Kenza AMZIL soutient le 03 janvier 2022 ses travaux de thèse menés au sein du laboratoire Lispen "Contribution à l’analyse de la causalité par apprentissage automatique pour l’aide à la décision, dans un contexte de supervision pour l’industrie 4.0 », sur le campus d'Aix-en-Provence à 14h00.
Résumé
Avec l’avènement de l’industrie 4.0, l’accélération des processus qui l’accompagne, et la prolifération des données, l’enjeu pour les processus décisionnels évoluant dans un tel contexte est d’assurer des prises de décisions rapides et fiables.
Les indicateurs clé de performances (KPIs) sont étroitement liés à la prise de décision. Ils en sont aussi bien déclencheurs que pilotes. Ceci nous persuade que pour améliorer les processus décisionnels, une attention particulière devrait être portée sur les KPIs. Lorsqu’un KPI révèle une situation anormale, la compréhension de l’origine de cette déviation est indispensable pour rechercher des solutions, et pour en sélectionner une parmi plusieurs.
Dans ces travaux de thèse, nous nous intéressons à cette compréhension, en particulier à l’identification des liens causaux entre un KPI d’intérêt et les variables contextuelles manipulables, ainsi qu’à la quantification de ces liens causaux. À cette fin, nous proposons un système d’aide à la décision orienté causalité, répondant à trois fonctions : l’identification des variables contextuelles liées causalement à un KPI sous forme structure causale ; la hiérarchisation de ces variables selon leurs forces respectives d’association au KPI d’intérêt ; et la possibilité de prédiction du KPI pour des fins de proactivité. La première fonction a pour objectif de permettre une meilleure compréhension des déviations du KPI. Elle est mise en œuvre grâce à un algorithme d’apprentissage des réseaux Bayésiens causaux. La deuxième fonction permet une meilleure sélection de la meilleure solution, et est implémentée grâce un calcul que nous proposons de faire sur les poids finaux d’un réseau de neurones ayant un bon pouvoir de prédiction du KPI d’intérêt. La troisième fonction, permettant de prendre des décisions de façon proactive, est rendue possible grâce à ce même réseau de neurones. La méthode a été validée en utilisant deux jeux de données étalons, puis comparée à d’autres techniques ayant les mêmes objectifs.
Mots-clés
Causalité, apprentissage des réseaux Bayésiens, hiérarchisation des causes, réseaux de neurones, aide à la décision, apprentissage automatique
Jury
M. Vincent CHEUTET, Professeur des Universités, DISP-lab, INSA de Lyon - Président
M. Marc ZOLGHADRI, Professeur des Universités, LISMMA, ISAE-Supméca - Rapporteur
Mme. Elise VAREILLES, Maître de conférences HDR, ISAE-Supaéro - Rapportrice
M. Lionel ROUCOULES, Professeur des Universités, LISPEN, ENSAM Aix en Provence - Examinateur
Mme. Esma YAHIA, Maître de conférences, LISPEN, ENSAM Aix en Provence - Examinatrice
Mme. Nathalie KLEMENT, Maître de conférences, LISPEN, ENSAM Lille - Examinatrice
