Interview du Dr Mazen Alamir, Co-Fondateur, Inventeur & Conseiller Scientifique

Pourriez-vous vous présenter ? Quel est votre parcours ?  Je suis directeur de recherche au CNRS. Mon domaine est la théorie de la commande des systèmes dynamiques. Diplômé de Grenoble-Inp et de Sup’Aéro. Depuis l’accord de la commission de déontologie du CNRS, je suis conseiller scientifique d’Amiral Technologies tout en restant Directeur de recherche au CNRS au sein du laboratoire Gipsa-lab, une unité mixte de recherche sur le campus de l’université de Grenoble-Alpes. Mes recherches présentent un caractère à la fois théorique (preuves de stabilité, convergences des algorithmes, problèmes inverses dynamiques, mise en oeuvre temps réel des algorithmes de commande prédictive non linéaire) et appliqué avec des domaines d’application variés comprenant, entre autres, la gestion des micro-grids et quartiers intelligents, la cryogénie, les éoliennes, les turbines hydrauliques, le traitement combiné du cancer, etc… La plupart de ces travaux se font avec des partenaires industriels ou apparentés (Schneider Electric, CEA, IFPEN, General Electric, SEB, INSERM). Je crois que vous aurez compris ! J’ai un métier de rêve avec un niveau minimal de pénibilité et un niveau de satisfaction maximal. J’en suis conscient tous les jours même si je ne me rase jamais !  Parlez-nous d’Amiral Technologies et de sa spécificité ?  Amiral Technologies exploite un ensemble d’algorithmes innovants issus de nos recherches au CNRS et dont elle a une licence exclusive dans son domaine d’activité, la prédiction de pannes industrielles. Plus précisément, il s’agit d’algorithmes basés sur la génération automatique de propriétés mathématiques décrivant une série temporelle issue d’un capteur physique posé sur un équipement dont le fonctionnement est régi par des lois. Ces propriétés sont extrêmement riches et possèdent un fort potentiel de succès dans la résolution de problèmes divers tels que la détection de défauts ou anomalies de fonctionnement, vieillissement ou la proximité de fin de vie d’un équipement. La génération automatique de propriétés permet d’avoir un nombre très important de prises de vue de la série temporelle. Ces prises de vue, obtenues sur un ensemble représentatif de données saines, permettent une caractérisation plus robuste de ce que serait la normalité. Cette caractérisation riche de la normalité à travers les mesures permet la détection des anomalies avec une grande précision et un faible taux de fausses alarmes. On peut dire, pour simplifier et permettre une compréhension intuitive, que ces prises de vue représentent l’équivalent des empreintes digitales de la normalité. C’est l’abondance de caractéristiques discriminantes qui fait la fiabilité de l’identification. C’est ce qui a permis à Amiral Technologies de développer des techniques de détection de défauts sans avoir des occurrences de défauts dans les données d’apprentissage ce qui est la situation la plus fréquente dans le monde industriel, et heureusement.  Pourquoi avez-vous choisi la voie du machine learning ?  À vrai dire, je n’ai pas suivi la voie du machine learning. Le machine learning n’est qu’une boîte à outils parmi d’autres. Ces outils aident à explorer des relations potentielles entre des variables révélant les lois internes qui gouvernent des systèmes dynamiques. Il faut cependant les utiliser avec prudence et en gardant un sens critique. Certains y voient la solution à tous les problèmes, d’autres les rejettent par principe pour ne pas alimenter un dogme qu’ils estiment passager et trompeur, je pense que ces deux extrêmes sont à éviter. D’autre part, ces outils, lorsqu’ils réussissent ne font que répondre à une question en utilisant des données. Reste à savoir, quelle est la question à poser et quelles sont les données à examiner. Généralement, les données brutes sortant des capteurs ne sont pas les bonnes à présenter à ces outils, d’où l’intérêt d’utiliser un bon générateur de propriétés tel que celui d’Amiral Technologies.  DiagFit, c’est quoi ? DiagFit est le nom du logiciel incorporant l’innovation mentionnée plus haut dans une chaîne optimisée et générique de traitements. Cette chaîne commence par les mesures issues des capteurs, passe par la recherche d’un modèle prédictif et finit par délivrer un pronostic sur les aspects mentionnés plus haut (défaut, anomalie, vieillissement, fin de vie). Une phase de réajustement itératif permanent (au fur et à mesure que de nouvelles données arrivent) vient clore le processus. Pensez-vous que la recherche avance réellement dans ce domaine ?  Dans ce domaine, il y a beaucoup de bruit, beaucoup d’effets d’annonce et de fausses promesses à cause des enjeux économiques et de la nature de la sphère concurrentielle caractérisé par un appétit démesuré à une mise à l’échelle poussée à l’extrême. Ceci rend difficile une lecture apaisée de l’offre de solutions disponibles et a fortiori du contenu scientifique sous-jacent. Les choses se compliquent par le fait qu’une bonne partie des solutions présentes sur le marchés adressent plutôt la chaîne d’acquisition et de traitement (réseaux, architecture de calculs, capteurs connectés, etc.) que le traitement des données et l’efficacité des algorithmes prédictifs. Donc, pour répondre à la question, oui la recherche avance forcément, mais une condition nécessaire pour sa mise sur le marché passe par un lien avec l’ensemble de la chaîne de valeur et une collaboration étroite avec quelques clients pilotes et visionnaires.  Quelle est votre vision du futur pour Amiral Technologies ?  La plupart des startups de la maintenance prédictive annoncent des miracles algorithmiques avant même de se confronter à suffisamment de cas d’étude réels pour avoir le retour nécessaire de la réalité. Amiral Technologies a accumulé une expérience significative à travers des cas concrets. Il s’ensuit que c’est in fine le feedback du terrain qui déterminera les options (algorithmiques, architecturales et stratégiques) qui prévaudront dans le domaine de la maintenance industrielle basée sur les données. L’offre d’Amiral Technologies prévalant au moment de sa création était déjà bien évoluée par rapport à l’idée que nous avions avec mon amie Katia Hilal, trois années auparavant, lorsque nous avions commencé notre tour des acteurs de cette industrie. Et il est très probable, sinon certain, que dans trois ans, elle aura une forme et une proposition de valeur bien plus différente. C’est la raison pour laquelle, je pense que les mots clés pour réussir seront : veille technologique, collaboration étroite avec les clients, inventivité et analyse systématique et approfondies des cas d’étude accumulés afin d’y trouver les généricités cachées à exploiter dans un processus réactif. Mon souhait est de voir Amiral Technologies reconnue pour ses valeurs de sérieux et d’intégrité ainsi que pour sa crédibilité. J’espère que le nom d’Amiral Technologies sera associé à un dosage fin et réussi entre une ingéniosité technique et une maturité scientifique qui ne fait pas fi des lois têtues de la nature mais en tire le maximum d’intuitions et de lignes directrices. Dans quelques années, on retiendra qu’Amiral Technologies n’aura jamais laissé croire qu’il est possible de créer des jumeaux numériques fiables à partir de données éparses en un clic de souris et sans même discuter avec les spécialistes ne serait-ce qu’une heure. Je n’ai pas de doute qu’Amiral Technologies, forte de ses atouts et de sa ligne de conduite, sera leader des systèmes fiables de diagnostic avec un modèle économique en lien avec la valeur qu’elle apporte à ses clients. Je parie même qu’un jour, ceux-ci investiront du temps et des ressources pour nous aider à mieux travailler nos algorithmes, nos seuils et nos règles d’adaptation, afin de mieux coller aux spécificités industrielles, voire à celles de chaque industriel. Je suis sûr que ce jour viendra car une bonne maintenance prédictive n’est pas une option que l’on peut ne pas choisir. La réticence des industriels aujourd’hui à y mettre le prix n’est que la conséquence des prophéties mensongères qui leur permettent encore d’envisager de placer le curseur trop bas. Fort heureusement, la multiplication inévitable des tentatives de mise en oeuvre des différentes solutions et offres et le regard critique que l’on portera sur leur efficacité réelle conduira forcément à clarifier le paysage. Amiral Technologies ne s’en plaindra pas !!

Read post »

Amiral Technologies dans la revue de Green News Techno

Amiral Technologies est aussi mentionné dans la revue n°296 de Green News Techno : “La solution de maintenance prédictive développée par Amiral Technologies […] permet de réduire les coûts de maintenance et de prolonger la durée de vie des équipements”. Lire l’article ici

Read post »

Amiral Technologies dans Maintenance & Entreprise

“La maintenance prédictive des équipements industriels est l’un des chevaux de bataille de l’industrie 4.0″. Un article est dédié à Amiral Technologies dans la revue n°654 du magazine Maintenance & Entreprise. Lire l’article ici 

Read post »

Global Predictive Maintenance Market Report

Amiral Technologies is mentioned as a key role player in the Global Predictive Maintenance Market report. It is a comprehensive study on Predictive Maintenance Market and the report provides all key qualitative insights like drivers, restraints, opportunities etc. and quantitative insights like market size, absolute dollar opportunity etc. of the market. The report also has a section on competitive landscape which would provide extensive company profiles of the key players in the market. The company profiles help in understanding competitor’s product portfolio, business strategies to target various markets, potential customers, financial performance and mission and visions in near future.

Read post »

L’IA au service des entreprises – Colloque au Ministère de l’Economie et des Finances.

Le mercredi 3 juillet dernier s’est tenu au Ministère de l’Economie et des Finances l’événement « L’Intelligence Artificielle au service des entreprises » organisé par la DGE. Cette conférence a été organisée dans le contexte du lancement de la stratégie nationale en Intelligence Artificielle présentée par Emmanuel Macron en mars 2018, sur la base du rapport de Cédric Villani. Cette dernière comporte 3 axes : La recherche fondamentale L’éthique (GIEC de l’IA) L’économie liée à l’IA Ainsi, durant la conférence il a été question de présenter le 3ème axe de la stratégie à savoir le volet économique et cela à travers plusieurs questions. Comprendre comment l’IA influe sur l’activité économique, quelle est la stratégie de la France dans ce domaine, d’où vient l’investissement et comment sont accompagnées les entreprises travaillant dans l’IA ? Plusieurs présentations et tables rondes se sont enchaînées durant le colloque dont des discours de membres du gouvernement : Cédric O, secrétaire d’État auprès du ministre de l’Économie et des Finances, chargé du numérique, Bruno Le Maire, ministre de l’Économie et des Finances, et Agnès Pannier-Runacher, secrétaire d’État auprès du ministre de l’Économie et des Finances. A l’issu de la conférence, un manifeste de coopération sur l’IA a été signé entre le gouvernement et les entreprises françaises. Le but des actions du volet économique est de transformer l’économie afin qu’elle soit axée sur la création d’emplois et cela en diffusant l’IA dans les entreprises. Les solutions mises en avant durant l’événement incluent : 250 millions d’euros investis dans le Plan d’Investissement Avenir pour financer des projets dédiés à l’IA. un appel à projets destiné à cofinancer des initiatives de mutualisation de données publié en juillet. des dispositifs tels que les Challenges IA ont été mis en place afin de lier offreurs et utilisateurs de l’IA et résoudre des problèmes concrets. Le point de vue d’Amiral technologies : Sur ce dernier point nous restons vigilants pour que ces « challenges » ne se transforment en moyen d’accéder à des solutions technologiques en faisant travailler un maximum de participants et en en rémunérant un seul. Ceci pourrait contribuer à précariser les startups qui seront invités à participer à de nombreux challenges consommant beaucoup de ressources au lieu de les focaliser sur le développement de leurs solutions matérielles ou logicielles. Sans aller jusqu’à la mutualisation des données, la confidentialité des données est l’une des questions auxquelles les entreprises font face pour intégrer l’IA à leurs produits.  Les industriels sont aujourd’hui encore réticents à confier leurs données pour entraîner des algorithmes d’intelligence artificielle. Il est nécessaire de dépasser ces réticences pour permettre aux entreprises de tirer complètement partie de l’IA. Agnès Pannier-Runacher clôt l’événement en félicitant l’avancée mondiale de l’Europe dans le domaine de l’Intelligence Artificielle mais rappelle que les entreprises doivent « Reconnaître, accélérer, transversaliser, développer et assumer » cette prouesse technologique car malgré l’aide de l’Etat, seules elles peuvent « faire le changement. »

Read post »

De nouveaux défis dans l’aéronautique et le spatial au Salon du Bourget 2019

Du 17 au 23 juin s’est tenu à Paris – Le Bourget la 53e édition du Salon International de l’Aéronautique et de l’Espace. En tant que visiteurs, nous avons pu découvrir les nouveautés de nos clients et partenaires comme Airbus. L’absence d’un stand Ariane a été notée mais le groupe a été représenté par l’alliance ArianeWorks , présente sur le stand du CNES, qui se met au défi des lanceurs civils réutilisables à la mode SpaceX d’Elon Musk. Une collaboration entre Amiral Technologies et cette alliance est d’ailleurs en cours. Ce rendez-vous mondial de l’industrie aéronautique et de ses acteurs, inauguré par Mr le Président de la République Emmanuel Macron a rassemblé cette année environ 316000 visiteurs ainsi qu’un record de plus de 2450 exposants venus de 49 pays différents.  Les visiteurs ont pu découvrir de nombreux stands tenus par des entreprises renommées tel que Airbus ou le CNES qui lui a organisé de nombreux événements sur son espace dont notamment une interview du célèbre astronaute Thomas Pesquet. En se promenant tout le long du salon il était possible d’admirer 140 aéronefs à la fois au sol en les visitant de l’intérieur mais aussi dans le ciel grâce à de multiples démonstrations d’avions et d’hélicoptères dont la Patrouille de France. Parmi eux, des appareils tous nouveaux : le Falcon 8X de Dassault et l’Airbus A330 Neo.  Hormis la visite du président français, une grande partie du gouvernement a fait son apparition au salon tout comme 300 Délégations Officielles ce qui érige ce dernier en incontestable rendez-vous international. En effet, de nombreux échanges et opportunités ont pu être encadrées donnant lieu à plus de 140 milliards de dollars de contrats signés.  En démontrant son grand succès, le Salon International de l’Aéronautique et de l’Espace Paris – Le Bourget s’impose à nouveau comme l’événement majeur de l’industrie aéronautique et spatiale.  Rendez-vous du 21 au 27 juin 2020 pour a 54e édition ! 

Read post »
DiagSign Automatic Feature Generation and the state of the art

DiagSign Automatic Feature Generation and the State of the Art

We just published a new white paper in our document library « DiagSign Automatic Feature Generation and the State of the Art ». This paper summarizes the state of the art in terms of academical methods to solving the problem of feature generation from time series. These can be classified in two categories : Structured models approaches, and Dimensionality reduction approaches. DiagSign is a protected invention that was born in the labs of the French National Research Centre (CNRS). It uses a purely mathematical method to automatically generate features from time series that are relevant, highly discriminant, and very adapted to transitional signals. DiagSign can generate as many features as needed, possibly thousands, in record time and in a massively parallelizable way. In addition, it is agnostic to the type of signal nor does it care what equipment is diagnosed. The white paper explains why Amiral Techologies’ DiagSign surpasses these academical methods and avoids their drawbacks : It does not assume an a priori structured model; It keeps all the information in the signal; It offers tremendous and low cost scalability. Read the paper here

Read post »
Unsupervised Learning

Why are Amiral Technologies’ unsupervised learning solutions so powerful?

What is unsupervised learning? Unsupervised Learning (see wikipedia) is used when no historical data is available that involves past faulty behavior and/or aging progression. Therefore, Unsupervised Learning is mandatory to design data-based alarm system and aging monitoring algorithms in the majority of industrial situations. This is at least true in the current state of data availability and labelling. Typical solutions to this problem need a so called normality space to be defined. This is the space of configuration of features that characterize the healthy behavior of the equipment. Roughly speaking, when the features leave the normality space (in some sens), an alarm can be raised. As it is always the case in Machine Learning (ML)-based learning, the main questions are: What are the features to use in the previously described process? What is the impact of this choice of features on the quality of the resulting alarm system in terms of coverage rate and false alarm ? An obvious partial answer to these questions is that if the set of features being used does not intersect with the set of features impacted by a specific potential default, then this default will not fire the alarm system. Saying it differently, this fault will not be covered. Consequently, the more discriminant features one involves in the definition of the normality space, the more chance one gets to cover the multiple possible failures in the equipment. Why is Amiral Technologies’ solution for unsupervised learning so powerful and innovative? This is precisely why the Unsupervised Learning solutions of Amiral Technologies outperform alternative solutions. Indeed, Amiral Technologies’ Automatic Feature Generation  enables very rich and highly discriminant sets of features to be generated. This leaves small chances for faulty behaviors (even unseen in the learning data) to remain undetected. Moreover, the availability of such a high number of features enables the definition of voting systems that reduce the risk of false alarms as these can rapidly render the solution unacceptable by the practitioners and the maintenance operators.

Read post »
Close Menu