Conversations scientifiques avec Dr Mazen Alamir Partie 1

Le langage des séries temporelles

Voir la vidéo

Un algorithme de décision n’est que l’énoncé d’un ensemble de règles avec un vocabulaire approprié.

Dans une décision de recrutement, les mots pertinents du dictionnaire sont (compétence, ouverture d’esprit, capacité de travailler en équipe). S’il s’agit de choisir un vélo électrique, les propriétés pertinentes sont (prix, autonomie, temps de charge), etc.

Dans une décision de maintenance industrielle sur la base de séries temporelles issues de capteurs physique, la question de savoir quels sont les mots/propriétés/adjectifs pertinents pour décrire ces séries temporelles et permettre donc d’élaborer les règles de décision efficaces est une question ouverte, difficile et reconnu comme tel.

L’innovation issue du laboratoire GIPSA-lab du CNRS et qui a conduit à la création d’Amiral Technologies est précisément un gros dictionnaire de mots/adjectifs pertinents pour décrire spécifiquement les séries temporelles industrielles.

Pour l’analogie litéraire, je dirais que, dans cette affaire, les outils de Machine Learning ne sont que des stylos pour écrire les règles, c’est important mais n’importe qui peut les avoir, par contre ce sont les mots: riches, subtiles et incisifs qui font la beauté d’une oeuvre … Ils font la différence entre Amiral Technologies et les autres.

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 !!

Fin du contenu

Aucune page supplémentaire à charger

Fermer le menu