exemple, une courbe régulière entre les points de l’expérience. Un algorithme va utiliser une forme de régularité pour prédire les valeurs inconnues à partir des valeurs connues.

Pourquoi est-ce que le problème est difficile ? Le problème est très difficile parce que les données que l’on va considérer, que ce soit des textes, des images, des sons, ont énormément de variables caractéristiques et la combinatoire n’en est que plus grande.

Afin de généraliser, il faut une régularité qui est très forte et l’enjeu algorithmique est de comprendre la nature de cette régularité.

Quels sont les grands principes qui permettent d’analyser cette régularité ? D’abord, une idée fondamentale en sciences, c’est l’idée de parcimonie. On peut généraliser si le nombre d’hypothèses ou le nombre d’attributs que l’on extrait est relativement petit. Une deuxième

propriété fondamentale est le fait que le monde est structuré avec des éléments hiérarchiques à travers les échelles (atomes, aux molécules, aux cristaux polymères, jusqu’aux galaxies).Source : Stéphane Mallat, L’apprentissage face à la malédiction de la grande dimension.

L’approche Deep Learning (DL) est uneextensionduMLvisantàaccroîtrelenombred’unités de calcul dans les algorithmes.Typiquementonchercheraàtrouverl’optimumentermesdenombredecouchesdeneuronesetnombredeneuronesparcouchedemanièreàpouvoirprendreencompteunnombreplusimportantdevariablesenentréeetaméliorerainsilaprécisionfinale.

Unemanièretrèsimagéedesimplifierlesujetseraitdedirequedans leDeepLearning,onajoute un plus grand nombre de couches auréseau de neurones tout en ajoutant plusde nœuds par couches. De cette manière ildevient possible de traiter une plus grandevariabilitédesphénomènesetdeprendreenentréeduréseauplusdevariables.

Lesnœudsdescouchesétantdesunitésdecalculet les variablesd’entréedes suitesde valeursévoluantdansletemps,leréseaudeneuronesse comporte ainsi comme une fonction detransformationnonlinéairedematricespassantà travers chaque couche. Un réseau neuronalestparticulièrementintéressantpourmodéliserles phénomènes non linéaires dans la nature.Chaquecoucheduréseauestainsispécialiséedansl’extractiondescaractéristiquesdécrivantl’objet en entrée. La grande question est dedéterminer le nombre de noeuds parcourusainsiquelenombredecouches.

Les matrices de Pixel étant des structuresutilisées par les processeurs graphiques(GPU),oncomprendainsipourquoilesréseauxdeneuronesontunecompatibiliténaturelleàêtreexécutésurdetelsprocesseurs.


Parmi les algorithmes ML les plus efficaces, nous pouvons mentionner :

● Les « Random Forest » – où forêts d’arbresdécisionnels–ontétéformellementproposéesen 2001 par Leo Breiman et Adèle Cutler.Elles font partie des techniques d’apprentissageautomatique.L’algorithmedesforêtsd’arbresdécisionnels effectue un apprentissage surdemultiplesarbresdedécisionentraînéssurdessous-ensemblesdedonnées légèrementdifférents(sourceWikipédia).

● Les«Réseaux bayésiens»quiutilisentuneapproche probabiliste pour analyser lesvariablesetlesrelationsentreelles.

Un réseau bayésien est un modèle graphique probabiliste représentant des variables aléatoires sous la forme d’un graphe orienté acyclique. Ils servent en tant que modèles de représentation des connaissances, « machines à calculer » les probabilités conditionnelles, base pour des systèmes d’aide à la décision (source Wikipédia). Pour un domaine donné (par exemple médical), on décrit les relations causales entre variables d’intérêt par un graphe. Dans ce graphe, les relations de cause à effet entre les variables ne sont pas déterministes, mais probabilisées. Ainsi, l’observation d’une cause ou de plusieurs causes n’entraîne pas systématiquement l’effet ou les effets qui en dépendent, mais modifie seulement la probabilité de les observer (source Wikipédia).

● «Les machines à vecteurs » de support ou séparateurs à vaste marge (en anglaisSupport Vector Machine, SVM) sont unensemble de techniques d’apprentissagesupervisées destinées à résoudre desproblèmesdediscrimination.LesSVMsontunegénéralisationdesclassifieurslinéaires.

Deep Learning (DL) : gérer la forte variabilité de certains phénomènes

Il est très complexe, voire impossible pourun programme informatique classique, dereconnaître de manière efficace le contenud’une image, d’analyser un son ou decomprendreuneconversation,

Laraisonestliéeaufaitqu’ilestparticulièrementdifficilederecenserdemanièreexhaustiveetde reconnaître les propriétés des objets demanière fiable. Préciser les caractéristiquesd’une voiture pour un algorithme n’est passimple : elles ont plusieurs formes, tailles,couleursetsuivantlamanièredontellessontphotographiées,leurposition,angledevueetcontrastesontdifférents.

Denombreuxfacteursinfluentsurl’apparencede l’objet. La combinatoire est-elle qu’ilexisterait trop de variants pourmodéliser lesrègles d’identification et il nous faudrait unprogrammepartyped’objetsàmaintenirsuivantl’apparitiondenouvellescaractéristiques.

Dans le ML/DL, on simule un phénomèneextraordinaire du cerveau biologique qui estsa capacité à apprendre à faire des tâchescomplexes sanspour autantdevoir assimilerundictionnairederèglespréétabli.Lecerveauutilise plusieurs mécanismes tels que lapratique,l’entrainementetlarétroaction.

1.8 DOMAINES D’APPLICATIONS

À titre d’exemples et de synthèse de cechapitre, l’industrie saitdorénavantà traversdessystèmesd’intelligenceartificielleréaliséslestâchessuivantes :

● Reconnaître des situations ou des éléments dans des images ou des vidéos et lesclassifieravecunscoredeconfiance;

● Traduireletexteoulavoixentreleslanguesentempsréel;


● Utiliserlaparolepourcommanderouposerdes questions aux appareils (IBMWatsonAssistant, Google Dupleix, Apple Siri etmaintenant Amazon Alexa et MicrosoftCortana);

● Prédire comment une maladie va évolueren fonction de l’historique patient et destraitementsdéjàreçus;

● Analyserlesentimentdanslesévaluationsdes clients achetant des produits ouconsommantdesservices;

● Analyser des enregistrements sonores afindedétecterunesituationouprévoirun futurévènementtelqu’unepannesurunmoteurouunbouchondeparaffineenformationdansdespipelinespouvantentraineruneobstruction;

● Reconnaître un client rentrant dans sachambred’hôteletluiproposerdesservicesà travers la vitre «intelligente» d’unearmoirecapablededialoguer;

● Anticiperlescomportementsdangereuxenvoitureetprendredesdécisionsdematièreautomatique(voitureautonome,autopilotechezTesla);

● Détecter des tumeurs dans des images

médicales (analyse des mélanomes endermatologie), les qualifier et proposerplusieurs protocoles médicaux avec desprédictionsquantàleurefficacité;

● Analyser des documentations techniqueset construire des bases de connaissanceafin de proposer des recommandationsdansdesactivitésdediagnostic,desupportclient, de maintenance ou de partage deconnaissancesàtraversdescommunautés.

Cependant, le Deep Learning n’est pasbien adapté à tous les problèmes (notiond’éligibilité).Eneffet,ilexigegénéralementdegrands ensembles de données pour pouvoirbienentrainerlesmodèles.

Ainsi,ilfautunevastepuissancedetraitementpour former et exploiter un réseau de neurones. Dans certaines situations, il peut survenirun problème d’«explicabilité». Il peut êtredifficile, voire impossible de savoir commentunréseauneuronaldéveloppesesprédictionsetpourquoiilaassociésesdonnéesd’entréesàtellescatégoriesdesorties.


12. Apprentissage pour détection de mélanomes avec IBM Watson

En synthèse, le paysage des techniques d’intelligence artificielle pourrait se représenter de lamanièresuivante :

De nos jours, l’intelligence artificielle et lestechniquesd’analysededonnées(structurées,non structurées) trouvent un sens à être

appliquées dans pratiquement tous lesdomaines (processus de fabrication, santé,banqueetfinance,distribution…).


13. Vue synthétique des techniques d’analyse de données et cognitive

14. Vue synthétique des techniques d’analyse de données et cognitive

En pratique, très souvent plusieurs techniques seront combinées et il n’est pas rarequ’unmodèledeDataScience(clusteringou classification) soit associé à un modèled’optimisation algébrique pour résoudre unproblèmeparticulier.

Exemple : utiliser l’IA dans un configurateur de produits.

L’exempleci-dessousdécritunmoteurcognitifpourun siteWebde commerceélectroniquevisant à augmenter les ventes par le canalinternet des produits tout en apportant la satisfaction maximale au client, un type deproduitpouvantêtreunproduitenstockouunproduitneufàconfigurer.

Dans cet exemple, ce moteur est composé de quatre éléments :

● Un assistant conversationnel pouvantdialoguer avec un humain et poser desquestionsencontexte;

● Un modèle de Machine Learning pour apprendre les comportements des clientset déterminer à quels critères ils sontsensibles(niveaud’appétence);

● Un configurateur de produits;● Un modèle d’optimisation algébrique (ou

unmodèleàbasesderègles)pourréaliserle trade-off entre les produits en stock etceuxneufsconfigurésparleclient.

Cas d’usage : Utilisation d’un moteur cognitif pour achat de produits en ligne sur un site de commerce électronique

Je souhaite acheterunproduit neuf en lignesurlesiteWebdemondistributeurpréféré.

Pourcela,jevaisdevoird’abordleconfigurer,c’est-à-dire choisir ses composants ainsique la couleur, la forme, le modèle, le styleou les caractéristiques de certaines pièces

(typiquement, imaginez que vous devezconfigurer une voiture neuve en ligne sur lesitedevotreconstructeurautomobilepréféréou configurer une chaudière électronique dederniercri).

En fonction de mes préférences et de mesgoûts, je vais sélectionner les différentsélémentsetleurspropriétésetainsiassemblervirtuellementleproduitfinal.Danslemeilleurdes cas le système va déterminer un prix,undélai de disponibilité, unedate et lieu delivraison. Je vais accepter la proposition ounon,voireeffectuerunenouvelleconfiguration.

Celadit,monfabricantpeuttrèsbienposséderdes produits un peu différents de ce que jesouhaite,maisenstocketdisponiblesdesuite :lacouleur,lemodèleoulamotorisationpeuventêtredifférents,voired’autrescaractéristiques.Mais imaginez qu’un produit en stock soitdisponible plus tôt que le produit neuf, avecquelquescaractéristiquesdifférentesdecellesquej’avaisinitialementsouhaitées.

En fait, nous abordons ici le domaine del’optimisation (notion de trade-off). Toutdépenddecequel’onchercheàmaximiserentermesdevariables–s’approcherdecequeleclientpréfèreenprivilégiantledélaioulelieudelivraisonaudétrimentdumodèlechoisi?–diminuerlestockenprioritéouplutôtvendretoutdesuiteunproduitneuf?

Untelproblèmepeutêtreabordédedifférentesmanières. Nous pourrions par exemple combiner unmodèle de segmentation de laclientèle par sensibilité aux critères avec unmodèled’optimisationalgébrique.

Un assistant conversationnel orienterait pardesquestionscibléesenfonctiondusegmentduclientlechoixd’unproduitappropriépourmaximiserlespréférencesduclientenmêmetempsquelesobjectifsdufabricant.



15. Moteur cognitif : Description fonctionnelle

2. IBM WATSON ET L’APPROCHE COGNITIVE

2.1 DÉFINITION DE L’INFORMATIQUE COGNITIVE

En ce qui concerne l’approche d’IBM enmatièred’IntelligenceArtificielle,lesservices

cognitifs de la famille Watson permettentde comprendre des comportements, dessituations,depercevoirlesensetlecontextedes éléments captés, en se basant surdes techniques d’analyse sémantique del’information, d’apprentissage (MachineLearning), de graphes de connaissance oud’algorithmes à base de réseaux neuronaux(i.e.DeepLearning).


Lecognitif,parailleursaucœurdel’offreIBMWatson,necherchepasàremplacerl’humainparuneintelligenceartificielleouunrobot,maisplutôt à travailler de manière collaborative aveccedernierenutilisantl’undesprincipesde l’IA, à savoir le Machine Learning etl’apprentissage. C’est ce que nous appelons l’intelligence augmentée ou étendue.

La principale différence avec un systèmeclassiqueestquecederniers’appuiesurdesdonnées dites structurées et suit des règlesdéterministes afin de toujours produire lemêmetypederésultat.

Commeexpliquéprécédemment,unsystèmecognitif apprend et se configure et ne se

programme pas comme dans un systèmeclassique. Il est capabledecorréler à la foisdes données structurées et non structuréesdanslemêmemodèle.

2.2 CONSTRUIRE UNE SOLUTION INDUSTRIELLE D’IA

Comme expliqué à plusieurs reprises dansce livre blanc, une solution complète serasouvent combinée avec d’autres disciplinestellesquel’IoT (Internet of Things), le temps réel et le Big Data : l’IoT pour collecter lesdonnées issues des capteurs et des objets,le Big Data et ses formidables capacitésde traitement pour stocker et optimiser les

16. Principes d’un système cognitif

grandsvolumesdedonnées,etenfinletempsréelpourexécuterlesmodèlesàlafréquenced’émissiondescapteursetrépondredanslesdélais attendus.

Le cognitif ne se résume pas uniquementà mettre en œuvre des algorithmesd’apprentissage, une analyse sémantiqueet undialogueentre l’hommeet lamachine.Encore faut-il pouvoir disposer d’unepuissance informatique importante pour lecalculdistribuéetparallèle.

Effectivement dans le Deep Learning, ona tendance à accumuler de nombreusescouches de neurones dans les graphes, cequi implique d’avoir à sa disposition unepuissance informatiqueconséquente.Denosjours,onutiliseralesarchitecturesdistribuéesdes solutions Cloud.

La puissance de calcul informatique s’esten effet considérablement accrue ces 10dernières années en même temps que les

techniques d’optimisation du stockage. C’estgrâceàcedoubleaccroissementquel’onpeutexploiterdorénavantlesalgorithmesdeDeepMachine Learning imaginés pour la plupartaumilieudusiècledernieretissudesécolesconnexionnistesoucognitivistes.

Ensynthèse,leCognitifreprésentela capacité d’un système à apprendre, émettre des hypothèses, les évaluer et suggérer des actions à la manière d’un expert humain.

Les résultats des actions permettent aumodèled’apprendreparunebouclederetour,derevoirainsileshypothèsesetrecalculerlesscoresdeprobabilité.

Dans l’esprit IBM Watson, il est important de rappelertoutd’abordquelesdécisionsfinalessonttoujoursprisesparl’opérateurhumain.

Par exemple, un assistant conversationnel (ou chat bot)estunsystèmecognitifquiproposederépondreàdesquestions.Unchat bot est


17. Différences entre un système cognitif et programmatif

capable,aprèsunentrainementapproprié,decomprendreuncontexteetunesituationafind’apporter la réponseoptimale à laquestionposée.Mais en aucun cas il ne doit prendreunedécisionautomatique.

En résumé, d’un point de vue opérationnel, les systèmes cognitifs :

● Utilisent les techniques de Machine Learning et s’améliorentparl’apprentissageetl’usagerépété.

● Peuvent lire des textes, des images, desvidéos et ainsi comprendre le langagenaturel parlé ou écrit. Ils sont capablesde participer à une conversation, uneinteractionetundialogueavecunutilisateurhumainenprenantencomptelecontexte.

● Proposent souvent plusieurs réponses possibles à une questionetsaventévaluerleurpertinenceenfournissantlesélémentsdepreuveayantpermisd’aboutiràchaquepossibilité.


18. Les cinq caractéristiques d’un système cognitif

19. Les cinq caractéristiques d’un système cognitif

● Utilisent des techniques statistiques,prédictives, de classification, des réseauxneuronaux (Deep Learning) et sontcapablesdecombinerplusieurs techniques ensemble en s’appuyant sur la puissance informatique d’un réseau cloud distribué.

● Sont conçus pour aider et servir, tels un compagnon ou un assistant, les professionnelsoulecitoyenafind’améliorerleurperformance,leurviedetouslesjours,leur santé, donner un meilleur confort ouaideràprendredesdécisions.

2.3 IDENTIFIER UN CAS D’USAGE ÉLIGIBLE POUR LE COGNITIF

Un bon cas d’usage comporte en général plusieurs des critères énumérés ci-dessous :

● Le corpus de données non structurées ethétérogènesestimportant.

● Un grand volume de données doit êtretraitéentempsréeletseuleuneapprocheanalytique(IA)ouBigDataestadaptée.

● Il y a une interaction en langage naturelet une conversation cohérente dans le temps avec prise en compte des réponses précédentes.

● La logiquededialogue amèneà listerdespreuvesetdeshypothèsespourjustifierlespropositionsfaitesparlesystèmecognitif.

● Le domaine est porteur de beaucoupd’expertise et de savoir-faire.

● Ilyaunbesoind’amélioration continue par l’apprentissage.

Le catalogue des services d’intelligenceartificielle sur IBM Cloud propose plusieursdizaines de microservices, prêts à l’emploique l’on peut assembler et composer pourdévelopperuneapplication.

Les sections suivantes décrivent plusieursexemples de services IBMCloudmettant enœuvre des modèles de Machine Learning,DeepLearningouAnalytiques.

2.4 EXEMPLE 1 : IBM WATSON PERSONALITY INSIGHTS

Ce service disponible sur IBM Cloud estl’illustrationparfaitedel’approchecognitive.Ilpermetdecomprendreles traits de caractère d’une personne, ses besoins, ses valeurs, ses sentiments ou son état d’esprit du moment…

Le service extrait un ensemble de traits decaractère en analysant la manière dont unepersonne communique (voir exemple ci-dessous)surdifférentsréseauxsociaux.

Les traits de caractère sont classés par


20. Catalogue des services d’IA dans IBM Cloud

catégories et qualifiés par un pourcentagetraduisantlaconfiancedanslaprédiction.Lespreuvesamenéesàclassifieruntraitdansunecatégorie donnée sont données par WatsonPersonalityInsights.

En savoir plus :www.ibm.com/watson/services/personality-insights


21. Service IBM Cloud: Personality Insights

2.5 EXEMPLE 2 : IBM WATSON ASSISTANT

Avec IBMWatson Assistant, il est possible dedévelopperunchat botenquelquesminutes.Ilsuffitdecomprendretroisconcepts :Entité, Intentions et Dialogue. Les entités sont lesconcepts clés du domaine, les intentions les

thèmesdudomaineetledialogueestunarbredécisionnelquimanipulelesentitésetlesconceptsidentifiésdanslesquestionsdel’utilisateur.

En savoir plus :https://conversation-demo.mybluemix.netwww.ibmwatsonconversation.com/login


22. Service IBM Cloud : Watson Assistant

2.6 EXEMPLE 3 : IBM VISUAL INSPECTION FOR QUALITY

IBM Visual Inspection for Quality utilise les capacités cognitives de IBM Watson pouranalyservisuellementdespiècesindustrielleset identifier ainsi desdéfauts auplus tôt. Lesystème est entraîné au préalable par desimages«échantillon»quiserventd’exemples(patterns)etpréalablementclassifiées(phaseditedelabélisation).

L’expertise humaine est indispensable, carpendant cette phase d’entraînement, lescatégories identifiant les types de défautsdoivent être alimentées par des images deréférence associées à des métadonnées àrenseignerpendantlalabélisation.

Lesmodèlesélaborésetentraînéssontensuitedéployés au plus près des équipements enbord de ligne (Edge Node ou Fog Node). Laproximité permet ainsi de traiter rapidement les images en «local» et d’éviter des allers-retours avec le cloud, soulageant ainsi le

réseau et permettant d’introduire un certainniveaudetempsréel.

Ce type de solution permet de réduire les temps d’inspection,lerisqued’erreur,d’identifierlesdéfauts au plus tôt, et finalement accroîtrele Taux de Rendement Synthétique (TRS),d’améliorer la qualitédelaproductionetcréerainsiuneboucled’améliorationcontinue.

En général, les algorithmes d’inspectionvisuelleutilisantdesréseauxneuronauxavecduDeepLearning.


23. Visual Inspection intégrant la robotique KUKA et BMW

24. Visual Inspection : classification de pièces

Chez IBM, le produit Visual Inspection for Quality s’appuie sur la technologiePowerAI qui va au-delà d’un simple algorithme : il s’agit d’une solution industrielle intégrée et

personnalisablepourl’usineets’appuyantsurun Framework complet à haute productivitépour les Data Scientist. Il est ainsi possibled’entraînerlesystèmesurtouttyped’image.

En synthèse, la solution d’IBM s’appuie sur les capacités suivantes :

● MachineLearning(ML)pourl’extraction des caractéristiquesdesimages.

● Edge Analytics pour une acquisition rapide et untraitementlocaldesimagesdansleEdge.

● Utilisationdel’expertisehumainepourcréerles modèles(catégories,métadonnées).

● Précision dans l’identification des défauts parleDeepLearning.

● Miseenplacedelaboucled’apprentissage(sidéfautnonreconnuounonpertinent).

● Provisionning automatique et incrémental,miseàjourdesmodèlessurleséquipementsdepuisunpointdegestionetd’administrationcentralisé.

● S’intègreaveclesfournisseursdecamérasdumarchéetprincipauxsystèmesd’acquisition d’image.

En savoir plus :www.ibm.com/us-en/marketplace/visual-inspection-for-qualitywww.ibm.com/blogs/internet-of-things/quality-manufacturing-visual-inspection/


25. Plateforme PowerAI

2.7 EXEMPLE 4 : IBM WATSON NEWS EXPLORER

Watson News Explorer permet d’explorer de grands volumes de données sur le Weben analysant des articles afin d’identifier lesconcepts de personnes, sujets, compagnies,organisations et lieux mentionnés dans cesarticles. La solution est interrogeable parl’interfaceci-dessous.

Leservicepeutanalyserjusqu’à300 000 articles par jour en provenance de 70 000 sources d’informations. La restitution visuelle se faitsous formede graphe à partir de laquelle lanavigationestintuitive.Ceservicesebasesurdes services d’Intelligence Artificielle de lafamilleNLUetNLP(voirnomenclature).

En savoir plus :http://news-explorer.mybluemix.net

2.8 EXEMPLE 5 : SUPPLY CHAIN INSIGHTS ACCROÎTRE LA VISIBILITÉ DE LA SUPPLY CHAIN

Les incertitudes et les risques se sont eneffet accrus au fil des années au niveau desprocessus logistiques des entreprises. LesSupplyChainsouffrentd’uncertainnombredemauxhistoriquestelsque :

● Manquedevisibilitéentretouslesacteursetfonctionnementglobalassezlimité;

● Manqued’anticipationetdifficultéàgérerlescrises;

● Nombreuses erreurs et retards dans les approvisionnements;

● Difficultéàproduiredesétats cohérents de suiviàjour;

● Difficultédesuivrelesactivitésdetransport etlesmouvements;

● Traçabilité et respect des règlementations difficiles;

● Manquedesynchronisationentrelesacteursdelachainelogistique;

Lesacteurslogistiquesonteneffetbesoindese synchroniser en permanence : industriel,transporteur, sous-traitant, autorités douanièresetclientfinal.

En particulier, l’univers de l’industriel doit doncse synchroniserenpermanenceaveclemonde


26. IBM Watson News Explorer

du transport : bonne exécution du transportavec respect des délais, non-interruption de laproduction,fluidificationdesapprovisionnements,gestiondesliassesetdesdocumentsdouaniers,expéditionrapidechezlesdestinataires.

IBM Supply Chain Insights est une solution d’IApermettantd’adresser lesproblèmesdevisibilité rencontrésauniveaudesprocessusdelogistiqueetdedistribution.

Cas d’usage : Améliorer la visibilité des processus logistiques avec Watson Supply Chain Insights

Côté terrain, les intervenants (chauffeurs,responsables de dépôts, autorités diverses,opérateurs...) utilisent des applicationsmobiles de type Assistant Conversationnel, quilesassistentdansleurcapacitéàgérerlesimprévus,exécuterlestâchesassignéesdansunenvironnementsécuriséetefficace.

Côtéback-office, les responsablesdeSupplyChaingèrentlesrisques,suiventl’avancementdesactivités,lesfournisseurs,lescommandes,

les transactionsetprédisent lesévénementsàvenir,évaluentleurimpactetappliquentlespréconisations proposées par l’intelligenceartificielle.

La solution Watson évalue et quantifie lesrisquesgrâceàdesalgorithmescorrélantdemultiples sources de données, internes etexternes,provenantdel’IoT.

Elle offre des capacités analytiques coupléesà une interface homme-machine de nouvellegénération :navigationintuitive,vue360°desdonnées, alertes, score de prédiction avecprescription, moteur de recherche intelligent,indicateurs historiques et temps réelcohabitantsdanslesmêmesvues,capacitésdeDrill-Downpourobtenirlesdétailsdesalertes.

LesplanificateursdelaSupplyChainprennentainsiencomptelesévénementsremontésparlescapteursdel’IoTprésentssurlesproduits,les véhicules de transport, les containeurspuisanalysentl’impactetrecalculentlesplansd’approvisionnement.


27. Service IBM Cloud : Supply Chain Insights

Commeindiqué,lacollaborationentreacteursassurelatransparencedel’informationentretouslesintervenantsdelaSupplyChain,avecunniveaudesécuritéoptimaldesprocessus,desbiensetdesacteurs.

Les acteurs sont eux-mêmes connectés parl’intermédiaire de capteurs, mais égalementlesbiensetlesmoyensdetransport(camions,bateaux, drones...), les entrepôts ainsi queles équipements industriels en charge desprocessusquecelasoitàdesfinsdefabricationoudedistribution.

LesacteursdelaSupplyChainsontparnaturemultiplesetvariés :clientfinal, fournisseurs,intermédiaires, sous-traitants, institutionnels, banques, douanes mais aussi opérateurs,directeursd’usinesoud’entrepôts.

Laplupartserontconnectésd’unemanièreoud’une autre et les échanges se font soit parl’intermédiairedelaplate-formeIoT,agissantici enmédiateur, soit d’acteur à acteur pourdescontraintesopérationnelles.

Comme évoqué précédemment, cettecollaboration interacteursest fondéesurdeséchangesdigitaux,enprenantencomptelesdélaisderéactivitéattendussuivantlanatureduprocessus(tempsréel).

Cettenotiondetempsréel/délaideréactivitéest absolument fondamentale dans lescontextesoul’onn’apasletempsdestockerl’information pour l’analyser.

2.9 EXEMPLE 6 : SOUL MACHINES ET IBM WATSON : L’INTELLIGENCE ÉMOTIONNELLE

Pourrappel,lecognitif,disciplinedel’IA,présentelacapacitéd’unsystèmeàdialoguerenlangagenaturel,àapprendre,àclassifierl’information,àémettredeshypothèses,lesévalueretsuggérer

des actions possibles à lamanière d’un experthumain.

Un système cognitif vise à s’approcher descapacitésderaisonnementetd’apprentissagedu cerveau humain en combinant plusieurstechniques historiques telles que l’approchesymbolique (moteurs de règles), l’approchecognitive(réseauxneuronaux),lapsychologie,l’anthropologie et la théorie du langage(domainedesontologiesetdelamodélisationdesconnaissances).

D’un point de vue pratique, les systèmescognitifs sont des applications logiciellesimplémentant des algorithmes et des basesde connaissances. Leur originalité est depouvoir dialogue avec l’homme en langagenaturel, écrit ou parlé et de répondre de lamême manière, en comprenant le contexteet l’intention du locuteur. À ce titre, ils sontcapablesdetransmettre des connaissances, en créer de nouvelles, mais aussi d’enrichir les modèles grâce au feedback des utilisateurs.

Enfin, un système cognitif est basé surl’apprentissage automatique et améliorel’efficacitédanssesréponsesaufuretàmesuredes interactions avec le locuteur. Ce dernierpeutd’ailleurscorriger le systèmecognitif etainsiaméliorersabasedeconnaissance.


28. Soul Machines’ Digital Human, Rachel© Soul Machines

Unsystèmelogicielcognitifpeut-êtreincorporédans un robot physique qui possédera plusou moins de capacités pour se mouvoir etanalyser son environnement. On peut aussiassocier le système cognitif à un avatar en3D représentant presque à la perfection unhomme ou une femme. A ce stade, on peutparler de système cognitif complet.

Àtitred’exemple,IBMatravailléavecunesociéténéo-zélandaise spécialisée dans les avatarsultraréalistesdotésderéactionshumaines.

Le « Digital Human » de Soul Machines (présenté à la conférence LendIt à NewYork en 2017) combine une capacité dited’Intelligence Émotionnelle (expressionsfaciales)aveclesservicescognitifsdeWatson.

Rachel peut vous voir, vous entendre etproduire des réponses émotionnelles aux stimuliqu’ellereçoit.Nouspourrionspresquedire que Rachel a de la personnalité et unecertaineformedecaractère...

Lacognitionémotionnellecréeainsiunnouveaulien entre les hommes et les machines,humanisant un peu la technologie. Dans cet

exemple,SoulMachines intègre la technologiecognitive IBM Watson dans une expérienceutilisateurabsolumentfascinante.

Welcome to the World of Digital HumansEn savoir plus :www.youtube.com/watch?v=yDvLpNUIgds

2.10 EXEMPLE 7 : IBM WATSON IOT FOR MANUFACTURING SUITE

IBM Watson IoT for Manufacturing Suite estunesuite logiciellecomprenantplusieurssolutionsindustriellescontribuantauxprojetsIndustrie 4.0.

Ces solutions visent à améliorer le taux derendementsynthétique(TRS)danslesusinesen mesurant la performancedelaproductionindustrielle, la qualité de la fabrication ainsiqueladisponibilitédeséquipements(surleslignesdefabrication).

Le TRS (ou OEE en Anglais pour Overall Equipment Efficiency) est évalué par unpourcentage et se mesure en temps réelpendantlescyclesdefabrication.


Availability, quality and performance contraints contribute to OEE loss resulting in lower throughput to potential

TargetProduct

Count

Net loss ofoverallequipmenteffectiveness(OEE)

ActualProductCount

Downtown loss

Quality loss

Performance loss

29. Définition OEE (TRS) : Performance/Quality/Availability

Dans un projet Industrie 4.0, l’architecture de la solution est organisée en trois niveaux :

● Leniveaudit«Edge»(lignesdefabrication,borddeligne,SCADA,PLC,IED);

● Leniveaulocalàl’usineoùl’onretrouveralebusd’intégration;

● LeniveauCloud/Entreprise(ouniveaucentral);

Le bus d’intégration, ou Plant Service Bus,

est un composant structurant assurant leséchangesetcoordonnantlesfluxdedonnéesentre tous les composants indépendammentde leur localisation. Il permetde garantir unniveau de couplage minimum et une bonneévolutivitéencasdechangements.

D’un point de vue fonctionnel, le bus PSB esten charge des transformations de données, duroutagedesprotocolesetdelasécuritédesaccès.


30. Tableau de bord TRS (OEE) pour Watson Plant Performance Analytics

Plant

Users

External partners(other clouds...)

Event,time series

Event, data

Reporting

Watson IoT formanufacturing

Plant Service Bus (protocol mediation, data transformation)

MES

Scada PLC PLC PLC

Realtimedashboard IoT Gateway

Edge analytics

OT/IT

Service registry

Data Lake

Industrial equipments Industrial equipments

Device status, OEE data flow(performance, quality, availability)

31. Architecture Usine avec Bus Intégration et Cloud

D’un point de vue pratique, ces applicationsont besoin d’une plate-forme de type IoTpourpouvoir concentrer lesdonnées, fournirles indicateurs, exécuter des traitementsanalytiques ou de Machine Learning,

exposer des microservices ou des API. Onparlera souvent d’une plate-forme IIoT pour«IndustrialInternetOfThings».Elleseratrèssouventbaséesurl’intégrationentreplusieursCloudetl’onparleraalorsdeCloudHybride.

LessolutionsIBMWatsonmentionnéespagesuivante intègrent toutes des modèles deMachineLearning,DeepLearningouAnalytiqueets’exécutentdanslecontextedelaplateformeIoT.

Elles regroupent les fonctions suivantes :

● Détection de problèmessurdeséquipementsindustrielsparl’analyseacoustique;

● Détection visuelle de défauts sur des pièces,desproduitsencoursdefabrication;

● Mesure du TauxdeRendementSynthétique :Performance*Qualité*Disponibilité;

● Gestion de la maintenance (Planifiée,ConditionBasedMonitoring,Cognitive);

● Maintenance Cognitivepourlestechniciens(aideassistéeetguidagecognitivepourlestâchesdediagnosticetderéparation);


External cloud

Supply chainmanagement

Real time data management

Application

Integration layer

Assetmanagement

ERP, optimisationproduction scheduling

PLM

Enterprise/Central level

Enterprise IT (Internal Cloud)

Manufacturing execution system

Plant service bus

Press Weld Paint

Plant 1

SCADA

PLC 2

PLC 1

Edge

Edge

IoT platform

Partner IoT project

Worldwideback-end

Partner IoT cloud

AP

I m

anag

emen

t

AP

I m

anag

emen

t

Wireless IoTnetwork country

Smart sensor Smart sensor

Central or clouddeployment

Plantdeployment

Edgedeployment

Cyber security ofOT/IT installationsSecurity operation

center

Watson IoT formanufacturing suite

Equipmentadvisors

Acousticinsights

Visualanalytics

Plant performance analytics

Industry apps.

High-level architecture overview

Data Lake

32. Architecture IIoT pour le Manufacturing (simplifiée)

La suite Watson IoT for Manufacturing combine différents types de modèles d’IA :

● Machine Learning : réseaux neuronaux entrainés et adaptés pour la classificationd’images ou la gestion d’interfaceconversationnelle.

● Image Analytics : reconnaissance de

patterns dans des images ou des vidéos.Lacaptureetl’interprétationsontréaliséesde plus en plus souvent en temps réel enutilisantlatechniqued’EdgeComputing.

● Acoustic Analytics : enregistrement detrames sonores afin de détecter desanomalies et des défauts, visant ainsi àidentifierdesproblèmesdequalitéauplus


Visual InspectionDefect detection through ML

Acoustic InsightsAcoustic pattern recognition

Overall Equipment EfficiencyAvailability, Quality, Performance

Asset Management &Maintenance Management

Scheduled, prescriptive, warrantyEquipment Maintenance

Assistant

IBM Watson IoT for manufacturing suite

IBM IoT platform

33. Watson IoT for Manufacturing

34. Watson Acoustic Insights : diagnostic sonore

tôtdanslesprocessusdefabricationetlesmachinesindustrielles.

● Textual Analytics : donner un sens à desdonnées non structurées. Intéressant pourextrairelesensdesprocéduresdocumentairesdansl’usinetelsquelesguides(instructions,réparation,maintenanceetpermettreainsideconstruireunmodèledeconnaissance).

2.11 EXEMPLE 8 : HEART BEAT MANUFACTURING

Heart Beat Car Manufacturing est un asset sous propriété intellectuelle IBM (GISC Paris-Nice)contribuantàl’Industrie 4.0ets’adressantaux directeurs d’usine ou au responsable deproduction. Il permet de suivre les activitésde fabricationdupoint de vuedes indicateurs

métiers sur plusieurs usines et continents.L’application est basée sur un ensembled’indicateurs (KPI) dynamiquement ajustés etdépendantdustatutdesactivitésdefabrication.

L’application,connectéeà laplate-formeIoT,visualise l’évaluation des risques, les tâchesdelivraisonainsiquelescausesayantconduitaux déviations (par exemple sur le Taux deRendement Synthétique). Elle permet deréaliserdesprédictionssurplusieursaxestelsquel’efficacitéopérationnelle,lamaintenance,les effectifs, les risques (géopolitiques,météorologique...)etlasécurité.

Consultantlacausedeladéviation,l’utilisateurpeut interrogerWatson Assistant en langagenaturel pour demander un conseil afin derésoudreleproblèmerencontré.

2.12 EXEMPLE 9 : UTILISATION DE IBM WATSON POUR LA CONFORMITÉ RÉGLEMENTAIRE

À l’heure de la globalisation des échangessur la planète, les acteurs institutionnelssont chargés d’écrire et de faire évoluerd’imposantesetcomplexesréglementations.

Ces règlementations doivent être suivies etrespectées pour la conformité, la traçabilitédesprocessus,desbiens,desassetsphysiquesou virtuels (devises) et des personnes. Ellesrèglentsouventlaviedesentreprisesettoutesles industries sont concernées : alimentaire,pharmaceutique,commerce,financeetbanque,industriemanufacturièreetlogistique...


35. Connected Manufacturing Heartbeat Application

Les réglementations sont par naturevolumineuses et complexes. Elles évoluentrapidement en fonction des géographies,de la nature des domaines et des activitésconcernées,desinstitutionsenplace,dutyped’activités,desloisducommerceoudesrègleslocalesaupays.

Pour les services juridiques ou financiers,ce sont souvent des milliers de pages dedocumentsetdecontratsàlireetinterprétercorrectement. De plus la publication denombreux avenants qui se superposent auxréglementations rend la tâche encore pluscomplexe par le nombre de dépendancesgénéréesentrelesarticlesetlesclauses.

Un vrai défi existe, car les personnesconcernéespar ces règlementations ont peude temps pour comprendre correctementet appliquer toutes ces règles et exigences,manuscritesparfois,oudigitaliséesdansdesformatsbureautiquesdiversetvariés.

Pouradressercedéfi,si l’onprendl’exempledesexigencesréglementairesetcontractuelles

du monde bancaire (Sarbanes-Oxley), cesdernières vont être analysées et comprisespardesmodèlesdeDeepLearning.

Cette capacité porte le nom de Watson Regulatory Compliance Analytics chez IBM.Elle est implémentée à l’aide des capacitésIBMWatsond’intelligenceartificielle.

Unefoislesrèglementsetlescontratsanalysés(principeditNatural Language Understanding, il est possible de construire un graphe deconnaissance (plus communément appeléOntologie ou Base de Connaissances) etd’extraire ensuite les clauses règlementairesattachées à un certain nombre demétadonnées.

Les clauses extraites précédemment sontensuite comparéesavecunjeudedocuments(base d’apprentissage dans laquelle lesclausessontégalementextraites)demanièreà détecter les incohérences, similitudes,contradictionsouredondances.

Ainsiilestpossiblededétecterdesdéviations


36. Regulatory Compliance Analytics

en comparant une exigence demandée dansun appel d’offres avec une liste de clausescontractuellesenmatièrederéglementationàrespecterouderisquesànepasprendrepouruneactivitédonnée.

Ceprincipeestdoncbasésur lacomparaisonsémantique de clauses ou d’exigencesextraites dans des bases documentaires. Lacomparaisonpermetdedétecter lesécartset

d’alerterdemanièrepréventive,puisdegénérerdes recommandations ou prescriptionsafindelancerdesactionsderemédiation.

Exemple : demander un complémentd’informationpourhomologuerunfournisseur,car un risque potentiel a été évalué encomparant une clause réglementaire ducontrat à une demande d’investissement oud’achatcefournisseur.

Cette comparaison «intelligente » peut se mettre en œuvre pour n’importe queltype d’activité réglementaire, de mise enconformité ou de vérification contractuellediverse.Ilconvientd’entraîner le système en lui apprenantlesréglementations.

Cette fonction cognitive doit s’intégrer à

un processus d’entreprise (transactionfinancière, demande d’homologation departenaires,demandedetransport,livraison,faisabilitéd’unprojet,étuded’uncahierdescharges, analyse de risques, réponse à unappel d’offres, vérification de la conformitéd’une transaction ou d’une vente achatnégoce...)


37. Principes de construction d’une ontologie

2.13 EXEMPLE 10 : UTILISATION DE WATSON POUR LES OPÉRATEURS DE MAINTENANCE

Force est de constater que la montée enpuissancedel’IAdanscepaysagereprésenteunintérêtpourlesactivitésdeserviceclient,support,maintenanceetréparation.Maistoutd’abord,quelssontlesenjeuxquelemétierdelamaintenancerencontredenosjours?

● Constat 1 : Les équipements et assetsindustriels deviennent en effet trèscomplexes et embarquent parfois dulogiciel,ainsiquedescapacitésanalytiquesde plus en plus évoluées et performantes(FogComputing,Analytics intheEdge).Ilsdeviennent communicants et collaborentavec leshumains. Ils sontparconséquentdevenuscomplexesetdélicatsàdépanner.

● Constat 2 :Ceséquipementsont tendanceàdevenirparfoisautonomesetcapablesdeprendredesdécisionspareux-mêmessanspasserparuneinstancecentraledepilotageou de consolidation. Ils s’insèrent souventdansuncontextequipeutêtreunprocessusindustriel,uneusine,uneligned’assemblageou de fabrication. La problématique deleursécuritéestunsujetàpartentière,carétant autonome, une organisation pourraitprendrelamainsurceséquipementsetainsidétournerleurusageàdesfinsmalveillantes.

● Constat 3 :Ladocumentationtechniquedeces équipements n’est pas toujours simpleà appréhender. Elle demandebeaucoupdetempsdelecture,detravailetdeformationpersonnelle.Elleestsouventvolumineuse.Àcetitre,iln’estpastoujoursaiséd’identifierlesélémentspertinentsdeladocumentationpouraideraudiagnosticetàlaréparation.

● Constat 4 :Forceestdeconstaterquelesavoir-faireetl’expériencesontabsolumentcléset

apporte une valeur inestimable au-delà decequedécriventlesmanuelsconstructeurs.Malheureusement,lesavoir-faireestsouventperdulorsdudépartdesanciensàlaretraiteetpeud’entreprisesformalisentetpartagentlaconnaissanceetlesbonnespratiques.

● Constat 5 : Les opérateurs et techniciensontpeudetempspourréaliser lesactivitésde diagnostic, identifier la cause racinedes problèmes et apprécier l’impact. Il estimportant pour eux de choisir le plus vitepossible la meilleure solution techniqueet stratégie de résolution, remettre enétat l’équipement, et enfin documenter larésolutionàdesfinsdetraçabilitéetd’audit.Ensynthèse,ilfautfaireviteetbien(commetoujours,toutenrespectantlaréglementationdudomainemétierdanslequelnosopérateurstravaillent(aéronautique,ferroviaire...).

Laproblématiqueétantdorénavantexprimée,laquestionestdesavoirmaintenantquelestl’apportdel’IAdanscepaysage.

● L’analyse de contenu non structuré (ouContent Analytics)permetdecomprendrelesensd’un texteparléouécrit et découvrirlesfacettesnonexplicites(Hidden Facets).En analysant les textes saisis dans les rapports d’intervention des opérateurs demaintenance, il est possible de déduireles styles, d’identifier des tendances, despratiques, catégoriser des concepts etdécouvrir les relations sémantiques entrelesconcepts.

● AvecleserviceWatson Natural Language Classifier, l’opérateur de maintenanceposeainsiunequestionenlangagenaturelau système, lit un message d’erreur ouun code alarme sur un équipement –les concepts détectés dans la phrasesont ensuite classifiés avec un taux deconfiance, la dernière étape étant deproposer une recommandation associée


à cette classification, typiquement unlien vers une procédure de réparationprédéfinie oumieux encore un «chemin»dans la documentation assemblantplusieurs types de contenus différents(liens, images, paragraphes, sections,vidéos…)demanièredynamique.

● L’analyse dite «intelligente» d’imagesou de vidéos permettant de reconnaître,à l’intérieur d’un flux, des situations(patterns), des personnes, du texte, desvisages ou divers éléments qui ferontl’objet de pose d’attributs pour indexationet recherche. Le service Watson VisualRecognitionutilisedestechniquesdeDeep Machine Learningpouranalyserlesscènesetlessujets,etoffreégalementlacapacitédecréerdesclassifieursspécifiques.

● Latraductionautomatiquedetype«audiovers texte» et «texte vers audio» est unservicequiexistedepuisplusieursannéeset disponible en plusieurs langages. IBMfournit dans ce domaine un service en

mode Saas simple, efficace et surtoutcombinableavecd’autresservices.Danslecadrede lamaintenance,notreopérateurpose des questions ouvertes en langagenaturelàlamachine,lamachinecomprendlateneuretlesensdelaquestion,l’analyse(sujet, verbe, complément) et fournit uneréponse «cognitive» basée sur un scorede confiance et des éléments de preuveassociés.

Le cas d’usage ci-dessous est un exempleproposé par IBM et implémenté dans la solution MAXIMO Watson Equipment Assistant.

Cette solution combine plusieurs servicesWatson Cognitifs dont ceux présentésprécédemment, et apporte une expérienceutilisateur innovante sur une applicationmobile.Ilestnécessaired’entraînerlasolutionetdeluiapprendrelescorpusdocumentairesdudomainedemaintenanceconcerné.


38. Processus de diagnostic et réparation en maintenance

Danscettefigure,l’opérateurdemaintenanceutilise l’application Watson EquipmentMaintenanceAssistantsurtabletteluifacilitantsontravaildediagnostic et de réparation.

● Dans un premier temps l’opérateur consulte les travaux en cours ouvertsetquiluisontaffectables(Work Orders).

● Dans un second temps, notre opérateurvisualise les détails de chaqueWork Orderafindedéciderlequelchoisir :Descriptiondusymptôme, solutions recommandées (avecscoredeconfiancepourchacuned’entreelle),tempsestiméderéparation,listesdepiècesderechange,outilsàutiliser,conseilsdivers.

● IlpeutconsulterlesWorkOrdersimilairesetapprochant,cettefonctionesttypiquementfournieparunservicedeMachine Learning avec apprentissage automatique.

● AprèsavoirdécidédetravaillersurunWorkOrderdonné,l’opérateurdemandeàWatsonles détails de la solution recommandéeayant le meilleur taux de confiance. Des sections du corpus documentaire sontextraites et assemblées dynamiquement(basés sur des requêtes préconstruites)

incluant images, plans (démontage), liensverslesmanuelsconstructeurs.

● Ces sections sont appelées passages etprésentent les instructions à exécuter.L’opérateurpeutévalueretcommenter lespassages (notionde feedbackessentielle),permettant ainsi d’entraîner les modèlesd’apprentissage pour les prochaines fois :amélioration du score de confiance paranalyse de la pertinence des passagesproposés en fonction des commentaires(sentiments,avis)posésparlesopérateurslors des actions de maintenanceprécédentes.

● Enfin notre opérateur peut exécuter unerecherche en langage naturel en posantdesquestionsécritesouàl’oralausystèmelors d’un dialogue, par exemple unequestionouverte telleque : «Quelles sontles procédures recommandées lorsquel’équipementestlentàdémarrer?»ou«Quefaireencasd’uncodeerreurspécifique?».

En savoir plus sur IBM Maximo APM - Equipment Maintenance Assistant :www.ibm.com/uk-en/marketplace/equipment-maintenance-assistant


39. Watson Equipment Maintenance Assistant


CONCLUSION

Parcelivreblanc,nousespéronsavoirintéressénoslecteursenfournissantunpremierniveaud’information relatant les principales étapeshistoriques de l’avènement de l’intelligenceartificiellejusqu’àl’arrivéedeWatson.

Ce document se veut un guide pratiqueillustré, basé sur des cas d’usage et tiré denotreexpériencepersonnelle.Sonobjectifestd’aiderlelecteuràcomprendrelesoriginesdel’Intelligence Artificielle dans le cadre de latransformationdigitaledesentreprises.

Nousserionsravisdepoursuivred’éventuellesdiscussions avec nos lecteurs. À ce titre,n’hésitezpasànouscontactersurLinkedIn :

Serge BonnaudLinkedIn: www.linkedin.com/in/serge-bonnaud-97b1527Twitter: @serge_bonnaud

Christophe DidierLinkedIn: www.linkedin.com/in/christophe-didier-bb9b425Twitter @ChristofDidier

INTELLIGENCE ARTIFICIELLE - AFNeT

Documents

Transcript of INTELLIGENCE ARTIFICIELLE - AFNeT