- Intelligence Artificielle Floue Augmentée -

IA ROBUSTE, INTELLIGIBLE & EXPLICABLE

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

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

IA Frugale

xtractis sait apprendre même avec des données en faible quantité ou de faible qualité, pour proposer des modèles prédictifs performants dans les situations non apprises.

> IA Robuste, Frugale & Résiliente <

IA "Boîte blanche"

xtractis explique en détails comment il prend ses décisions, car il crée des systèmes décisionnels intelligibles à base de règles explicites et compréhensibles par l’expert métier.

> IA Auditable, Traçable & Certifiable <

IA Évolutive

xtractis apprend seul à mieux apprendre : ses robots sont capables de perfectionner à l'infini leurs stratégies d'induction 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’un ensemble 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 « boîtes blanches » sont explicités sous la forme d’une collection de règles graduelles/continues SI…ALORS -dites règles floues- permettant d’expliquer le comportement sous-jacent du processus étudié (voir question 2). 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, c’est une Relation Floue d’ordre N définissant une fonction multidimensionnelle reliant N-1 variables prédictives à la variable à prédire (voir question 3).

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 prédictives, 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 ensuite le plus compact, c’est-à-dire le plus performant et le plus intelligible/explicable (voir questions 9 et 10).

L’IA xtractis est le résultat de plus de 170 années-homme 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). La théorie du Flou peut aussi se contenter de peu de données, du moment qu’elles contiennent de l’information, pour délivrer les premiers résultats : on dit que le Flou est frugal.

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 : à l’image d’un modélisateur en sciences expérimentales, xtractis est un découvreur de connaissances (les modèles à base de règles) à partir d’observations (les données).

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

L’IA xtractis a été originellement inventée en 2003 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’un ensemble de données (observations) 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, données socio-économiques, formulations, caractéristiques produit, séquences génétiques… 

Les données non-structurées (images, signaux, spectres) doivent préalablement être prétraitées pour en extraire des variables caractéristiques compréhensibles par l’expert métier.

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), des classes auxquelles appartiendrait un nouveau profil (classification multinomiale), le risque d’apparition d’un événement (scoring), ou la mise en évidence de segments stables sur les données par apprentissage non supervisé (clustering).

Conformément à la théorie de l’information de Shannon, la qualité des modèles dépend de la qualité des données de référence collectées sur le processus étudié, c’est-à-dire de la quantité d’information contenue dans ces données. Cependant, xtractis peut exploiter des données manquantes (voir question 8), les données bruitées et/ou en faible quantité (voir question 3). Un modèle robuste xtractis (voir question 9) peut aussi être utilisé pour détecter et filtrer le bruit dans l’ensemble de données.  Il est à noter que si l’ensemble de données de référence ne contient pas suffisamment d’information exploitable, xtractis ne proposera pas de 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 l’ensemble de données de référence 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 performants, intelligibles et explicables. 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 (WHAT IF).

– Découvrir des prescriptions optimales pour des processus complexes (HOW TO).

– Détecter, 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 traduire en un modèle à base de règles, donc certifiable.

– Reconcevoir par rétro-ingénierie un ancien système décisionnel devenu difficilement maintenable.

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

Un point commun : les deux technologies utilisent des algorithmes d’apprentissage automatique (Machine Learning) pour construire des modèles.
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 son intelligibilité et son 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 continuement 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, même si l’ensemble de données de référence ne change pas.

– 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 prédictif s’évalue par deux critères :

i- « capacité descriptive » ou « descriptivité » : 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).

Une descriptivité élevée est nécessaire : en effet, si le modèle n’arrive pas à retrouver les valeurs de référence qu’il connait déjà, il n’aurait aucune chance de prédire correctement sur des situations qui lui seraient inconnues.

Toutefois, une descriptivité élevée n’est pas suffisante, car elle ne garantit pas que le modèle est robuste : en apprenant par cœur (overlearning), le modèle aurait une descriptivité 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 d’un modèle par validation croisée nécessite une durée de calculs incompressible de 50 à 500 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 et à haute fréquence (> 1KHz).

Comme va l’imposer la future loi supranationale européenne en 2021, tout système de décision créé par une IA se doit d’être intelligible et explicable dans tous domaines à impact sociétal avéré : Industrie du Futur, Transport, Défense, Sécurité, Nucléaire, Finance, Santé, Droit, Politique. Plus généralement, tout système d’IA développé pour une application critique doit être audité et certifié par le régulateur avant son déploiement dans un double but : d’une part, éviter tout dommage corporel imprévu (par exemple lors de l’utilisation d’un système d’IA de prescription médicale) ; d’autre part, éviter tout biais discriminatoire insoupçonné (par exemple lors de l’utilisation d’un système d’IA de sélection de candidats à l’embauche).

Par contre, un système IA boîte noire pourrait toujours être utilisé, sans nécessité de certification, pour les applications non critiques de type Marketing ou CRM, telles que la recommandation de produit.

Ainsi, une banque française pourrait faire appel à des réseaux de neurones pour créer des chatbots d’assistance en ligne 24/7, mais devra nécessairement faire appel à une modélisation intelligible et explicable (régression analytique, système à base de règles, arbre de décision, réseau sémantique) pour modéliser le comportement de ses clients ou évaluer le score d’un dossier de crédit ; le premier modèle sera validé 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 européenne, subissant une décision automatisée, impose au concepteur dudit système décisionnel automatisé, de justifier au Juge l’intégralité de la logique interne du système permettant le calcul de la décision, sous peine de condamnation. 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

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...
Exemple

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...
Exemple

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