Vers une automatisation efficace et explicable des processus d’apprentissage automatique : Application à l’Industrie 4.0
Auteur / Autrice : | Moncef Garouani |
Direction : | Mourad Bouneffa, Mohamed HAMLICH |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences et technologies de l'information et de la communication. Spécialité Informatique et applications |
Date : | Soutenance le 27/09/2022 |
Etablissement(s) : | Littoral en cotutelle avec Université Hassan II (Casablanca, Maroc) |
Ecole(s) doctorale(s) : | École doctorale Sciences, technologie et santé (Amiens) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique, signal et image de la Côte d'Opale (Calais, Pas de Calais) - Laboratoire d'Informatique Signal et Image de la Côte d'Opale |
Jury : | Président / Présidente : Noura Tahri-Yousfi |
Examinateurs / Examinatrices : Pierre Parrend, Abdellah Azmani, Sébastien Verel, Aicha Majda, Sebastián Ventura | |
Rapporteurs / Rapporteuses : Pierre Parrend, Abdellah Azmani |
Mots clés
Résumé
L’industrie du futur introduit de nouveaux concepts, processus et pratiques conduisant à des mutations profondes dans le pilotage des systèmes d’information associés. Une des problématiques cruciales est l’utilisation de la quantité importante de données, notamment celles produites par les différents dispositifs d’acquisition de données (Cyber Physical Systems, etc.), pour en extraire de la connaissance destinée à la maîtrise des processus de l’entreprise à travers un système d’information évolutif, réactif et adapté aux spécificités de l’industrie 4.0. L’intelligence artificielle et plus particulièrement l’apprentissage automatique fournit les algorithmes, méthodes et outils permettant l’extraction de connaissances et de modèles à partir des données représentant l’activité d’une entreprise et son environnement, et l’apport de plus d’automatisation des processus sous-jacents. Cependant, de nombreuses entreprises ne disposent pas de moyens humains leur permettant de déployer efficacement des solutions d’apprentissage automatique. Cela s’explique notamment par le fait que la construction de telles solutions est un processus long et difficile qui nécessite une expertise hautement technique et intersectorielle et qui est une ressource limitée. Nous nous intéressons donc à ce besoin d’assistance à l’analyse de données, qui commence à recevoir une certaine attention des communautés scientifiques, donnant naissance au domaine dit d’apprentissage automatique automatisé. L’apprentissage automatique automatisé est devenu un domaine en plein essor qui vise à rendre l’application des méthodes d’apprentissage automatique aussi dépourvue d’intervention humaine que possible. A cet égard, les approches existantes se révèlent souvent similaires et peu abouties. Ces approches sont concentrées sur l’assistance de l’utilisateur en automatisant une partie ou l’ensemble du processus d’analyse de données, mais sans se soucier de son impact sur l’analyse. L’objectif a généralement été axé sur les facteurs de performance, laissant ainsi de côté d’autres aspects importants, voire cruciaux, tels que la complexité du calcul, la confiance et la transparence. Cette observation nous a amenés à orienter nos recherches vers le domaine du Meta-Apprentissage (MtL) et à développer des méthodes alternatives qui apportent une aide à la construction des techniques de modélisation appropriées tout en fournissant le rationnel des modèles ML sélectionnés. En particulier, nous considérons cette demande importante d’assistance intelligente comme un processus de méta-analyse, et nous progressons vers la résolution de deux défis de la recherche en AutoML. Dans un premier temps, pour palier au problème de la complexité du calcul, nous avons étudié une formulation de l’AutoML en tant que problème de recommandation, puis proposé une nouvelle conceptualisation d’un système expert basé sur le MtL capable de recommander des pipelines ML optimaux pour une tâche donnée. Dans un second temps, nous avons traité l’explicabilité du processus d’aide à la décision de l’AutoML pour prendre en compte la problématique de l’acceptation et la confiance en ces systèmes généralement vus comme des boîtes noires.