Pour apprendre, les modèles de Machine Learning (ML) ont besoin de s’entraîner sur la base d’une immense quantité de données. Leur apprentissage doit, en principe, porter sur tous les scénarios possibles. Mais des scénarios imprévisibles apparaissent inexorablement dans un contexte industriel où interviennent des facteurs humains et environnementaux. De plus, certaines données sont difficiles à obtenir et à exploiter. Le défi réside donc dans la capacité à proposer des modèles de ML qui maintiennent leur fonctionnement sur des scénarios pour lesquels aucune ou peu de données réelles ne sont disponibles.

Air Liquide utilise des caméras dotées d’un système à base d’IA pour le comptage automatique d’inventaire en plein air. Entraîné majoritairement de jour et par temps ensoleillé, cet outil de comptage s’avère sensiblement moins performant la nuit ou en cas d’intempérie (par exemple, pluie et nuit peuvent aboutir à une baisse de résolution). Les défis à relever sont donc multiples :

• Comment détecter en temps réel ces nouveaux scénarios ?
• Comment dresser une analyse de sensibilité du système face à ces perturbations ?
• Comment proposer un outil garantissant le bon fonctionnement du système dans ce contexte, recueillir, annoter et augmenter la quantité de ces nouvelles données pour des entraînements ultérieurs ? 

L’IRT SystemX a mis au point une librairie de pré-traitement des données en déploiement pour éliminer les nuisances (gouttes de pluie, flocons de neige, etc.). NeuralDE a ainsi permis de réduire de moitié l’erreur de comptage de nuit, pour arriver à des performances de précision au-dessus de 98 %, grâce à un prétraitement des données et à une meilleure maîtrise des nouvelles données.