Notre équipe scientifique est prête à vous aider à résoudre vos problèmes, aussi complexes qu’ils puissent paraître. Nous appliquons notre savoir-faire à une grande variété de contextes, la maintenance prédictive prédictive assistée par la reconnaissance automatique d’image, à la classification de données temporelles, en passant à l’analyse de défaillance par interférence causale.
Nous sommes toujours à la pointe des techniques de Machine Learning. Nous suivons les conférences les plus importantes du domaine, comme l’ICML, la ICLR et la NeurIPS. Cela signifie que nous n’appliquons pas seulement les modèles de Machine Learning comme une boîte noire, mais que nous n’hésitons pas à les adapter à vos besoins et à vous proposer des solutions personnalisées et incluant de l’intelligence artificielle (IA).
Notre méthode d’Analytics vous garantit des coûts minimaux quelle que soit la taille du projet. Nous travaillons dans le cloud ou en local. Si vous ne disposez pas d’une infrastructure Analytics, nous pouvons vous aider sans problème.
La reconnaissance d’image est l’un des domaines du Machine Learning machine qui a le plus évolué ces dernières années. Parallèlement, la diminution du coût du matériel et l’augmentation de la puissance de calcul (grâce aux GPU) ont permis de résoudre en quelques secondes des problèmes ce qui étaient inimaginables il y a encore quelques années.
En utilisant des modèles de Deep Learning, comme les réseaux neuronaux convolutifs (CNN), nous pouvons résoudre des problèmes tels que la segmentation des images, la reconnaissance ou la détection d’objets. L’analyse peut donc se faire à bas niveau sur la taille du pixel, ou à haut niveau sur la taille de l’objet ou de l’image.
En utilisant le calcul GPU dans cloud, nous minimisons les coûts et maximisons la vitesse de calcul. Nous travaillons avec des logiciels open source. Vous n’avez donc pas à vous soucier des coûts d’exploitation élevés liés aux licences.
Le Deep Learning n’est pas seulement utilisé pour l’imagerie. Les réseaux neuronaux récurrents (RNN, LSTM, GRU, …) ont changé la façon d’analyser les données temporelles aujourd’hui. Nous ne parlons plus d’analyse fréquentielle, mais de reconnaissance de d’échantillon, de classification et de prédiction.
Avec des centaines de milliards de capteurs dans le monde, les données temporelles sont aujourd’hui énormes. Dans le cadre de LeanBI, nous avons travaillé sur divers projets de maintenance prédictive et d’analyse, avec différents types de données. Les mesures de vibrations, de tension ou de vitesse de rotation, tout ce qui peut être mesuré périodiquement peut aider à détecter et à identifier les problèmes à un stade précoce, ou même à prédire le comportement futur du système.
Quand nous recherchons des défaillances, il arrive souvent que nous n’ayons pas beaucoup de données contenant les modes de défaillance. Les techniques de classification ne peuvent alors pas être appliquées.
La détection des anomalies non supervisée permet de modéliser un « comportement normal » et de classifier tout ce qui est différent de cette situation.
La détection des anomalies est souvent utilisée dans le cadre de la maintenance prédictive, mais aussi dans tout scénario où les problèmes sont indéterminés. Nous appliquons notre expertise en matière de détection d’anomalies à tous les types de données, qu’elles soient visuelles, temporelles ou structurées.
Nos clients nous posent souvent deux questions : « comment pouvons-nous utiliser notre savoir-faire dans notre domaine pour rendre le modèle plus intelligent » et « comment allons-nous obtenir autant de données grâce au Deep Learning ? »
Les modèles probabiliste bayésien font d’une pierre deux coups : (1) ils peuvent intégrer la connaissance du domaine, et donc (2) nécessitent moins de données. Un autre avantage des modèles bayésiens est qu’ils quantifient l’incertitude : lorsque nous obtenons une réponse, nous savons également dans quelle mesure nous pouvons lui faire confiance.
Nous pouvons appliquer les modèles bayésiens à la plupart des configurations de Machine Learning : classification ou prédiction, pour du traitement d’image ou pour des données temporelles, et même les combiner avec le Deep Learning. Nous pouvons également les utiliser pour l’inférence causale : nous recherchons ce qui a causé un résultat : « lequel de tous les facteurs potentiels est responsable des dommages causés à la machine ? ».
Chez LeanBI, nous nous efforçons toujours d’utiliser le plus possible le savoir-faire des experts de terrain dans nos modèles. La modélisation probabiliste bayésienne est souvent l’outil adéquat pour cela, par exemple en utilisant la modélisation physique avec des distributions de probabilité pour expliquer la qualité de l’air intérieur, ou pour quantifier la probabilité de chaque défaillance potentielle dans la maintenance prédictive.