En effet, sur le terrain les cas d’usage dans l’industrie sont très variés et beaucoup d’entre eux s’avèrent ne pas suivre des cycles ou des processus cycliques réguliers, et nécessitent donc un traitement avec des algorithmes et des générateurs de caractéristiques optimisés différemment.
On pourra citer par exemple des pompes à vide qui ne fonctionnent que lorsque le vide doit être fait et ce sur une durée qui ne peut être déterminée à l’avance, ou le vol d’un avion qui peut varier dans le temps et surtout varier dans ses contextes opérationnels.
Améliorer la performance de nos générateurs de caractéristiques et de nos algorithmes
La technologie de DiagFit étant basée sur des générateurs de caractéristiques issus de recherches du CNRS, nous les avons optimisés pour la gestion de séries temporelles acycliques.
Nous avons amélioré leur performance ainsi que celles de nos algorithmes de machine learning non supervisé en prenant en compte l’ensemble des contraintes liées à la gestion dynamique d’équipements industriels, cycliques ou non.
Pour rappel, DiagFit étant un logiciel de traitement en mode aveugle, l’optimisation des générateurs de caractéristiques a permis qu’il soit fonctionnel dans l’ensemble des contextes industriels de nos clients.
DiagFit sélectionne ensuite automatiquement la meilleure combinaison générateurs/algorithmes et crée le pipeline associé.
Régler le compromis faux/vrais positifs d’un modèle prédictif en mode avancé
Pour répondre au besoin de nos utilisateurs les plus aguerris, il est désormais possible de faire varier le compromis faux/vrais positifs du modèle.
Cette balance entre Taux de vrais positifs (True Positive Rate – TPR) et Taux de faux positifs (False Positive Rate – FPR) est calculée automatiquement par DiagFit pour être théoriquement à l’équilibre le plus intéressant vis-à-vis des données reçues. Néanmoins, un utilisateur qui voudrait modifier ce seuil pour évaluer plusieurs stratégies prédictives (Risque vs. Gain) peut désormais le faire en suivant ces quelques étapes :
- Lancer l’apprentissage d’un modèle sur un jeu de données d’entraînement
- Visualiser les courbes issues de l’apprentissage et cliquer sur « edit »
- Utiliser le curseur qui apparaît pour modifier la sensibilité du modèle et trouver le compromis qui lui semble le plus adapté. Cette modification peut être visualisable en modifiant le seuil sur la courbe de prédiction ou en faisant varier le compromis TPR et FPR sur la courbe
- Valider le nouveau seuil/compromis pour que DiagFit recalcule les métriques du modèle
- Challenger le modèle avec un nouveau jeu de données grâce à la fonctionnalité »Playback » ou déployer le modèle en »RUN »
