SYSTEME INTELLIGENTS

1. Introduction
Un système intelligent est un système informatique ou un dispositif qui est capable de prendre
des décisions et d'agir de manière autonome en fonction des données qu'il reçoit et des objectifs qui
lui sont fixés. Ces systèmes utilisent souvent des technologies telles que l'intelligence artificielle à
travers le Machine Learning et le traitement du langage naturel pour interpréter et analyser les
informations, afin de prendre des décisions ou de fournir des recommandations.

Les systèmes intelligents sont une technologie qui a émergé et gagné en importance en moins
d'une décennie.

En effet, les systèmes intelligents sont la réponse à la croissance technologique accélérée de

ces dernières années et aux besoins des personnes et des organisations dans un monde de plus en plus
interconnecté.

Dans ce contexte, les systèmes intelligents visent à permettre à des organisations spécialisées
impliquant diverses parties physiques, numériques et humaines d'atteindre un objectif commun. Ce
réarrangement, cette interaction et cet apprentissage entre tous ces composants font partie de la
transformation de l'industrie 4.0.

L'industrie 4.0 cherche à modifier le modèle de travail des entreprises actuelles afin qu'elles
puissent s'adapter et se développer dans ce nouvel environnement collaboratif entre les machines et
les humains.

NOTE : Une définition stricte d'un système intelligent est donnée par Martin Molina dans son
article intitulé "Qu'est-ce qu'un système intelligent? publié par l'Université́ technique de Madrid:

1
 “Un systè me intelligent fonctionne dans un environnement avec d'autres agents, possè de
des capacités cognitives telles que la perception, le contrô le de l'action, le raisonnement délibératif
ou le langage, suit des principes de comportement fondés sur la rationalité et les normes sociales,
et a la capacité de s'adapter par l'apprentissage."

Un exemple courant de système intelligent est un assistant vocal comme Siri, Alexa ou Google
Assistant.

En industrie, les systèmes intelligents sont utilisés pour automatiser les processus de
production, améliorer l'efficacité opérationnelle, surveiller les équipements et prévoir les pannes. Par
exemple, les systèmes intelligents peuvent être utilisés pour optimiser la planification de la production
en fonction des données en temps réel sur la demande du marché, les niveaux de stock et les capacités
de production. Ils peuvent également être employés pour surveiller l'état des équipements, prédire
les pannes potentielles et planifier la maintenance préventive afin d'éviter les temps d'arrêt non
planifiés.

Les robots industriels dotés de capacités intelligentes sont également de plus en plus utilisés
dans les usines pour effectuer des tâches complexes de manière autonome, par exemple dans
l'assemblage, le soudage ou la manipulation de matériaux. Ces robots peuvent utiliser des capteurs et
des systèmes de vision pour s'adapter à des situations variables et interagir en toute sécurité avec les
humains.

2. Ingénierie des Systèmes Intelligents

L'ingénierie des systèmes intelligents est un domaine qui combine les principes de l'ingénierie
avec les technologies de l'intelligence artificielle et de l'apprentissage automatique pour concevoir,
développer et mettre en œuvre des systèmes intelligents dans divers domaines d'application.

L'ingénierie des systèmes intelligents implique généralement les étapes suivantes :

1. Collecte et prétraitement des données : Cela implique la collecte de données pertinentes à partir
de capteurs, de bases de données ou d'autres sources, suivie par leur nettoyage, leur transformation
et leur prétraitement pour les rendre utilisables par les algorithmes d'apprentissage automatique.

2. Modélisation et apprentissage automatique : Cette étape consiste à choisir les modèles appropriés
(tels que les réseaux de neurones, les arbres de décision, etc.) et à entraîner ces modèles à partir des
données pour qu'ils puissent effectuer des tâches spécifiques, comme la reconnaissance de formes, la
prédiction ou la prise de décision.

3. Intégration des systèmes : Une fois que les modèles ont été entraînés, ils doivent être intégrés dans
les systèmes existants, ce qui peut impliquer le développement d'interfaces utilisateur, la mise en place
de protocoles de communication et l'optimisation des performances du système.

4. Validation et test : Les systèmes intelligents doivent être rigoureusement testés pour s'assurer qu'ils
fonctionnent correctement dans une variété de scénarios et de conditions.

5. Déploiement et maintenance : Une fois que les systèmes intelligents ont été validés, ils peuvent
être déployés dans des environnements opérationnels. La maintenance continue est également
nécessaire pour garantir que les systèmes restent performants au fil du temps.

2
 L'ingénierie des systèmes intelligents nécessite une expertise interdisciplinaire, combinant des
connaissances en ingénierie logicielle, en apprentissage automatique, en traitement du signal, en
robotique, en sciences des données et en génie industriel. Ce domaine est en constante évolution en
raison des progrès rapides dans le domaine de l'intelligence artificielle, et il joue un rôle crucial dans
la conception et le déploiement de systèmes intelligents dans divers secteurs tels que l'industrie, la
santé, les transports, l'énergie et bien d'autres.

3. Mise en œuvre des Systèmes Intelligents

En général, les systè mes intelligents utilisent la technologie IP (Internet Protocol) et des
capteurs pour collecter des informations à partir d'un environnement spécifique et les partager entre
ses différents éléments afin d'atteindre un objectif commun. Cette interconnexion entre le monde
numérique et le monde physique est appelée l'internet des objets (IdO).

Le Big Data est un autre des éléments qui rendent ce type de systè me possible, à savoir la
possibilité de collecter des informations et des connaissances au sein d'un systè me à partir de grandes
quantités d'informations provenant de différentes bases de données. Et cette même technologie tire
les leçons de ses expériences grâce aux technologies de l'intelligence artificielle et de l'apprentissage
automatique.

La mise en œuvre d'un système intelligent peut nécessiter une variété de matériel en fonction
des exigences spécifiques du système. Voici quelques-uns des types de matériel couramment utilisés
dans la mise en œuvre de systèmes intelligents :

1. Capteurs : Les capteurs sont des dispositifs qui mesurent des grandeurs physiques telles que la
température, la pression, la luminosité, le mouvement, etc. Ils sont essentiels pour collecter des
données à partir de l'environnement et des systèmes physiques. Ils permettent donc d’obtenir des
données de l'environnement et de les transmettre au noyau d'intelligence à des fins
d'identification et d'analyse.
2. Unités de traitement : Les systèmes intelligents nécessitent souvent des unités de traitement
puissantes pour exécuter les algorithmes d'apprentissage automatique et de traitement des données.
Cela peut inclure des processeurs haute performance, des unités de traitement graphique (GPU) pour
accélérer les calculs parallèles, ou même des processeurs spécialisés tels que les unités de traitement
tensoriel (TPU) conçues spécifiquement pour les tâches d'apprentissage automatique.

3. Mémoire et stockage : Les systèmes intelligents peuvent nécessiter une mémoire vive (RAM)
importante pour stocker temporairement les données et les modèles pendant le traitement. De plus,
un stockage de données fiable et rapide est souvent nécessaire pour stocker les ensembles de données
volumineux et les modèles d'apprentissage automatique.

4. Matériel embarqué : Pour les systèmes embarqués ou autonomes, tels que les véhicules
autonomes, les drones ou les robots, un matériel spécifique est nécessaire pour fournir une puissance
de calcul suffisante tout en étant compact et économe en énergie.

5. Actionneurs : Ils exécutent les actions que le noyau d'intelligence détermine aprè s avoir analysé
l'environnement en temps réel.

6. Interfaces utilisateur : Pour les systèmes intelligents avec des composants d'interface utilisateur,
tels que des applications mobiles ou des interfaces web, du matériel tel que des écrans tactiles, des
caméras et des microphones peut être nécessaire. Il s'agit de la manière dont un agent externe
communique et modifie la relation entre le système et l'environnement.

3
7. Réseaux de communication : Les systèmes intelligents peuvent nécessiter des équipements de
communication tels que des antennes sans fil, des modems cellulaires ou des dispositifs IoT pour
transmettre et recevoir des données à distance. Ils peuvent constituer aussi ce qu’on appelle Agents
externes.

Il est important de noter que la sélection du matériel dépendra fortement des exigences
spécifiques du système intelligent, y compris les performances requises, les contraintes d'énergie, la
taille et le poids, ainsi que les coûts associés. De plus, avec l'émergence du cloud computing et du edge
computing, de nombreuses applications de systèmes intelligents peuvent également tirer parti de
ressources matérielles externes pour le traitement et le stockage des données.

4. Les caractéristiques d’un Systèmes Intelligents

Les principales caractéristiques d'un systè me intelligent sont les suivantes :

Perception : un systè me intelligent crée une représentation du monde pour interagir avec un
environnement spécifique et exécuter des tâches.

Contrô le des actions : Le systè me intelligent a la capacité d'exécuter des actions ou de les interrompre
afin d'atteindre un objectif.

4
Interaction ou connectivité : un systè me intelligent a la capacité de faire communiquer ses éléments
au moyen d'un langage commun.

Raisonnement délibéré et social : la machine prend elle-même des décisions pour atteindre un
résultat spécifique, en tenant compte du contexte humain.

Auto-apprentissage : les systè mes intelligents peuvent réduire les erreurs et optimiser leurs
performances en apprenant de leurs propres expériences.

Identification : Les systè mes intelligents peuvent reconnai ̂tre automatiquement des informations
spécifiques et les transmettre par différents canaux.

Protection : Les réseaux et les communications d'un systè me intelligent doivent être sécurisés pour
fonctionner correctement.

Gestion à distance : un systè me intelligent permet d'interagir avec lui depuis n'importe quel endroit.

Expérience utilisateur (UX) : pour interagir avec les utilisateurs, les systè mes intelligents doivent avoir
des interfaces accessibles et ajustables.

Analyse des données : Un élément essentiel d'un systè me intelligent est sa capacité à traiter
d'immenses quantités de données et à en tirer de la valeur.

La réalisation pratique d'un système intelligent implique plusieurs étapes clés, qui peuvent
varier en fonction des exigences spécifiques du projet. Voici les étapes générales à suivre dans la
réalisation d'un système intelligent :

1. Identification du problème et des objectifs : La première étape consiste à définir clairement le

problème ou le domaine d'application pour lequel le système intelligent est nécessaire. Il est important
de comprendre les objectifs du système, les données disponibles et les contraintes techniques et
opérationnelles.

2. Collecte de données : Une fois le problème identifié, la collecte de données pertinentes est
essentielle. Cela peut inclure l'acquisition de données à partir de capteurs, de bases de données
existantes, de sources en ligne ou d'autres systèmes.

3. Nettoyage et prétraitement des données : Les données collectées doivent être nettoyées,
prétraitées et préparées pour l'analyse. Cela peut inclure la suppression des valeurs aberrantes, la
normalisation des données, la gestion des données manquantes, etc.

4. Choix de l'algorithme et de la modélisation : En fonction des objectifs du système, des algorithmes

d'apprentissage automatique ou d'intelligence artificielle appropriés doivent être sélectionnés. Cela
peut inclure des techniques telles que la régression, la classification, le clustering, les réseaux de
neurones, etc.

5. Entraînement du modèle : Les modèles sélectionnés doivent être entraînés à l'aide des données
disponibles. Cela implique de diviser les données en ensembles d'entraînement et de test, puis
d'ajuster les paramètres du modèle pour obtenir les meilleures performances.

6. Évaluation du modèle : Une fois le modèle entraîné, il est essentiel de l'évaluer en utilisant des
mesures appropriées telles que l'exactitude, la précision, le rappel, etc. Cela permet de s'assurer que
le modèle répond aux exigences de performance.

5
7. Déploiement du modèle : Une fois que le modèle a été évalué avec succès, il peut être déployé dans
un environnement opérationnel. Cela peut impliquer l'intégration du modèle dans une application
logicielle, un système embarqué ou une infrastructure informatique existante.

8. Surveillance et maintenance : Une fois déployé, le système intelligent doit être surveillé
régulièrement pour s'assurer qu'il fonctionne correctement. Des mises à jour et des ajustements
peuvent être nécessaires pour maintenir les performances du système au fil du temps.

Il est important de noter que la réalisation pratique d'un système intelligent est un processus
itératif qui peut nécessiter plusieurs itérations pour parvenir à une solution optimale. De plus, chaque
étape doit être réalisée avec soin pour garantir la fiabilité et la robustesse du système intelligent.

6
 Les systèmes Intelligents au cœur de l’industrie 4.0
1) Histoire de l'industrie 4.0
L'industrie 4.0 est une nouvelle phase de la révolution industrielle qui se concentre sur
l'interconnectivité, l'automatisation, le big data, l'apprentissage automatique et les
données en temps réel, et qui est particulièrement utile aux entreprises de fabrication et de
gestion de la chaî ne d'approvisionnement. La technologie a créé des révolutions industrielles
depuis le XIXe siècle, où chaque phase a été reconnue par des technologies telles que la
mécanisation, l'électricité, l'informatique et la numérisation. Au fil du temps, elle a entraî né
des changements impressionnants pour les entreprises et leurs travailleurs.

2) La première révolution industrielle

La première révolution industrielle a eu lieu entre la fin du 18e et le début du 19e siècle. Ce
mouvement a inauguré́ une période de croissance et de transformation profondes des systèmes
de travail et de la structure de la société́ . L'industrie manufacturière a évolué pour optimiser le
travail manuel effectué par les hommes et soutenu par les animaux. Elle a principalement
consisté à remplacer les anciens outils faits à la main par des machines plus productives
fonctionnant à la vapeur ou à l'eau avec d'autres machines.

3) La deuxième révolution industrielle

Au début du 20ème siècle, nous sommes entrés dans la deuxième révolution industrielle, qui a
entraî né des changements industriels et sociaux et amélioré le modèle économique grâce à
l'introduction de l'acier, des produits chimiques, de l'utilisation de l'électricité dans les usines
et de l'obtention de nouvelles formes d'énergie. L'introduction de l'électricité a permis aux
entreprises manufacturières d'accroî tre leur efficacité, leur dynamisme et leur productivité,
donnant aux marchés locaux la possibilité de s'étendre et de s'internationaliser.

4) La troisième révolution industrielle

La troisième révolution industrielle a eu lieu au milieu du XXe siècle, lorsque les entreprises
manufacturières ont commencé à intégrer davantage de technologies, jusqu'à l'introduction
des ordinateurs dans les usines. Cette étape se caractérise par l'utilisation des énergies
renouvelables, de l'électricité intelligente, de la transformation des bâtiments en centrales
électriques et de davantage de technologies de communication par internet et d'énergies
renouvelables.

Au cours de cette période, les entreprises manufacturières ont commencé à abandonner les
technologies analogiques et mécaniques au profit de la technologie numérique et des logiciels
d'automatisation.

5) La quatrième révolution industrielle, ou industrie 4.0

Au cours des dernières décennies, une quatrième révolution industrielle, connue sous le nom
d'industrie 4.0, a vu le jour. Cette nouvelle étape s'engage vers plus d'automatisation, de
connectivité et de mondialisation.

7
Elle met l'accent sur la technologie numérique des dernières décennies et la porte à un tout
autre niveau grâce à l'interconnectivité via l'internet des objets (IoT), l'accès aux données en
temps réel et l'introduction de systèmes cyber-physiques.

Elle a donné l'occasion de relier le physique au numérique et permet une meilleure

collaboration et un meilleur accès pour tous les départements, partenaires, fournisseurs,
produits et organisations, ce qui leur permet de comprendre les aspects des opérations et de
tirer le meilleur parti des données que le système produit pour augmenter la productivité et
stimuler la croissance de l'industrie.

6) Qu'est-ce que l'internet des objets (IdO)?

L'internet des objets (IdO) est le processus de connexion à l'internet d'objets physiques de tous
les jours équipés de capteurs, de logiciels et d'autres technologies permettant de recevoir des
données d'autres objets. En général, cette technologie intelligente aide les choses à mieux
fonctionner, de manière plus productive et plus synchronisée.

L'IdO se compose d'appareils intelligents connectés et adaptés au web à l'aide de systèmes

intégrés tels que du matériel, des processeurs et des capteurs de communication qui leur
permettent d'intervenir dans la collecte et le transfert d'informations et de prendre des mesures
en fonction de leur environnement cible.

L'écosystème IoT ne nécessite qu'une intervention humaine et un ordinateur pour établir sa

configuration et lui donner des instructions spécifiques à exécuter. Un facteur important de cet
outil est qu'il interagit avec l'intelligence artificielle en utilisant l'apprentissage automatique
pour l'aider à rendre les processus de collecte d'informations plus faciles et plus dynamiques.

L'objectif de l'IdO est d'analyser les données et d'automatiser les décisions ou les actions
qui en découlent.

Voici le processus de l'IdO en 4 étapes:

1. Capture des données

Ce processus s'effectue par le biais de capteurs où les appareils IdO capturent des données et
des informations de leur environnement, telles que la température ou une vidéo en temps réel.

8
2. Partage des données
En utilisant les connexions réseau disponibles, les appareils donnent accès aux données par
l'intermédiaire d'un nuage privé ou public.

3. Traitement des données

Ce processus consiste à programmer le logiciel pour qu'il effectue des actions ou prenne des
décisions sur la base des données.

4. Agir sur les données

On analyse les données accumulées de tous les dispositifs d'un réseau IoT. Cela fournit des
informations stratégiques pour étayer des actions et des décisions commerciales fiables.

L'IoT apporte de nombreux avantages aux systèmes intelligents, tant dans l'environnement
domestique que commercial. Cet outil peut améliorer l'utilité et l'efficacité au sein d'une
entreprise pour économiser du temps et de l'argent, faciliter l'accès à l'information peu
importe le lieu, le moment ou le dispositif, il dispose d'un transfert de données dynamique et
efficace, ainsi que la possibilité d'augmenter la sécurité dans les alarmes, les serrures et les
caméras pour renforcer la protection dans une maison ou un lieu de travail.

Cette technologie nous a certainement montré qu'elle possède des centaines d'outils qui
amélioreront le mode de vie des personnes et des organisations, ayant une présence de plus en
plus importante dans notre vie quotidienne.

7) Informatique dématérialisée

Dans le cadre des systèmes intelligents, l'informatique en nuage, également connue sous le nom
de "technologie en nuage", vise à offrir des services informatiques à distance en hébergeant des
informations dans des centres de données externes. Il s'agit d'une technologie qui permet
d'utiliser différents services tels que le stockage de fichiers, l'utilisation d'applications ou la
connexion d'appareils, sans occuper d'espace sur le disque dur de l'ordinateur.

L'informatique en nuage permet d'accéder à distance à des logiciels, au stockage de fichiers et

au traitement de données via l'internet et des appareils tels que des ordinateurs, des
smartphones et des accessoires portables connectés sans fil.
Voici les trois caractéristiques les plus importantes de l'informatique en nuage:

Stockage externe : C'est l'application la plus connue du cloud computing. Il permet à toute
personne ou entreprise de stocker des fichiers dans un espace Internet sans prendre de place
sur le disque dur. Il existe des centaines de systèmes de stockage externes allant du stockage
personnel, des sauvegardes pour les e-mails, des photos, des vidéos et d'autres fichiers
personnels, mais aussi du stockage professionnel afin que vous puissiez transférer et stocker
des fichiers de données et plus encore.

Utilisation d'applications en ligne : Cet outil apporte une grande valeur ajoutée aux
entreprises car il est très utile pour tout type d'application comme la conception,
l'informatique, la comptabilité et plus encore, grâce à l'économie d'espace d'installation sur les
ordinateurs des employés, à la possibilité pour tous d'utiliser la même application et à
l'intégration du travail au sein de l'organisation.

9
Connexions depuis n'importe quel endroit et à n'importe quel moment ; Le cloud
computing est une technologie accessible de n'importe où et de n'importe quel appareil. Avec
l'accès indiqué, vous pourrez voir toutes les informations stockées dans le cloud et utiliser
toutes les applications en ligne installées.

Outre ces trois caractéristiques, il existe des centaines d'avantages clés que les entreprises
peuvent tirer de l'adoption d'une infrastructure en nuage.

Un exemple clair des avantages de l'informatique en nuage est la sécurité des données. L'une
des principales préoccupations des organisations est la violation de données privées, qui
pourrait gravement nuire aux revenus de l'entreprise, à la fidélité des clients et au
positionnement de la marque. Aujourd'hui, des centaines d'entreprises qui proposent des
services d'informatique en nuage garantissent la sécurité, le stockage et la gestion des
données.

L'efficacité et les économies réalisées grâce à l'utilisation de l'informatique en nuage sont

également importantes, car il n'est pas nécessaire de dépenser de grosses sommes d'argent
pour l'achat et l'entretien des équipements.

Enfin, le contrôle est essentiel, surtout en ce qui concerne les données sensibles que
l'entreprise peut détenir. L'informatique en nuage nous donne une visibilité et un contrôle
absolu sur les données, ainsi qu'une visualisation des documents de chaque employé.
Cet outil aide non seulement les entreprises, mais aussi des centaines d'individus à
sauvegarder des informations importantes sans avoir besoin d'utiliser de l'espace sur leurs
ordinateurs ou leurs appareils.

L'informatique en nuage est un vaste secteur qui offre de nombreuses possibilités pour
l'avenir.

8) Applications des systèmes intelligents

Comme indiqué précédemment, les systèmes intelligents ont la capacité de décider eux-
mêmes des actions à entreprendre sur la base de perceptions, de connaissances et
d'expériences préalablement établies par des personnes.

Mais il est essentiel de savoir comment les systèmes intelligents apportent des avantages aux
organisations en travaillant sur des solutions tangibles.

Il s'agit de 5 applications de systèmes intelligents que les entreprises utilisent pour améliorer
leurs opérations, leurs produits et/ou leurs services:

Robots autonomes

C'est l'un des systèmes intelligents les plus complexes, mais en même temps l'un des plus
dynamiques et des plus étendus de ces dernières années. Ils ont été conçus à l'origine pour des

10
opérations industrielles critiques. Cependant, au fil des ans, nous avons assisté à leur
incorporation dans les marchés domestiques et automobiles.

Il s'agit d'une technologie très prometteuse qui ouvre de nouveaux espaces de collaboration
pour les situations à haut risque.

Vision artificielle

La vision artificielle ou vision par ordinateur donne aux ordinateurs la capacité de comprendre
les informations visuelles qu'ils reçoivent. Pour que cette application puisse acquérir des
informations à partir d'une image ou d'une vidéo, des algorithmes basés sur des réseaux
neuronaux doivent être mis en œuvre.

Outre la compréhension des images et des vidéos, cet outil permet également de classer, de
détecter et de suivre des objets.

1. Classification des objets : le système reçoit une image et tente de comprendre l'objet
qu'elle contient. L'emplacement des objets n'est pas pertinent, il s'agit simplement de
classer un objet en fonction de l'image.
2. Détection d'objets : le système tente de localiser les objets et de les classer. Il est
notamment utilisé dans les voitures autonomes pour détecter les panneaux de
signalisation et les classer afin de connaî tre le type de panneau observé.
3. Suivi d'objets : il permet de savoir où se trouve chaque objet, de quel type il s'agit et
de rechercher des objets tels que des véhicules ou même des personnes afin de détecter
les itinéraires les plus fréquentés.

Traitement du langage naturel (NLP)

Ce domaine est consacré à la recherche sur la manière dont les machines et les personnes
communiquent en utilisant des langues humaines, telles que l'anglais et l'espagnol. Toutes les
langues peuvent être traitées par les ordinateurs, car il est plus facile d'analyser ces
informations sous forme électronique.

Google est une entreprise qui utilise ce type de technologie pour son moteur de recherche ou
ses applications de traduction linguistique.

Systèmes experts

Cet outil utilise les connaissances accumulées et l'expérience antérieure pour faire des
déductions et simuler des stratégies de résolution. Ces systèmes sont développés pour
maî triser les connaissances et simuler le fonctionnement du cerveau humain, à travers les
réseaux neuronaux.

Ils recueillent des informations pour s'attaquer aux problèmes les plus difficiles. Ils doivent
être capables d'interpréter les données pour parvenir à une solution appropriée en fonction des
objectifs de l'entreprise, tels que l'analyse, le traitement ou le diagnostic pour les patients et
les médecins.

11
Analyse des sentiments
C'est un domaine au sein de l'intelligence artificielle et de la linguistique appliquée qui étudie
les interactions entre les machines et les êtres humains.

Actuellement, cet outil est en train d'être mis en place dans divers réseaux sociaux pour
reconnaître les concepts et les intentions de la personne qui écrit le message. Il utilise des
technologies avancées d'intelligence artificielle, de traitement du langage naturel, d'analyse de
texte et de science des données pour identifier, extraire et étudier des informations
subjectives.

Grâce à cette technologie, les entreprises ont la possibilité de savoir comment les clients
réagissent à un produit ou service spécifique, en classant les textes comme positifs, négatifs
ou neutres.

Ces systèmes intelligents permettent aux entreprises d'optimiser différents processus et sont
essentiels pour développer des produits qui répondent aux besoins de la société.

5 APPLICATIONS DES SYSTÈMES INTELLIGENTS

4 Entreprises utilisant des systèmes intelligents

Aujourd'hui, le développement de systèmes intelligents a élargi notre vision de la science,
faisant de ce que nous pensions impossible une réalité. Ces technologies sont en contact
quotidien avec nous et vous ne le saviez probablement pas.

Voici les 4 entreprises les plus importantes qui mettent actuellement en œuvre des systèmes
intelligents pour améliorer leur gestion interne et l'expérience des clients et des utilisateurs :

12
 Cette entreprise est l'une des meilleures du secteur des moteurs
électriques. Bien qu'elle ne se consacre pas uniquement à la vente et à la fabrication de
véhicules électriques, son offre comprend toutes sortes de produits destinés à faciliter la vie de
ceux qui en possèdent un.

L'un de ses produits les plus en vue est l'Autopilot, une fonction avancée qui offre aux
conducteurs de voitures électriques la possibilité de bénéficier d'un système d'assistance à la
conduite.

Grâce à un matériel et à une technologie de pointe, le véhicule se connecte à internet et lit le

GPS pour définir une vitesse de croisière adaptative, établir une distance de sécurité avec la
voiture qui le précède et même se garer automatiquement.

Alexa est le système de maison intelligente basé sur la voix développé par Amazon. Amazon
a créé le service vocal Alexa (AVS) pour imiter les
conversations réelles, mais il utilise en réalité des commandes vocales intuitives pour
effectuer les tâches qui lui sont demandées.

Il s'agit d'une technologie basée sur le traitement du langage naturel et un service de

reconnaissance vocale intelligent qui lui permet d'être activé vocalement sur n'importe quel
appareil connecté disposant d'un microphone et d'un haut-parleur. Alexa a la capacité de
comprendre les gens et de leur répondre, en apprenant de plus en plus sur leur comportement
et leurs intérêts.

C'est un outil qui a révolutionné la technologie à l'intérieur de nos maisons grâce à

l'interaction homme-machine.

Cette entreprise mondialement reconnue est connue pour augmenter ou diminuer ses prix en
fonction de la demande et de l'offre d'hébergements présentant des caractéristiques similaires
à celles de l'hôte, en utilisant des données telles que la localisation, la saison, la classification
de l'hébergement, la proximité de l'enregistrement et bien plus encore.

La différence entre la tarification dynamique d'Airbnb et celle des hôtels ou des compagnies
aériennes est qu'elle repose sur des règles définies par l'utilisateur, ce qui la rend plus précise
et plus rapide pour ajuster les prix. Elle analyse également des données externes provenant de
l'environnement de l'utilisateur, telles que les actualités, la météo, les événements locaux, le
temps, le trafic, etc.

13
Aujourd'hui, la quantité de contenu des médias sociaux que nous consommons
quotidiennement est incalculable. C'est pourquoi des entreprises comme Twitter et Pinterest
utilisent la curation de contenu pour prendre de meilleures décisions et faire des
recommandations aux utilisateurs en leur présentant du contenu basé sur leurs expériences et
interactions passées.

Twitter a mis en place un traitement du langage naturel pour mieux comprendre chaque
utilisateur et trier la chronologie en fonction de ses intérêts. Cet outil est même devenu un
allié dans la lutte contre le harcèlement, les "fake news", l'extrémisme et d'autres problèmes
qui affectent les autres utilisateurs de ce réseau social.

14
 Exemples de systèmes intelligents
Il existe toute une série de systèmes intelligents que nous utilisons dans notre vie
quotidienne. Ils vont des objets de tous les jours, comme les montres intelligentes, à
des activités plus larges, comme les systèmes de fabrication intelligents pour les
projets à grande échelle.

Voici quelques exemples de l'utilisation et de la mise en œuvre de ces systèmes

intelligents aujourd'hui :

i. Les systèmes de surveillance et d'analyse des réseaux

Les systèmes de surveillance des réseaux sont des programmes logiciels qui
fournissent des outils de surveillance et d'automatisation pour assurer le bon
fonctionnement de la bande passante d'un réseau spécifique. Ils permettent aux
utilisateurs de surveiller les réseaux informatiques et leurs composants (qui peuvent
inclure des pare-feu, des routeurs, des connexions wi-fi ou Lan, des appareils, des
serveurs, etc.).

Ces systèmes intelligents connectent les appareils et les logiciels tout en

optimisant les informations qui circulent entre eux. Ils étudient et signalent
également les problèmes de performance et organisent les données récupérées
dans une interface conviviale.

Les systèmes de surveillance et d'analyse des réseaux se sont révélés essentiels pour
les organisations qui dépendent de ces réseaux, car une défaillance de connexion peut
mettre en péril l'ensemble des opérations.

ii. Les smartwatches (surveillance biométrique)

Le produit le plus connu des systèmes intelligents est sans doute la montre
intelligente (smartwatch), qui a connu une grande popularité au cours de la
dernière décennie.

Ces petits appareils informatiques doivent leur nom à leur ressemblance avec une
montre-bracelet, bien qu'ils fassent plus que donner l'heure. En se connectant par
Bluetooth à un autre appareil (généralement un smartphone) ou par Wi-Fi
directement à un réseau, les smartwatches peuvent être utilisées pour recevoir et
passer des appels téléphoniques, lire des courriels, écouter de la musique, gérer des
fichiers ou même accéder à des sites web.

Certaines smartwatches ont également d'autres usages, puisqu'elles peuvent être

utilisées pour surveiller des données biométriques, telles que la fréquence cardiaque,
la pression artérielle, l'oxygénation ou le nombre de pas et l'activité physique réalisés
au cours d'une période donnée. Cela s'est avéré utile pour la santé de nombreuses

15
personnes, en particulier si elles souffrent de maladies pour lesquelles ces données
biométriques doivent être contrôlées régulièrement.

iii. Inspection visuelle de l'IA

L'inspection visuelle est nécessaire dans de nombreux processus de production pour

détecter des défauts ou des problèmes dans certains produits ou certaines zones.
Aujourd'hui, elle est particulièrement importante dans les usines dont les chaînes
de montage traitent des milliers de produits par jour. Elle permet de minimiser
les erreurs humaines et de gagner du temps, c'est pourquoi l'intelligence artificielle a
été mise en œuvre dans ces procédures.

Cela impliqué l'utilisation d'un processus d'inspection visuelle basé sur la vision par
ordinateur et l'apprentissage profond. Un système intelligent composé de divers
éléments technologiques est utilisé pour surveiller et inspecter une opération afin de
s'assurer qu'elle fonctionne correctement et que ses produits répondent aux normes
requises. L'inspection visuelle avec IA simule un examen visuel humain dans un
système informatisé tout en apprenant des modèles et en les appliquant aux données
récupérées pour identifier les défauts des produits.

Aujourd'hui, la mise en œuvre de l'inspection visuelle avec IA est essentielle dans

les chaînes de montage ou d'autres processus automatisés, car elle peut inspecter
les produits partiellement ou complètement, ce qui permet de gagner du temps
et de réduire les erreurs humaines.

iv. Planification et livraison des produits

Un autre type de système intelligent pertinent pour les diverses industries

d'aujourd'hui est le système de fabrication intelligent (IMS), qui implique une
collaboration entre les humains, les machines et les processus afin d'optimiser la
planification et la livraison des produits au sein d'un processus de fabrication donné.
L'IMS crée des modèles pour la planification, l'agencement de l'usine, la conception
de la production, l'utilisation des machines, etc., afin de créer, proposer et mettre en
œuvre les meilleurs processus pour un produit donné, en se concentrant non
seulement sur la quantité ou la qualité, mais aussi sur la conservation des ressources
et la durabilité.

L'utilisation de l'IA dans ces systèmes signifie que de nouveaux produits, ainsi que
leur planification et leur livraison, peuvent être créés sans intervention humaine.
L'IA peut également analyser les processus existants et mettre en évidence les
erreurs, ce qui contribue à les rendre plus efficaces.

v. Détection de la criminalité

16
Les systèmes intelligents ont été utilisés ces dernières années pour assurer la sécurité
des citoyens dans le monde entier. La détection et la prévention de la criminalité
sont facilitées, tant dans le secteur privé que dans le secteur public, par la mise
en œuvre de systèmes de surveillance intelligents. Ceux-ci relient des êtres
humains, des ordinateurs, des logiciels, des caméras, l'internet et d'autres éléments
pour créer un réseau de surveillance capable de détecter en temps réel des délits
potentiels ou des délits en cours dans un certain rayon d'action.

L'application de l'IA aux caméras de surveillance élimine des facteurs tels que la
fatigue ou la capacité d'attention humaine, et améliore considérablement les chances
d'attraper un criminel. L'IA peut apprendre à reconnaître certains modèles et
comportements sociaux, ainsi qu'à mettre en œuvre des fonctions de reconnaissance
faciale, ce qui signifie qu'elle peut être entraînée à détecter et à signaler les activités
illicites, en relayant rapidement ces informations à un canal donné, tel que les
services de police ou les stations de surveillance. Ces systèmes intelligents seront
essentiels pour réduire la criminalité dans nos villes.

Par exemple, le système vehicleDRX peut identifier un véhicule avec

seulement 5 % de l'image d'une caméra, ce qui permet de fournir des
ressources à tous les agents de surveillance et d'augmenter jusqu'à 48,7 fois
la productivité des centres de lutte contre la criminalité.

Cela a permis de réduire, par exemple, la criminalité liée aux motos, l'un des
délits les plus courants dans plusieurs villes.

17
 Pratique sur les systèmes Intelligents

1) Formalisation de l’Intelligence Artificielle

2) Réalisation Pratique

18
 Formalisation de l’Intelligence Artificielle
L'intelligence artificielle, ou IA, est la simulation des processus de l'intelligence
humaine par des machines, à travers des mécanismes d’apprentissage, de la mise en œuvre
du raisonnement pour la résolution de problèmes bien précis.
L'intelligence artificielle fonctionne en utilisant des algorithmes et des modèles
mathématiques pour analyser des données, détecter les liens non visibles entre les
caractéristiques des données et prendre des décisions. Ces algorithmes sont conçus pour
imiter le fonctionnement du cerveau humain en utilisant des techniques telles que
l'apprentissage automatique, l'apprentissage profond et l’apprentissage par renforcement.
Le processus de formalisation de l'IA peut être divisé en quatre étapes principales : la
collecte de données, le traitement des données, l'apprentissage et la prise de décision.
1. Collecte de données : L'IA a besoin de données pour apprendre et prendre des décisions.
Ces données peuvent être structurées (par exemple, des chiffres ou des mots dans un tableau)
ou non structurées (par exemple, des images, des vidéos ou du langage naturel). Les données
sont collectées à partir de différentes sources telles que des bases de données, des capteurs,
des appareils connectés et des médias sociaux.
2. Traitement des données : Une fois les données collectées, elles doivent être nettoyées et
préparées pour l'analyse. Cela peut inclure la suppression des valeurs aberrantes, la
normalisation des données et la création de caractéristiques utiles pour l'analyse.
3. Apprentissage : L'étape d'apprentissage est cruciale pour l'IA. Elle consiste à utiliser les
données traitées pour entraîner des algorithmes à reconnaître des schémas liens non visibles)
et à prendre des décisions. L'apprentissage peut être supervisé (les données sont étiquetées
avec les réponses attendues) ou non supervisé (les données ne sont pas étiquetées). Elle peut
aussi être semi-supervisée ou par renforcement.
4. Prise de décision : Une fois que l'IA a appris à partir des données, elle peut être utilisée pour
prendre des décisions ou résoudre des problèmes. Les algorithmes peuvent être programmés
pour effectuer des tâches spécifiques ou pour prendre des décisions en fonction de données
en temps réel.
L'IA peut également s'améliorer avec le temps grâce à un processus appelé
"apprentissage continu". Cela signifie que l'IA continue d'apprendre et de s'adapter en
fonction des nouvelles données qu'elle reçoit, ce qui lui permet de prendre des décisions de
plus en plus précises.
Dans cette partie du cours, nous allons nous appesantir sur l’apprentissage, à travers
le concept du Machine Learning

19
 Apprentissage Automatique (Machine Learning)

1. Introduction
L'apprentissage automatique est un sous-domaine de l'intelligence artificielle (IA) dont,
l'objectif est de formaliser la connaissance portée par un ensemble de données. Il est question
en apprentissage automatique de comprendre la structure des données et de les intégrer dans
des modèles qui peuvent être compris et utilisés par les tout le monde.
Bien que faisant partie du domaine de l'informatique, l’AM diffère des approches
informatiques traditionnelles. En effet dans cette dernière, les algorithmes sont des ensembles
d'instructions explicitement programmées et utilisées par les ordinateurs pour calculer ou
résoudre des problèmes. Les algorithmes d'apprentissage automatique quant à eux, permettent
aux ordinateurs de s'entraîner sur les entrées de données et utilisent l'analyse statistique pour
produire des valeurs qui se situent dans une plage spécifique. Pour cette raison, l'apprentissage
automatique facilite l'utilisation des ordinateurs dans la construction de modèles à partir de
données d'échantillonnage afin d'automatiser les processus de prise de décision en fonction
des données saisies.
Tout utilisateur des plus récentes technologies bénéficies de l'apprentissage automatique.
La technologie de reconnaissance faciale par exemple permet aux plateformes de médias
sociaux d'aider les utilisateurs à marquer et partager des photos d'amis. La technologie de
reconnaissance optique des caractères (OCR) convertit les images du texte en caractères
mobiles. Les moteurs de recommandation, alimentés par l'apprentissage automatique, suggèrent
les films ou émissions de télévision à regarder en fonction des préférences de l'utilisateur. Les
voitures autonomes qui utiliseront l'apprentissage automatique pour naviguer seront bientôt
disponibles pour les consommateurs.
L'apprentissage automatique étant un domaine en développement continu, il faut tenir
compte de certaines considérations lors de la manipulation des technologies d'apprentissage.
Ces considérations regroupent l’ensemble d’hypothèses qui peuvent constituer un biais dans le
processus d'apprentissage.
Dans cette partie, nous étudierons les méthodes d'apprentissage supervisé et non supervisé,
ainsi que les approches algorithmiques courantes de l'apprentissage automatique Nous allons
explorer L’environnement de programmation MATLAB et PYTHON. De plus, nous
discuterons des biais qui sont perpétués par les algorithmes d'apprentissage automatique, et
considérons ce qui peut être gardé à l'esprit pour les éviter lors de la manipulation des
algorithmes.

2. Méthodes d'apprentissage automatique

Dans l'apprentissage automatique, les tâches sont généralement classées en grandes

catégories. Ces catégories sont basées sur la façon dont l'apprentissage est reçu (ou mise en
œuvre) et comment le feedback sur l'apprentissage est donné au système développé.

Trois grandes méthodes d'apprentissage automatique sont largement adoptées :

20
 - Les méthodes basées sur l’apprentissage supervisé ;
- Les méthodes basées sur l’apprentissage non supervisé ;
- Les méthodes basées sur l’apprentissage par Renforcement.
Les méthodes basées sur l’apprentissage supervisé utilisent les algorithmes basés sur
des données d'entrée et de sortie étiquetées par l’homme tandis que l’apprentissage non
supervisé ne fournit pas à l'algorithme des données étiquetées pour lui permettre de trouver
une structure et de découvrir une logique dans données entrées. Toutefois, il se développe des
algorithmes qui combine à la fois l’apprentissage supervisée et non supervisé connu sous
l’appellation de l’apprentissage semi-supervisé.

2.2. Les algorithmes d'apprentissage automatique

Un autre aspect important la mise en œuvre des systèmes intelligents est la
compréhension des algorithmes d'apprentissage automatique. Bien que vous n'ayez pas besoin
d'apprendre par cœur tous les algorithmes d'apprentissage automatique, il est recommandé que
vous ayez une compréhension approfondie des principes fondamentaux des algorithmes
suivants :

• Régression linéaire ;
• Régression logistique ;
• Decision Trees ;
• Random Forests;
• Support Vector Machines;
• Naive Bayes;
• k-Nearest Neighbors;
• Clustering algorithms Algorithmes de Classification tels que: K-Means (K-moyennes)
et Hierarchical Clustering (Classification Hierarchique ; CAH…)

Il est important de savoir quand et comment appliquer ces algorithmes à différents types de
problèmes. Il faut également être conscient des forces et des faiblesses de chaque algorithme.

Note : (https://www.usaii.org/ai-insights/machine-learning-algorithms-for-beginners-with-
popular-python-codes) suivre ce lien avoir des codes de base…

Explorons donc ces méthodes plus en détail.

2.3 L'apprentissage supervisé

Dans l'apprentissage supervisé, on fournit à l'ordinateur des exemples d'entrées qui sont
étiquetés (labélisés) avec les sorties souhaitées. Le but de cette méthode est de faire «
apprendre » à l'algorithme en comparant sa sortie réelle avec les sorties « enseignées » pour
trouver des erreurs et modifier le modèle d’apprentissage obtenu en conséquence.
L'apprentissage supervisé utilise donc des modèles (issus de l’apprentissage) pour prédire les
valeurs d'étiquettes sur des données non étiquetées supplémentaires.

Il existe deux types de sous-problèmes en apprentissage supervisé numérique :

21
  Régression (« Regression ») : lorsque la valeur cible à prédire est continue ;
 Classement, classification ou catégorisation (« Classification ») : lorsque la valeur cible
à prédire est discrète.
Par ailleurs nous supposerons également que les objets étudiés qui peuvent être complexes
à l'origine (comme des données multimédia) sont représentés dans un format numérique
structuré. En d'autres termes :
 On représente un objet Xi par un vecteur noté xi défini dans un espace de description
composé de plusieurs variables.
 A chaque xi on lui associe une valeur cible notée yi.
Par exemple, avec un apprentissage supervisé, un algorithme peut être alimenté avec des
images de requins étiquetés Poisson des images d'océans étiquetés comme Ocean. En étant
formé sur ces données, l'algorithme d'apprentissage supervisé devrait être capable d'identifier
plus tard des images de requin non marquées comme Poisson des images océaniques non
étiquetées Ocean. Un cas d'utilisation de l'apprentissage supervisé consiste à utiliser des
données historiques pour prédire des événements futurs statistiquement probables. Il peut
utiliser les informations historiques sur les marchés boursiers pour anticiper les fluctuations à
venir ou être utilisé pour filtrer les courriers indésirables. Dans l'apprentissage supervisé, des
photos étiquetées de chiens peuvent être utilisées comme données d'entrée pour classer les
photos non marquées de chiens.

a) Le classement ou classification supervisée

La classification supervisée consiste à affecter une classe à toute nouvelle donnée à
partir d’une règle de décision construite sur une base de données dont on connait les classes.
Formellement, l’apprentissage dans ce cas passe par deux étapes comme l’indique la figure 1
ci-dessous.

À partir d’une base de données d’apprentissage, l’algorithme structure l’espace de

représentation. Il construit ensuite une fonction dite de prédiction qui pour une nouvelle donnée,
assigne une sortie correspondante selon l’apprentissage faite au préalable. Il sera ensuite
question de valider la fonction de prédiction par une autre opération de test qui permettra de
quantifier l’erreur de classification.

Figure 1 : Illustration du processus de mise en œuvre d’un problème de classification

supervisée.

22
 La mise en œuvre des algorithmes de classification supervisée suppose alors de disposer
d’une part, d’un ensemble de données d’apprentissage qui sera divisé en un sous-ensemble de
données d’entrainement et en un autre sous-ensemble de données de test, et d’autre part, de
nouvelles données à classer dans le cadre de l’exploitation du classifieur. Les données qui
constituent la base d’apprentissage sont étiquetées, c’est à dire, à chaque donnée encore appelée
point dans l’espace de représentation, est associée une étiquette ou label qui identifie sa classe
d’appartenance. Les données d’entrainement servent à construire la fonction de prédiction,
tandis que les données de test permettent de valider le processus d’apprentissage et de quantifier
l’erreur de prédiction.

Note Pratique : Pour construire un système d’aide à la décision utilisant les méthodes
de classification, on entraine plusieurs classifieurs (algorithmes) avec la même base de données.
Le choix de l’algorithme à retenir sera alors guidé par le classifieur qui donnera la plus faible
erreur de classification.

Les méthodes de classification supervisée peuvent se regrouper en deux approches :

 L’approche de méthodes statistiques et structurelles ;

Dans le cas des méthodes statistiques, l’espace de représentation ou de décision étant
structurée en classes ou en régions, lors de la décision, une donnée sera affectée à la classe de
la région à laquelle elle appartient selon le principe de la fonction de classement. Il est
souhaitable de rappeler ici que la partition de l’espace de représentation peut être :

- explicite : c’est le cas des méthodes de discrimination linéaire ou paramétrique dans

lesquelles la frontière entre les classes est recherchée ;

- implicite : c’est le cas des méthodes du k plus proches voisin ou classifieur bayésien

Dans le cas des méthodes structurelles, une forme est représentée par une chaine
ordonnée de symbole. Elles s’appuient donc sur la comparaison des représentations structurées
en forme de chaînes de graphes ou d’arbres dont les prototypes sont préalablement enregistrés.

 L’approche des méthodes stochastiques et neuronales.

Les méthodes dites stochastiques s’appuient essentiellement sur l’approche
markovienne de reconnaissance. Contrairement à l’approche bayésienne qui représente une
forme par un vecteur, dans l’approche markovienne, la forme est représentée par une séquence
de vecteurs générés par un processus aléatoire. Ces vecteurs représentent généralement les états
d’un système industriel. Ils peuvent être observés ou cachés et changent de valeurs au cours du
temps. Les classifieurs qui rentrent dans la catégorie de méthodes neuronales sont les réseaux
de neurones artificiels. Ces méthodes s’appuient sur la structure et la physiologie du cerveau
humain pour construire les systèmes d’apprentissage et de reconnaissance.

 Modélisation

23
On dit alors que l’algorithme généralise la connaissance contenue dans les données en éditant
un modèle d’apprentissage qui sera par la suite évalué afin de déterminer ses performance,
c’est-à-dire le taux de réussite lorsqu’il sera question de déterminer l’appartenance à d’une
nouvelle donnée à une classe.

3. Mise en œuvre des algorithmes

3.1 Représentation vectorielle des données

Notations

24
 3.2 L’algorithme des « k plus proches voisins (kppv) »

La méthode des 𝑘𝑝𝑝𝑣 est une méthode simple qui ne nécessite aucune hypothèse sur les
classes (groupe de données) c’est-à-dire sur la fonction qui relie la classe aux points qui la
constitue. L’idée fondatrice est de faire voter les plus proches voisins sur l’appartenance d’une
nouvelle observation à la classe majoritaire parmi les 𝑘 plus proches voisins. Formellement,
étant donné un point 𝒙 ϵ ℝd à classer, ℝd l’espace de représentation des données, le classement
consiste à déterminer la classe de chacun des 𝑘 points les plus proches de 𝒙 en terme de distance
parmi les points de l’ensemble d’apprentissage représentés dans ℝd. La décision est alors
d’affecter 𝒙 à la même classe que celle de ses 𝑘 voisins les plus proches.
a) Règle des 𝒌𝒑𝒑𝒗 pour 𝒌 = 𝟏
Soit 𝑑(. , . ) une distance définie dans l’espace de représentation Rd, 𝒙𝑣 le plus proche
voisin de 𝒙 nouvelle donnée à classer, 𝒙𝑣 appartient bien à l’espace
d’apprentissage{𝒙1 , 𝒙2 , … , 𝒙𝑛 }.

𝒙𝑣 est définie telle que: 𝑑(𝒙, 𝒙𝑣 ) = 𝑚𝑖𝑛𝟏≤𝒊≤𝒏 𝑑(𝒙, 𝒙𝑖 ), 𝑖 = 1,2, … , 𝑛 (1)

Etant donnée 𝑤(𝒙𝑖 ) la vraie classe de 𝒙𝑖 , avec 𝑤(𝒙𝑖 ) ∈ {(𝒘1 , 𝒘2 , … , 𝒘𝑐 } l’ensemble des
classes, la règle de décision du plus proche voisin s’écrit :

𝑤
̂(𝒙) = 𝑤(𝒙𝑣 ) (2)

L’occurrence aléatoire de l’échantillon d’apprentissage justifie le fait que 𝑤(𝒙𝑣 ) est une
variable aléatoire. Aussi, la règle de décision du plus proche voisin de 𝒙 suit la probabilité
conditionnelle 𝑃(𝑤(𝒙𝒗 )⁄𝒙𝑣 ) (probabilité de classification de 𝒙 dans la classe de 𝒙𝑣 notée (𝒙𝑣 )
). Donc, dans un grand échantillon d’apprentissage, les points 𝒙 et 𝒙𝑣 sont « très proches ». La
25
nouvelle observation 𝒙 est prédite comme appartenant à la vraie classe de 𝒙𝑣 , notée 𝑤(𝒙𝑣 ) avec
une probabilité égale approximativement à la probabilité de classer 𝒙 dans la classe 𝑤(𝒙𝑣 ),
notée 𝑃(𝑤(𝒙𝒗 )⁄𝒙).

b) Généralisation de la règle des 𝒌𝒑𝒑𝒗 pour 𝟏 ≤ 𝒌 ≤ 𝒏

Dans ce cas, la règle de décision est en faveur de la classe majoritairement représentée par les
𝑘 voisins de 𝒙.
Soit 𝑘𝑤𝑗 le nombre d’observations issues du groupe des plus proches voisins appartenant
à une classe 𝑤𝑗 ∈ {(𝒘1 , 𝒘2 , … , 𝒘𝑐 } Il vient que, ∑𝑐𝑗=1 𝑘𝑤𝑗 = 𝑘. Ainsi, une nouvelle
observation est prédite dans la classe 𝑤 avec 𝑤 = max(𝑘𝑤 𝑗 ).
Dans un processus de diagnostic où les classes représentent les modes de fonctionnement
du système étudié, associer une nouvelle donnée à une classe revient à prédire du mode de
fonctionnement dans lequel se trouve le système que représente cette nouvelle donnée. Il peut
se présenter une difficulté de choix de l’appartenance d’une nouvelle donnée à une classe. Il est
recommandé de créer une nouvelle classe dans laquelle seront rangées les données présentant
une incertitude pour le classifieur. Techniquement, pour le classifieur, on introduit une
procédure de "rejet" suivant une propriété à vérifier. Si aucune classe ne vérifie cette propriété,
la nouvelle donnée est rejetée dans la nouvelle classe prévue à cet effet.
Dans le cas du classifieur 𝑘𝑝𝑝𝑣, un seuil 𝒔 peut être fixée sur le nombre de voisin, tel que
la règle de décision du plus proche voisin serait :
𝑤̂(𝒙) = 𝑤𝑖 si au moins 𝑠 points se trouvent parmi les plus proches voisins de 𝒙
appartenant à 𝑤𝑖 ; sinon, 𝑤 ̂(𝒙) = 𝑤0, avec 𝑤0 une nouvelle classe n’appartenant pas à
{𝑤1 , 𝑤2 , … , 𝑤𝑐 }. Il existe deux possibilités de rejet :
- le rejet d’ambiguïté, qui se rapproche de la définition ci-dessous ;
- et le rejet de distance, lorsqu’un point éligible dans le groupe des voisins, est éloigné
d’une distance 𝑑′ fixée au préalable.
La mise en œuvre de l’algorithme des 𝑘𝑝𝑝𝑣 nécessite pour un ensemble d’apprentissage
de taille 𝑛, de calculer 𝑛 distances dans un espace de dimension 𝑑 pour prendre une décision.
La méthode s’avère alors lente en phase de décision. Plusieurs variantes qui consistent à
introduire une phase de prétraitement dans laquelle l’espace d’apprentissage est réduit et le
nombre de tests limités ont été proposées.
Note : Notion de distance
Une distance 𝑑 est donc une application de 𝑬 × 𝑬 dans ℝ+ telle que :
𝑑(𝒙1 , 𝒙2 ) = 𝑑(𝒙2 , 𝒙1 )
𝑑(𝒙1 , 𝒙2 ) ≥ 0
{ (3)
𝑑(𝒙, 𝒙) = 0
𝑑(𝒙1 , 𝒙2 ) ≤ 𝑑(𝒙1 , 𝒙3 ) + 𝑑(𝒙3 , 𝒙2 )
Les fonctions de distance les plus utilisées sont présentées ci-dessous :
Soit 𝒙1 et 𝒙2 deux points de l’espace de représentation ℝ𝒅 , 𝑑 étant le nombre d’attributs ou de
variables décrivant chaque point,
1
𝑑 2 2
 Distance euclidienne : 𝑑(𝒙1 , 𝒙2 ) = (∑ (𝒙1𝑗 − 𝒙2𝑗 ) ) (4)
𝑗=1

26
 1
𝑑 r r
 Distance de Minkowski : 𝑑(𝒙1 , 𝒙2 ) = (∑ (|𝒙1𝑗 − 𝒙2𝑗 |) ) (5)
𝑗=1
 Avec 𝑟 ≥ 1
La distance de Minkowski généralise les distances :
- Euclidienne : r=2 ;
- Manhatann ou distance dite de "city-block" : r = 1;
- Distance du "max", noté 𝑑∞ , telle que :
𝑑∞ = 𝑚𝑎𝑥1≤𝑗≤𝑑 |𝑥𝑠 − 𝑦𝑠 |

 Distance de Mahalanobis: 𝑑(𝒙1 , 𝒙2 ) = (𝒙1 − 𝒙2 )𝒕 𝚪 −𝟏 (𝒙1 − 𝒙2 ) (6)

−𝟏
où 𝚪 est l’inverse de la matrice variance-covariance des variables descriptives des objets.
Il est souhaitable de noter ici que, la distance de Mahalanobis possède la propriété
intéressante de mieux prendre en compte la forme géométrique des classes, alors que la distance
euclidienne est très utilisée à cause de l’invariance qu’elle assure par rapport à une translation
et une rotation des objets.

Il peut se présenter une difficulté de choix de l’appartenance d’une nouvelle donnée à une
classe. Il est recommandé de créer une nouvelle classe dans laquelle seront rangées les données
présentant une incertitude pour le classifieur. Techniquement, pour le classifieur, on introduit
une procédure de "rejet" suivant une propriété à vérifier. Si aucune classe ne vérifie cette
propriété, la nouvelle donnée est rejetée dans la nouvelle classe prévue à cet effet.
Dans le cas du classifieur 𝑘𝑝𝑝𝑣, un seuil 𝒔 peut être fixée sur le nombre de voisin, tel que
la règle de décision du plus proche voisin serait :
𝑤
̂(𝒙) = 𝑤𝑖 si au moins 𝑠 points se trouvent parmi les plus proches voisins de 𝒙
appartenant à 𝑤𝑖 ; sinon, 𝑤 ̂(𝒙) = 𝑤0, avec 𝑤0 une nouvelle classe n’appartenant pas à
{𝑤1 , 𝑤2 , … , 𝑤𝑐 }. Il existe deux possibilités de rejet :
- le rejet d’ambiguïté, qui se rapproche de la définition ci-dessous ;
- et le rejet de distance, lorsqu’un point éligible dans le groupe des voisins, est éloigné
d’une distance 𝑑′ fixée au préalable.
La mise en œuvre de l’algorithme des 𝑘𝑝𝑝𝑣 nécessite pour un ensemble d’apprentissage
de taille 𝑛, de calculer 𝑛 distances dans un espace de dimension 𝑑 pour prendre une décision.
La méthode s’avère alors lente en phase de décision.

TP1 : Exemple classement des données fisheris avec knn dans MATLAB

 Refaire ce qui suit dans MATLAB

Note : Le programme est écrit par section (il faut alors mettre %% au début du code, en faut les
sections sont séparée par %%

Section 1 : chargement des données et visualisation

load fisheriris
x = meas(:,3:4);
gscatter(x(:,1),x(:,2),species)
legend('Location','best')

27
Section 2 : Classement d'une nouvelle donnée et visualisation
newpoint = [5 1.45];
line(newpoint(1),newpoint(2),'marker','x','color','k',...
'markersize',10,'linewidth',2)

28
Section 3 : Préparation d’un modèle de recherche de voisin d'arbre K.

Mdl = KDTreeSearcher(x);

Note : KDTreeSearcher est une fonction déjka intégrée dans Matlab que vous appelz juste

Section 4 : Trouvez les 10 points d'échantillonnage les plus proches du nouveau point.
Note : Ici le nombre de voisin choisi est 10
[n,d] = knnsearch(Mdl,newpoint,'k',10);
line(x(n,1),x(n,2),'color',[.5 .5 .5],'marker','o',...
'linestyle','none','markersize',10)

Note : Il semble que knnsearch n'ait trouvé que les huit voisins les plus proches.
% En fait, cet ensemble de données particulier contient des valeurs en double.
% Taper le code ci-dessous pour visualiser ce vecteur de données.
x(n,:)

ans =

5.0000 1.5000
4.9000 1.5000
4.9000 1.5000
5.1000 1.5000

29
 5.1000 1.6000
4.8000 1.4000
5.0000 1.7000
4.7000 1.4000
4.7000 1.4000
4.7000 1.5000

Section5 :
Rendre les axes égaux pour que les distances calculées correspondent aux distances apparentes sur
l'axe du tracé et zoomez pour mieux voir les voisins.

xlim([4.5 5.5]);
ylim([1 2]);
axis square

Section 6 : Trouver à quoi correspondent les 10 points (classe des fleurs))

tabulate(species(n))

Value Count Percent

virginica 2 20.00%
versicolor 8 80.00%

30
Section 7 : vous pouvez Identifier visuellement les voisins en dessinant un cercle
autour de leur groupe. Définissez le centre et le diamètre d'un cercle, en fonction de
l'emplacement du nouveau point.

ctr = newpoint - d(end);

diameter = 2*d(end);
% Tracez un cercle autour des 10 plus proches.
h = rectangle('position',[ctr,diameter,diameter],...
'curvature',[1 1]);
h.LineStyle = ':';

Section 8 : En utilisant le même ensemble de données, trouvez les 10 voisins les plus
proches de trois nouveaux points.

figure
newpoint2 = [5 1.45;6 2;2.75 .75];
gscatter(x(:,1),x(:,2),species)
legend('location','best')
[n2,d2] = knnsearch(Mdl,newpoint2,'k',10);
line(x(n2,1),x(n2,2),'color',[.5 .5 .5],'marker','o',...
'linestyle','none','markersize',10)
line(newpoint2(:,1),newpoint2(:,2),'marker','x','color','k',...
'markersize',10,'linewidth',2,'linestyle','none')

31
Section 9 : Trouvez les types des 10 voisins les plus proches pour chaque nouveau
point.

tabulate(species(n2(1,:)))
tabulate(species(n2(2,:)))
tabulate(species(n2(3,:)))

Value Count Percent

virginica 2 20.00%
versicolor 8 80.00%
Value Count Percent
virginica 10 100.00%
Value Count Percent
versicolor 7 70.00%
setosa 3 30.00%

Published with MATLAB® R2018a

32
TP2 : Technologie NVDIA pour la mise en œuvre électronique (hard ware) des systèmes
Intelligents
Suivre ce lien pour s’informer :
https://www.nvidia.com/fr-fr/data-center/data-center-gpus/

33