AAIL Laboratoire d'Intelligence Artificielle Appliquée

6.3.- INTELLIGENCE ARTIFICIELLE, APPRENTISSAGE AUTOMATIQUE ET VISION ARTIFICIELLE

SYSTEMES INNOVANTS

Le Laboratoire d’Intelligence Artificielle Appliquée, "AAIL", a été conçu par EDIBON pour étudier de manière pratique le développement et l’application de solutions d’Intelligence Artificielle, en intégrant l’acquisition de données, le stockage, le Machine Learning, le Deep Learning, la vision artificielle, l’Edge Computing, les communications IoT et l’action sur des processus physiques.

Voir description générale

Description Générale

Le Laboratoire d’Intelligence Artificielle Appliquée, "AAIL", a été conçu par EDIBON pour étudier le cycle complet de développement d’applications d’Intelligence Artificielle à partir de données issues de capteurs, d’images et de variables de processus physiques.

Le laboratoire permet d’acquérir différentes variables au moyen de capteurs et de stocker les informations obtenues afin de créer des ensembles de données (datasets). Ces données peuvent être préparées, analysées et utilisées pour développer et entraîner différents modèles de Machine Learning et de Deep Learning.

Les modèles développés peuvent être évalués, puis utilisés pour effectuer des prédictions, des classifications ou détecter certains motifs à partir de nouvelles données.

Pour l’étude de la vision industrielle, le laboratoire dispose d’une caméra permettant d’acquérir des images et des vidéos, de créer ses propres jeux de données et de développer des applications de reconnaissance et de classification au moyen de techniques de traitement d’images et d’Intelligence Artificielle.

Le traitement des modèles peut être effectué localement au moyen de l’Edge AI, ce qui permet d’étudier des applications dans lesquelles les données sont traitées à proximité de leur lieu de génération et d’obtenir des résultats en temps réel.

Le laboratoire intègre également différents capteurs et actionneurs, permettant d’associer les résultats obtenus par les algorithmes d’Intelligence Artificielle à des actions sur des éléments physiques. L’étudiant peut ainsi comprendre l’intégration entre l’acquisition de données, l’Intelligence Artificielle et l’automatisation.

Un serveur de données permet de stocker et de consulter les données acquises, d’analyser les données historiques et de visualiser l’évolution des différentes variables. La communication entre les différents éléments permet également d’étudier les principes fondamentaux de l’IoT et des communications appliquées aux systèmes intelligents.

Un établi est fourni pour l’utilisation du laboratoire.

L’étudiant peut ainsi étudier de manière pratique le cycle complet d’une application d’Intelligence Artificielle appliquée :

Acquisition →Stockage →Préparation des données →Entraînement →Évaluation →Inférence →Décision →Actionnement.

Des exercices et pratiques guidées

EXERCICES GUIDÉS INCLUS DANS LE MANUEL

Fondements de l’Intelligence Artificielle et du Machine Learning :

  1. Introduction à l’Intelligence Artificielle, au Machine Learning et au Deep Learning.
  2. Acquisition et préparation des données.
  3. Création d’un ensemble de données (dataset).
  4. Développement et entraînement d’un modèle de Machine Learning.
  5. Évaluation et validation d’un modèle entraîné.
  6. Réalisation de prédictions à partir de nouvelles données.

Capteurs, IoT et acquisition de données :

  1. Acquisition de variables au moyen de capteurs.
  2. Transmission et stockage de données par communications IoT.
  3. Enregistrement et visualisation de variables en temps réel.

Bases de données :

  1. Stockage et consultation des données acquises.
  2. Analyse et représentation des données historiques.

Vision industrielle :

  1. Acquisition et traitement d’images au moyen d’une caméra.
  2. Création d’un dataset d’images.
  3. Entraînement et utilisation d’un modèle pour la classification d’images.

Intelligence Artificielle appliquée :

  1. Utilisation du résultat d’un modèle d’Intelligence Artificielle pour agir sur un élément physique.

Exercices pratiques supplémentaires pouvant être réalisés avec cette unité :

Intelligence Artificielle et Machine Learning :

  1. Comparaison de différents algorithmes de Machine Learning.
  2. Apprentissage supervisé et non supervisé.
  3. Analyse de la précision et des erreurs de classification.
  4. Obtention et interprétation de matrices de confusion.
  5. Étude de l’influence des données d’entraînement.
  6. Optimisation des paramètres d’entraînement.
  7. Développement de réseaux neuronaux artificiels.
  8. Optimisation de modèles pour leur exécution au moyen de l’Edge AI.

Analyse et gestion des données :

  1. Traitement et manipulation des données à l’aide d’outils de calcul scientifique.
  2. Développement de processus d’extraction, de transformation et de chargement des données (ETL).
  3. Exportation et échange d’ensembles de données.
  4. Comparaison entre les données acquises en temps réel et les données historiques.
  5. Création de tableaux de bord personnalisés.
  6. Analyse statistique des variables acquises.

IoT et communications :

  1. Communication entre capteurs, dispositifs Edge et serveur.
  2. Mise en oeuvre de communications via MQTT.
  3. Mise en oeuvre de communications via HTTP.
  4. Développement de services web pour l’échange d’informations.
  5. Surveillance à distance des variables.
  6. Développement de noeuds d’acquisition et de télémétrie.

Vision industrielle :

  1. Classification d’objets par couleur.
  2. Identification d’objets par vision industrielle.
  3. Détection de pièces conformes et défectueuses.
  4. Suivi d’objets en temps réel.
  5. Développement de filtres et d’algorithmes de traitement d’images.
  6. Étude de l’influence des conditions d’éclairage.
  7. Développement d’applications personnalisées de vision industrielle.

Automatisation et Intelligence Artificielle appliquée :

  1. Commande de moteurs à partir de variables acquises.
  2. Régulation de la température au moyen du module thermoélectrique.
  3. Régulation de variables à l’aide d’algorithmes de commande.
  4. Utilisation de modèles de Machine Learning pour classifier l’état d’un processus.
  5. Détection de comportements anormaux par analyse de données.
  6. Utilisation des résultats d’inférence pour la prise de décision automatique.
  7. Intégration de capteurs, d’Intelligence Artificielle et d’actionneurs.
  8. Développement d’applications personnalisées d’Intelligence Artificielle appliquée.
Voir plus

Qualité

Service après vente

Demander des informations