Retour aux actualités
Article suivant Article précédent

Le machine learning est-il réellement incapable de modéliser le monde physique ? # 198

Articles Revue TELECOM

-

28/10/2020

Par Arnaud de Moissac (2009)

Dans cette revue, nous souhaitions aussi parler des limitations de l’IA lorsqu’on la met en production ; en voici une belle : L’IA n’est pas capable d’extrapoler un comportement en se basant sur l’intuition d’une loi physique comme la gravité par exemple alors qu’un nourrisson le fait naturellement.

Concrètement, cela signifie qu’un modèle de Machine Learning (ML) peut être extrêmement précis à modéliser le rendement d’un compresseur dans sa zone d’exploitation traditionnelle, car il disposera de nombreuses données d’exploitation, mais incapable de le faire en dehors. Pire, lorsque l’on utilisera ce modèle en dehors de cette zone de confort, il est fort probable qu’il diverge complètement et devienne dangereux s’il est utilisé pour piloter un réseau de fluide comme du transport de gaz par exemple.

Pourtant, le besoin est là. Pour apprendre en continu le jumeau numérique d’un système physique ou trouver en quasi-temps réel un réglage optimal de ce système sous contrainte, nous aurions grand besoin de la facilité d’apprentissage du ML et de sa capacité donner des solutions quasi-instantanées à des requêtes complexes.

Une solution existe pourtant, tant pour injecter de la physique dans le ML que pour donner à ces modèles une sorte d’intuition humaine : c’est l’IA Hybride.


QUELLE SERAIT UNE DÉFINITION SIMPLE DE L’IA HYBRIDE ?

L’IA Hybride est apparue au grand public lors de la victoire d’Alpha Zero, l’IA de Google, sur le champion du monde de Go. Cette victoire ne semblait pas à la portée d’un ordinateur avant plusieurs dizaines d’années. Google (DeepMind) a hybridé un algorithme classique de jeu de Go (MCTS) avec des réseaux de neurones puis a permis à cet algorithme de jouer plusieurs centaines de milliers de parties contre lui-même (on parle de Reinforcement Learning) pour acquérir une sorte d’intuition humaine du niveau d’un grand maître. Un savant mélange de deep learning, de recherche opérationnelle et d’un moteur de règles de Go.

L’IA Hybride peut se définir par deux approches complémentaires quand on parle de modéliser et d’optimiser le monde physique. Premièrement, il s’agit d’injecter des lois physiques à une intelligence artificielle en plus des données afin d’ancrer ces IA dans la réalité et d’éviter les divergences malgré un corpus de données souvent limité. Deuxièmement, c’est le fait de donner une capacité d’intuition quasi humaine aux algorithmes utilisés pour optimiser les réseaux afin d’obtenir et de générer des intuitions artificielles permettant des gains de performance de calcul de l’ordre de x1000 par rapport à des solvers traditionnels. L’IA Hybride est donc « un mélange » de deep learning, de comportements théoriques (physique) et de mesures de données du monde réel permettant d’intégrer par apprentissage l’expertise humaine.

Ce sont précisément ces approches qui sont au cœur d’INES, la plateforme de DCbrain, permettant d’apprendre très rapidement un double digital précis et borné par des limites physiques même si peu de données sont disponibles. Ce double digital saura s’améliorer avec le temps. Cela permet également d’obtenir des temps de calcul d’optimisation extrêmement courts sur des problèmes pourtant très complexes comme l’optimisation de réseaux de fluide à l’échelle d’un territoire.


CONCRÈTEMENT, AU-DELÀ DE GAGNER AU GO, QUELS SONT LES USAGES RÉELS POUR CE TYPE D’APPROCHE ?

Les clients font face à une véritable révolution dans la façon d’opérer leurs réseaux. L’injection et la prise en compte des énergies renouvelables, par exemple (comme le bio-méthane ou l’hydrogène), fait que des réseaux qui auparavant étaient un business d’infrastructure essentiellement gérés à long terme doivent être opérés sous contraintes au quotidien. Les opérateurs se retrouvent à devoir gérer des situations nouvelles avec de nombreux aléas chaque jour. Or, leurs outils traditionnels sont incapables de tirer partie de la donnée remontant des réseaux pour les aider dans cette nouvelle tâche, et incapable de calculer dans les temps les meilleurs scénarios permettant de répondre à l’incertitude.

Chez DCbrain, l’IA Hybride est au cœur de la solution pour les réseaux de gaz, d’énergie, d’eau, d’électricité, de chaleur, de transport, de logistique, etc. Elle permet aux clients d’optimiser leurs réseaux, de les visualiser, de simuler différents scénarios, de détecter des anomalies et de faire des prévisions. Tout cela est possible avec un temps d’apprentissage très réduit et un jumeau numérique particulièrement précis puisqu’il est basé sur des données terrain.

Par exemple, la construction du double digital pour un réseau de gaz passe de un an pour un solveur classique à un mois avec INES. De plus, le double digital de DCbrain s’améliore en continu. Par ailleurs, le calcul de configurations optimales d’un réseau à partir de données de contexte (capteurs, météo…) quant à lui, prend un jour pour un solveur classique et seulement une minute pour INES.


Jumeau numérique appris par la plateforme INES de DCbrain


UNE RÉPONSE À L’EFFET BOITE NOIRE DE L’IA?

Un effet bonus de cette hybridation est que l’IA Hybride est naturellement explicable et rassurante. Les modèles sont soumis à une proximité avec leurs équivalents physiques et ne peuvent diverger. Ils sont visibles, auditables, compréhensibles par les personnes qui les utilisent. On parle d’explicabilité. Le jumeau numérique ainsi modélisé peut également permettre d’auditer les données terrain puisque étant capable d’extrapoler, il sera à même de détecter une incohérence dans des données remontées par des capteurs de la même façon que notre nourrisson du début trouverait étrange que son biberon s’envole.

Rapidité, fiabilité, synthèse du meilleur entre l’ancien et le moderne : pour l’IA comme pour les humains, la mixité est une source de richesse !



Arnaud DE MOISSAC
Diplômé de l’INSA et de Télécom Paris.

Après une carrière côté grand groupe dans différents métiers avec notamment la responsabilité du dossier efficacité énergétique du groupe SFR, Arnaud crée une première start-up sur le thème des datacenters.

Frustré de voir que les mondes des réseaux physiques et de l’IT n’arrivaient pas à réellement travailler ensemble, il décide de co-créer DCbrain qui est devenu la solution SaaS de référence de gestion de réseaux physiques complexes, permettant aux industriels et aux gestionnaires de réseau d’énergie et de marchandises de fiabiliser et d’optimiser leurs flux en temps réel grâce à l’IA.

DCbrain a été incubé par Télécom Paris Novation Center et a été récompensé à de nombreuses reprises (Pass FrenchTech, Gartner, AI Paris, #EUvsVirus…)

Aujourd’hui, DCbrain compte une trentaine de clients dans les secteurs Utilities et Logistique en Europe dont GRDF, Terega, Engie, Stef, Idex, Fluxys...

@dcbrain_feed

www.linkedin.com/company/10955803/

www.dcbrain.com




retour au sommaire


64 vues Visites

J'aime

Commentaires0

Veuillez vous connecter pour lire ou ajouter un commentaire

Articles suggérés

Articles Revue TELECOM

Bataille pour le contrôle de l’industrie des télécoms en Afrique # 198

photo de profil d'un membre

Rédaction Revue TELECOM

28 octobre

Articles Revue TELECOM

Pour une communication publique sans stéréotype de sexe # 198

photo de profil d'un membre

Rédaction Revue TELECOM

28 octobre

Articles Revue TELECOM

Sexisme dans l’espace public : conquérir le sentiment de légitimité par le chahut-cancan # 198

photo de profil d'un membre

Rédaction Revue TELECOM

28 octobre