MAADISON - Modèles par apprentissage automatisés pour la surveillance des ouvrages névralgiques | FEREC 2020

9 II. Prédiction de la réponse de l’ouvrage à l'aide de modèles "IA" Ce paragraphe présente les outils testés dans le cadre du projet ainsi que les résultats obtenus : choix des outils, paramètres évalués, séle ction de l’architecture optimale. II.A. Principes La notion d’intelligence artificielle (IA) , introduite dans le courant des années 50 sous ce terme, désigne les approches visant à permettre à des machines de reproduire « l’intelligence » humaine, à travers notamment la reproduction de comportements, la compréhension et l’interprétation de données (images, vidéos, séries temporelles), ou la prise de décision. L’interprétation du terme d’intelligence artificielle a fluctué au cours des dernières décenn ies, notamment grâce aux développements en électronique et en informatique, décuplant les capacités de calcul et de mémoire des ord inateurs, débloquant l’accès à de nouveaux outils de calcul. Aujourd’hui, la notion d’intelligence artificielle fait généralement référence à l’utilisation d’outils comme le machine learning et le deep learning . La démarche du machine learning vise à donner la capacité à un ordinateur à apprendre un comportement, un modèle, des relations entre données, sans avoir besoin de les programmer explicitement . L’utilisation des techniques de machine learning a ainsi pour objectif de comprendre ou modéliser des processus complexes dans des cas où ces derniers sont difficiles à mettre au point (par exemple, le modèle mécanique d’un ouvrage). Les applications sont variées (classification, régression, reconnaissance de formes, prédiction) et les domaines d’application nombreux : reconnaissance de texte, robotique, conduite autonome, reconnaissance d’image, finance, traitement photo, marketing, médical, etc… La mise en œuvre du machine learning repose sur l’apprentissage : l’utilisateur donne en entrée une banque de donn ées d’apprentissage et définit des descripteurs pertinents pour traiter les données et en évaluer la performance. Un descripteur est une quantité mesurable ou calculable utilisée pour décrire en partie un objet ou une donnée : par exemple, un code couleur pour identifier une couleur dans un algorithme de reconnaissance de teinte. Le machine learning regroupe une grande variété d’outils, avec entre autres : les Support Vector Machine (SVM), les K-Nearest-Neighbor Classifiers (KNN), les Random Forest Classifier Algorithms (RFC) et le deep learning . Le deep learning est une approche avancée de machine learning , qui se distingue par l’absence de besoin de définir des descripteurs pour l’usager avant l’apprentissage . Les descripteurs sont extraits directement des données lors de l’apprentissage pour établir directement les règles de modélisation. Ces règles peuvent être très abstraites voire imperceptibles pour un opérateur humain, tant pour leur absence de sens physique que pour leur complexité, ce qui permet aux outils de deep learning de trouver des relations entre données qu’un utilisateur humain n’aurait pas perçues. Aujourd’hui, le terme d e deep learning fait généralement référence à l’utilisation d e réseaux de neurones artificiels ( Artificial Neural Network , ANN), aussi appelés perceptrons multicouches ( Multi Layer Perceptron , MLP). Les ANN constituent une famille d’outils polyvalents, utilisable dans des problèmes de classification comme de régression (Du et al., [2013], [2014]; Hassoun et al., [1995]; Murtagh, [1991]). Reproduisant le schéma des synapses dans un cerveau, les ANN sont constitués d’un ensemble de cellules appelées neurones (ou perceptrons). Chaque cellule représente une combinaison linéaire injectée dans une fonction d’activation non-linéaire (Figure 3). Cette fonction d’activation non-linéaire peut être une fonction sigmoïde, tangente hyperbolique, ReLU, etc … ; dont la dérivée est connue. Cette fonction peut également être une fonction « logique » à seuils (par exemple, 0 et 1).