- Intelligence Artificielle Floue Augmentée -

I.A. ROBUSTE & EXPLICABLE

A partir de données, les robots xtractis découvrent automatiquement les stratégies de décision complexes
et les restituent sous forme de règles non-linéaires explicites.

Résultat : Des systèmes décisionnels prédictifs opérationnels, performants et transparents, adaptés aux processus critiques et stratégiques.

I.A. Perspicace

L'IA qui sait gérer le flou, apprenant même sur peu de données de faible qualité, pour proposer des modèles prédictifs performants dans les situations non apprises.

> IA Robuste, Frugale & Résiliente <

I.A. "Boîte blanche"

L'IA qui explique en détails comment elle raisonne pour prendre ses décisions, en créant des systèmes décisionnels à base de règles explicites et compréhensibles.

> IA Auditable, Traçable & Certifiable <

I.A. Évolutive

L'IA qui apprend seule à mieux apprendre : ses robots sont capables de perfectionner à l'infini leurs stratégies de raisonnement de façon compétitive, puis collaborative.

> IA Collective & Évolutive <

Un tour d'horizon en 10 questions

Pour faire connaissance avec l'IA xtractis

On connaît bien aujourd’hui l’IA qui sert à imiter la perception humaine, essentiellement, la parole et la vision, et à traiter le langage naturel. Mais, on sait moins que l’IA permet aussi de modéliser n’importe quel processus complexe (multidimensionnel, non-linéaire, signaux faibles), en particulier le raisonnement humain lors d’un processus de décision ; et encore moins qu’elle peut gérer les cas où l’environnement de fonctionnement ou de décision est flou (imprécis, incertain, subjectif).

C’est exactement dans ce cadre que l’IA xtractis intervient : elle découvre automatiquement, par apprentissage inductif, les règles qui décrivent le processus à modéliser. Cet apprentissage s’effectue à partir d’une base de données, compilant différentes situations de référence du processus. xtractis utilise toutes les données disponibles, sélectionne les variables qui expliquent le processus, construit leurs classes floues, génère les modèles prédictifs, et enfin évalue de manière intensive leur robustesse pour proposer les modèles les plus performants (voir question 9).

Ces modèles sont explicités sous la forme d’une collection de règles graduelles « SI…ALORS » -dites règles floues- permettant d’expliquer le comportement sous-jacent du processus étudié. Une fois ces systèmes décisionnels déployés, on peut prédire les effets du processus ou prescrire des solutions les plus satisfaisantes pour l’optimiser.

Une règle floue « SI…ALORS » est un modèle local non-linéaire reliant entre elles des variables nuancées. Mathématiquement, elle définit une fonction multidimensionnelle non-linéaire reliant certaines variables d’entrée à la variable de sortie.

Un modèle xtractis est défini par une collection de règles floues couvrant l’espace de fonctionnement. Toute situation dans cet espace entraîne le déclenchement simultané et graduel de certaines règles, puis l’interpolation de leurs décisions : les règles locales interagissent entre elles et coopèrent pour calculer la décision finale la plus adéquate.

Plus le modèle est composé de règles floues et plus il fait appel à des variables d’entrée, plus il réussira à décrire fidèlement le comportement d’un processus complexe. La prouesse d’xtractis est d’arriver seul à trouver le vrai niveau de complexité du processus étudié : son objectif ultime est toujours de découvrir le modèle le plus robuste et le plus compact, c’est-à-dire le plus performant et le plus explicable (voir questions 9 et 10).

L’IA xtractis est le résultat de plus 15 ans de R&D au sein d’INTELLITECH, en mathématiques du Flou, IA Symbolique et KDD (Knowedge Discovery from Data).

La théorie du Flou propose des concepts, des techniques et des méthodes formellement rigoureuses pour représenter et traiter en multidimensionnel des connaissances et des données floues, c’est-à-dire contenant de l’imprécision, de l’incertitude ou de la subjectivité (données du Réel). Formellement, la théorie du flou définit une interface graduelle entre le qualitatif / symbolique et le quantitatif / numérique. Pratiquement, elle offre une approche efficiente à la résolution de problèmes multidimensionnels et complexes, caractérisés par une forte interactivité des parties, faisant intervenir l’Homme à la fois comme capteur et comme décideur ou actionneur.

Précisément, l’IA xtractis est basée sur la Théorie des Relations Floues d’ordre N (RF-N) [Zalila 1993], couplée à l’Apprentissage Inductif Automatique Collectif et Évolutif.  L’objectif d’xtractis est de découvrir des RF-N, c’est-à-dire des formes floues multidimensionnelles et non-linéaires, puis de les transcrire en règles floues.

Nous vous invitons à lire nos livres blancs qui vous permettront d’approfondir la question.

L’IA xtractis a été originellement inventée pour modéliser les comportements humains bienveillants : perception sensorielle de produits, appétence du consommateur et évaluation subjective. Elle a ensuite été utilisée avec succès pour détecter les comportements humains malveillants (fraude, sécurité, cybersécurité).

En réalité, son approche universelle permet de modéliser n’importe quel processus ou phénomène complexe, y compris les phénomènes naturels en sciences… du moment qu’une base de données est disponible sur le phénomène à étudier.

L’IA xtractis sait traiter des données de nature variée : données quantitatives ou qualitatives, évaluations hédoniques, préférences, avis d’experts, mesures sensorielles ou instrumentales, signaux, images, données socio-économiques, formulations, caractéristiques produit, séquences génétiques…

Si xtractis peut actuellement gérer les données textuelles structurées, les actions R&D à venir lui permettront aussi de traiter le texte libre.

L’effet à prédire peut être une variable numérique (régression), une ou plusieurs classes auxquelles appartiendrait un nouveau profil (multiclassification), un risque d’apparition d’un événement (scoring), ou la mise en évidence de segments stables sur les données par apprentissage non supervisé (clustering).

La qualité des modèles dépend de la qualité des données. Cependant, xtractis peut exploiter des données manquantes (voir question 8), les données bruitées et/ou en faible quantité. Un modèle robuste xtractis (voir question 9) peut aussi être utilisé pour détecter et filtrer le bruit dans la base de données.  Il est à noter que si la base de données de référence ne contenait pas suffisamment d’information exploitable, xtractis serait dans l’incapacité de découvrir un modèle robuste.

Du fait qu’elle bénéficie des avantages formels de la Théorie des RF-N, l’IA xtractis est particulièrement performante dans un environnement complexe dans lequel les trois facettes du flou coexistent (imprécision, incertitude et subjectivité). Et c’est généralement le cas des processus du monde réel que l’on cherche à modéliser.

Les robots xtractis déploient une famille infinie de stratégies d’apprentissage inductif pour proposer des modèles robustes, c’est-à-dire des modèles qui garantissent la fiabilité de leurs prédictions dans des situations n’ayant pas fait partie de la phase d’apprentissage. L’IA xtractis évite donc l’apprentissage par cœur (overfitting ou overlearning).

En outre, ces robots perfectionnent automatiquement et collectivement leurs stratégies de raisonnement pour améliorer en continu la robustesse des modèles proposés, même si la base de données ne change pas : ils apprennent à mieux apprendre.

L’IA xtractis a ainsi remporté de nombreux benchmarks face aux autres techniques open source, qu’elles soient statistiques ou d’IA : Régression Polynomiale, Régression Logistique, PLS, Arbre de Décision CART, Forêt Aléatoire, Boosted Trees, Kernel Support Vector Machine, Deep Learning / Réseaux de Neurones… Bien évidemment, nous maîtrisons toutes ces techniques concurrentes pour pouvoir mettre en évidence leurs avantages et leurs limites.

L’IA xtractis permet de développer rapidement et systématiquement des systèmes décisionnels prédictifs explicables et performants. Le déploiement de tels systèmes apporte une grande valeur ajoutée aux processus métiers :

– Comprendre et améliorer les processus de décision.

– Pérenniser le capital Connaissances Métiers des entreprises et des organisations.

– Anticiper les effets d’un processus face à des situations inconnues.

– Découvrir des prescriptions optimales pour des processus complexes.

– Identifier et analyser les risques dans un processus critique.

– Concevoir rapidement de nouveaux produits ou trouver de nouvelles formulations.

– Optimiser des produits ou des formulations existantes pour augmenter leur efficience, leur appétence ou diminuer leur coût de fabrication.

– Automatiser des prises de décision dans un but de gain de productivité ou d’impartialité, tout en explicitant les règles utilisées pour assurer la conformité réglementaire du système décisionnel.

– Auditer un modèle « boîte noire  » et le cloner en un modèle à base de règles, donc certifiable.

– Reconcevoir un ancien système décisionnel devenu difficilement maintenable (Reverse Engineering).

Les applications sont multi-sectorielles et transverses : Industrie du Futur, Transports, Défense, Sécurité, Nucléaire, Finance, Analyse de risque, Santé, Droit, Politique, Marketing & CRM…

Un point commun : les deux technologies utilisent des algorithmes d’apprentissage automatique par raisonnement inductif (Machine Learning).
Mais, il existe plusieurs différences majeures :

– Le Deep Learning produit des réseaux de neurones qui sont des modèles « boîte noire » alors que l’IA xtractis produit des systèmes décisionnels « boîte blanche » à base de règles floues compréhensibles par l’expert métier.

– Un réseau de neurones est un modèle global au sens où toute modification de paramètres change le comportement du système décisionnel ; alors que le modèle xtractis est composé de sous-modèles locaux (règles floues) : la modification de la prémisse (partie SI…) ou de la conclusion (partie ALORS…) d’une règle a un impact seulement dans la zone locale de contrôle de la règle. xtractis peut ainsi améliorer localement le modèle global pour gagner en efficience, tout en préservant l’explicabilité.

– À la différence d’un réseau de neurones, il est aisé de démontrer que la sortie d’un système à base de règles floues variera continument et graduellement entre une borne inférieure et une borne supérieure et ce, en tout point de l’espace de décision. Ainsi est prouvée la stabilité d’un tel système, notamment pour les décisions critiques, ce qui permet sa certification.

– Pour apprendre, le Deep Learning nécessite un très grand volume de données, tandis que l’IA xtractis peut se contenter d’un faible volume de données (frugalité du Flou).

– le Deep Learning, comme toute approche statistique, gère les données manquantes par imputation (affectation d’une valeur estimée), ce qui introduit un biais dans les données avant leur traitement ; tandis que l’IA xtractis préserve cet état d’ignorance (absence d’information) en supposant que toutes les valeurs de la variable non renseignée sont possibles (état extrêmal du Flou).

– Les algorithmes du Deep Learning sont généralement figés par le modélisateur, alors que l’IA xtractis est capable de perfectionner ses stratégies d’apprentissage inductif pour améliorer ses performances continuellement.

– Le Deep Learning fait appel aux opérateurs uniques de logique binaire, du calcul tensoriel et à la mesure de probabilité, alors que l’IA xtractis fait appel à une infinité d’opérateurs logiques multivalents, une infinité d’opérateurs de composition par ancrage relationnel et à une infinité de mesures généralisées de possibilité et de nécessité, ce qui lui confère de plus grands degrés de liberté en modélisation non-linéaire.

– Les algorithmes du Deep Learning sont open source, alors que ceux d’xtractis sont propriétaires.

La qualité d’un modèle s’évalue par deux critères :

i- « capacité descriptive » ou « précision » : sa capacité à bien décrire les situations de référence ayant permis sa création ;

ii- « capacité de généralisation » ou « robustesse » : sa capacité à bien prédire sur des situations inconnues (qui n’ont pas fait partie des données d’apprentissage).

Bien que nécessaire, une précision élevée n’est pas suffisante, car elle ne garantit pas que le modèle est robuste : en apprenant par cœur (overlearning), le modèle aurait une précision très élevée, mais se tromperait très souvent dans ses décisions face à des situations n’ayant pas fait partie de sa base d’apprentissage.

L’estimation de la robustesse par validation croisée nécessite une durée de calculs incompressible de 50 à 10 000 fois celle nécessaire pour créer le modèle : il est donc impossible de réaliser en temps réel une modélisation prédictive robuste. Toutefois, en production, les prédictions déduites d’un modèle robuste peuvent être délivrées en temps réel.

Le système de décision créé par une IA se doit d’être explicable dans tous domaines à impact sociétal avéré : Industrie du Futur, Transport, Défense, Sécurité, Nucléaire, Finance, Santé, Droit, Politique. En effet, de tels systèmes doivent être audités et certifiés par le régulateur avant leur déploiement.

Par contre, un système IA « boîte noire » pourrait être utilisé pour des applications de type Marketing ou CRM telle que la recommandation de produit.

Ainsi, une banque française pourrait faire appel à des réseaux de neurones pour créer des chatbots, mais devra nécessairement faire appel à une modélisation explicable (régression analytique, système à base de règles, arbre de décision) pour modéliser le comportement de ses clients ou évaluer le score d’un dossier de crédit ; le premier modèle sera audité par la Direction Marketing, tandis que le second sera audité et certifié par l’ACPR et la BCE.

En réalité, depuis l’entrée en vigueur du Règlement Général Européen sur la Protection des Données Personnelles (RGPD), le « droit à l’explication » octroyé à toute personne physique ou morale, subissant une décision automatisée, impose à tout concepteur dudit système décisionnel automatisé, de justifier les règles ayant produit la décision. Ce qui interdirait de facto tout système décisionnel « boîte noire » !

En savoir plus sur l'IA xtractis

Aller plus loin - Approfondir
de vos données aux modèles xtractis

INTELLITECH est inventeur d'IA depuis 1998

Une approche inédite de l'Intelligence Artificielle

Notre cœur de métier

R&D en Théorie des Relations Floues d’ordre N et en Apprentissage inductif, pour concevoir une IA robuste et explicable dédiée aux processus stratégiques et critiques.

robots collaboratifs xtractis

Notre vision de l’IA

Des robots intelligents qui se concertent, qui s’auto-évaluent et qui apprennent seuls à mieux apprendre en perfectionnant leurs stratégies de raisonnement.

Prof. Zyed ZALILA

président-fondateur, Intellitech

Les études de psychologie cognitive démontrent que le raisonnement humain conscient est limité à au plus 9 critères en simultané. De ce fait, l'homme non augmenté ne pourra concevoir des règles décisionnelles, mettant en jeu des dizaines voire des centaines de variables en interaction, pour modéliser des comportements complexes.
Grâce à son IA Floue Augmentée, xtractis se positionne comme un modélisateur prédictif universel de processus complexes. Tel un exo-cerveau qui étend les capacités cognitives humaines, il nous permet d’appréhender toute la pluridimensionnalité du monde réel, sans réduction ni simplification.
Un humain ne raisonne pas en noir ou blanc, mais avec une palette infinie de nuances de gris. Le raisonnement humain ne peut donc être modélisé par une logique binaire, mais bien grâce à des logiques quantiques infini-valentes, que nous appelons communément « logiques floues ».
Dans un monde réel que nous percevons avec imprécision, incertitude et subjectivité, les mathématiques du Flou permettent de modéliser avec plus de justesse et de nuance les phénomènes et processus complexes.
La pensée occidentale utilise depuis plus de 2350 ans la vision binaire et discontinue imprégnée de la pensée d’Aristote. La pensée orientale bénéficie de la vision nuancée et continue du taoïsme. Ceci expliquerait pourquoi la plupart des adeptes de la Théorie du Flou sont orientaux ou sensibilisés à la pensée orientale.
Paradoxalement, xtractis permet d’expliciter les connaissances tacites ou implicites d’un expert humain, qui, par essence, ne peuvent être explicitées par cet expert humain.

Une solution opérationnelle entièrement automatisée

en SaaS Privé ou sur site Client ou Embarquée (IoT)

Les robots xtractis fonctionnent avec des algorithmes propriétaires optimisés pour les calculs parallèles multi-cœurs haute performance GPU/CPU.

Que ce soit en service SaaS privé, ou l’utilisation sur site Client, nous garantissons la sécurité et la confidentialité des données et des résultats. 

L’automatisation est totale : ni connaissances mathématiques spécifiques, ni programmation, ni framework informatique ne sont exigés pour l’utilisation d’xtractis. Le contrôle se fait exclusivement par clic-souris.

Notre service de prestations  ne fait appel à aucune sous-traitance. Il vous permet d’externaliser vos projets de modélisation tout en garantissant la qualité et la sécurité de la prestation.

Des cas d'usage aux success stories

Quelques exemples d'applications prédictives

INDUSTRIE DU FUTUR, R&D

Conception Optimale de Produits, Diagnostic, Contrôle, Maintenance Prédictive, Qualité Prédictive, Fusion de Données...
Depuis 2009, xtractis découvre les formulations optimales de papiers d’hygiène, blockbusters de plusieurs grandes marques internationales, en les adaptant à la perception sensorielle des consommateurs de chaque marché national.

DÉFENSE, SÉCURITÉ

Cybersécurité, Fraude, Criminalité, ADAS, Aide à la décision pour le commandement et la surveillance, Reconnaissance d’objets...
xtractis est lauréat du DÉFI TECH "Détection d’objets" organisé par la DGA/DRM et mettant en compétition plus de 50 structures académiques, grands comptes, ETI et PME spécialisés en IA et traitement d’images.

Ils ont fait confiance à xtractis

Nos clients et partenaires
Fermer le menu

Nous Contacter

Une question ? Laissez-nous un message.

14 Rue du Fonds Pernant

60200 COMPIÈGNE - FRANCE

+33 3 44 23 48 90