En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Entreprise leader mondiale dans la conception d’appareils spéciaux pour conditions de service difficiles (notamment le Nucléaire) et applications industrielles, conçoit des vannes pour lesquelles elle souhaite pouvoir s’assurer de leur bon fonctionnement.
Ces vannes jouent un rôle essentiel dans divers secteurs industriels, notamment l’énergie, le pétrole et le gaz, la chimie, ainsi que l’industrie navale et nucléaire. Leur utilité réside principalement dans le contrôle du flux de fluides (liquides, gaz, vapeurs) à travers des tuyauteries et des systèmes complexes.
Les vannes sont cruciales pour la sécurité de ces installations. Elles sont conçues pour s’ouvrir ou se fermer automatiquement en cas de défaillance d’un système, afin de prévenir des incidents dangereux.
Pour ce projet et étant donné la criticité des applications, il était impossible d’effectuer des tests en conditions réelles afin de construire un modèle permettant d’identifier les dysfonctionnement de la vanne. C’est pourquoi la vanne a été instrumentée et testée su un banc d’essai stimulant plusieurs ouvertures et fermetures dans différentes conditions de fonctionnement (température, pression etc.).
Les défauts ont été crées également artificiellement en augmentant le serrage (les contraintes) sur certaines pièces de la vanne.
Afin de proposer un produit de qualité premium et surtout de proposer de nouveaux services à ses clients utilisateurs. Le fabriquant souhaitait utiliser l’Intelligence Articielle (IA) et le Machine Learning (ML) pour détecter les cycles de fonctionnements défaillants de la vanne ou déterminer les capteurs indiquants ces défaillances.
Ainsi grâce à ces indications, le client utilisateur serait en mesure de déterminer plus rapidement la cause racine du dysfonctionnement mais également serait en mesure de sécuriser ses installations en ne réactionnant pas une vanne défaillante.
Grâce à l’utilisation de notre logiciel DiagFit, un modèle a été construit afin de permettre de faire la différence entre les cycles défaillants et les cycles sains.
En apprenant sur la normalité de la vanne dans différents contextes et en comparant ces résultats à un grands nombres de cycles sains et non-sains, le modèle était non seulement capable de déterminer les cycles non-sains mais également de donner la contribution des capteurs d’où provenait l’anomalie.
Grâce à la visualisation des données brutes et aux fonctionnalités avancées d’exploration de la donnée l’ingénieur assigné au projet a pu observer des comportements de la vanne non attendus et a pu également améliorer leur connaissance de la vanne dans certaines conditions.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son ap
