Applications de l’apprentissage automatique en ingénierie

L’intelligence artificielle (IA) est devenue un argument de vente de premier plan, que vous souhaitiez acheter un simple grille-pain ou un robot de chaîne de montage avancé. L’objectif de ce séminaire est de démystifier le jargon utilisé et de fournir aux participants les outils nécessaires pour évaluer la valeur des solutions basées sur l’IA dans le contexte des applications d’ingénierie.

À cette fin, l’accent est mis sur l’apprentissage automatique (ML), qui est le principal élément constitutif des solutions d’IA. De ses principes, paradigmes et algorithmes qui modifient radicalement les méthodes d’analyse des données à ses implémentations concrètes, le ML est décortiqué pour permettre aux participants de se faire une idée de la manière dont ils peuvent mettre en œuvre eux-mêmes des solutions de ML, qu’il s’agisse de résoudre des problèmes de recherche complexes ou de mettre en œuvre des procédures de contrôle qualité efficaces. En outre, l’atelier vise à proposer une série de questions clés à poser aux fournisseurs de solutions basées sur l’IA pour déterminer si leur produit répond à vos besoins.

Plan de la formation

• Introduction: L’IA est partout. Mais quel est le lien avec le Machine Learning ?

• Limites des outils classiques d’analyse de données

• • • Hypothèse de linéarité et ses alternatives faibles
    • Gestion de grands ensembles de données
    • Capacité prédictive des modèles

• • Nouveaux paradigmes et solutions alternatives du ML
    • Un bref rappel historique : l’essor de la puissance de calcul
    • Spécifications du modèle – des algorithmes basés sur les arbres à l’apprentissage profond
    • Sélection du meilleur modèle prédictif : validation croisée

• • Intermission: Le changement de vocabulaire entre l’analyse des données et le ML : démystifier le jargon

• • Les limites de l’apprentissage automatique
    • Le besoin de données appropriées : biais et représentativité
    • Préparation des données : l’ingénierie des données ne doit jamais être négligée
    • Le paradoxe du rétrécissement de l’espace prédictif et ses conséquences potentielles

• • Machine learning et IA en pratique – Assembler les pièces du puzzle
    • Préparation des données
    • Sélection du modèle/algorithme le plus approprié
    • Ajustement de modèle(s)
    • Quantifier la précision des modèles
    • Effectuer la sélection finale et peaufiner
    • Déploiement du modèle

• • Études de cas en ingénierie
    • Quelques exemples utilisant des données historiques
    • Mises en œuvre à des fins de contrôle qualité
    • Utilisation de sources de données externes

• Conclusion: une approche étape par étape de la mise en œuvre du ML et de l’évaluation des solutions des fournisseurs

Durée de la formation

La durée recommandée de cette formation est de 2h et demie.

Public cible

Cet atelier s’adresse aux ingénieurs R&D et QC ainsi qu’aux managers et chefs de groupe souhaitant comprendre les aspects clés de l’apprentissage automatique, à la fois dans un contexte de prise de décision de produits fournisseurs basés sur l’IA ou pour la mise en œuvre à domicile de solutions ML personnalisées.