FR3030815A1

FR3030815A1 - METHOD AND DEVICE FOR MONITORING A DATA GENERATOR PROCESS BY CONFRONTATION OF PREDICTIVE AND MODIFIABLE TIME RULES

Info

Publication number: FR3030815A1
Application number: FR1462903A
Authority: FR
Inventors: Christophe Rivoire; Nabil Benayadi; Alexis Thieullen
Original assignee: Amesys Conseil
Current assignee: Amesys Conseil
Priority date: 2014-12-19
Filing date: 2014-12-19
Publication date: 2016-06-24
Also published as: EP3234830A1; WO2016096886A1

Abstract

Un dispositif (DS) surveille un processus générateur de données et comprend des moyens d'analyse (MA) pour analyser des données générées par ce processus afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données, chaque règle temporelle étant associée à au moins une valeur d'au moins un indicateur de qualité, et des moyens de surveillance (MS) pour déterminer en temps réel si des données nouvellement générées par le processus vérifient des règles temporelles déterminées associées à une valeur d'indicateur de qualité supérieure à un premier seuil choisi, et dans la négative pour modifier chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou créer au moins une nouvelle règle temporelle pour cet ensemble, ou dans l'affirmative pour générer un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées.A device (DS) monitors a data generating process and includes analysis means (AM) for analyzing data generated by this process to determine a set of time rules for predicting the generation of future data, each time rule being associated at least one value of at least one quality indicator, and monitoring means (MS) for determining in real time whether newly generated data of the process checks for determined time rules associated with a higher quality indicator value. at a first threshold chosen, and if not to modify each untested time rule or the associated quality indicator value and / or create at least one new time rule for this set, or if so to generate a first message containing a proposal for action (s) to be carried out as a result of the verification of at least one temporal rule by r newly generated data.

Description

PROCÉDÉ ET DISPOSITIF DE SURVEILLANCE D'UN PROCESSUS GÉNÉRATEUR DE DOEIRt-ES, PAR CONFRONTATION À DES RÈGLES TEMPORELLES PRÉDICTIVES ET MODIFIABLES L'invention concerne le domaine de la surveillance de processus générant des données de façon répétitive en fonction de règles temporelles prédictives, de manière à anticiper l'occurrence d'événements (ou données) et/ou à faciliter une prise de décision.The invention relates to the field of process monitoring that generates data repetitively according to predictive temporal rules, in a manner that is consistent with predefined and modifiable time rules. to anticipate the occurrence of events (or data) and / or to facilitate decision-making.

On notera qu'ici un événement peut être constitué par la collection d'une donnée ou d'un ensemble, éventuellement ordonné, de données. Comme le sait l'homme de l'art, lorsque l'on veut réaliser une surveillance efficace de processus générateurs de données, il faut impérativement disposer d'un ensemble de règles temporelles prédictives appropriées. La définition d'un tel ensemble se fait généralement en deux phases. Dans une première phase, on récolte un ensemble de données qui caractérise le fonctionnement d'un processus à surveiller. Dans une seconde phase on analyse l'ensemble de données récolté pour en extraire des informations nécessaires à la construction de règles temporelles prédictives.It should be noted that here an event can be constituted by the collection of a data item or a set, possibly ordered, of data. As one skilled in the art knows, when one wants to perform efficient monitoring of data generating processes, it is imperative to have a set of appropriate predictive time rules. The definition of such a set is usually done in two phases. In a first phase, we collect a set of data that characterizes the operation of a process to monitor. In a second phase, the harvested data set is analyzed to extract information necessary for the construction of predictive temporal rules.

Hélas, plus le nombre de données de l'ensemble récolté est grand (et donc plus l'observation du processus est complète), plus l'extraction d'informations est difficile, mais plus le nombre de données de l'ensemble récolté est petit (et donc plus l'observation du processus est incomplète), moins les règles temporelles prédictives sont appropriées. Il est en effet impossible d'anticiper des conséquences (ou effets) si les causes génératrices n'ont pas été observées dans l'ensemble de données récolté. De nombreuses techniques ont été proposées pour extraire des règles (ou relations de cause(s) à effet(s)) à partir de l'analyse d'un ensemble de données, avec une pertinence et un temps de calcul minimum. Cependant, la plupart de ces techniques induisent un nombre de solutions qui est trop important par rapport au processus à surveiller pour être exploitable facilement. On parle en effet d'explosion combinatoire lorsqu'une petite variation du nombre de données à considérer dans un problème (par ailleurs trivial) suffit à rendre sa solution très difficile, voire impossible à trouver. Il existe donc un réel besoin de méthode permettant de converger vers des règles temporelles (ou relations de cause(s) à effet(s) dans le temps), même partielles, permettant d'expliquer des problèmes réels et d'anticiper ces derniers. Certes, pour converger rapidement vers des règles temporelles prédictives appropriées, il est toujours possible d'interroger des experts des processus que l'on veut surveiller. C'est notamment ce qui est fait dans la o technique KADS (« Knowledge Acquisition and Documentation Structuring ») qui permet de constituer des systèmes d'aide à la décision prédictifs. Mais l'homme de l'art sait que la collecte et la formalisation des connaissances de plusieurs experts est une tâche particulièrement ardue (notamment du fait d'un goulot d'étranglement des connaissances). C'est d'ailleurs la principale raison 15 avancée pour expliquer l'échec, jusqu'à présent, de l'intelligence artificielle. L'invention a notamment pour but d'améliorer la situation, et notamment de permettre une convergence rapide vers des règles temporelles permettant d'anticiper la survenue d'événements (ou données) et éventuellement de fournir en temps réel à des utilisateurs non spécialistes des 20 conseils pour résoudre des problèmes, éventuellement complexes. Elle propose notamment à cet effet un procédé, destiné à surveiller un processus générateur de données, et comprenant : - une première étape dans laquelle on analyse de façon automatisée des données générées par le processus afin de déterminer un ensemble de 25 règles temporelles de prédiction de génération de futures données consécutivement à la génération de données antérieures, chaque règle temporelle étant associée à au moins une valeur d'au moins un indicateur de qualité, et - une deuxième étape dans laquelle on détermine en temps réel si des 30 données nouvellement générées par le processus vérifient des règles temporelles déterminées associées à une valeur d'indicateur de qualité supérieure à un premier seuil choisi, et dans la négative on modifie chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou on crée au moins une nouvelle règle temporelle pour l'ensemble, tandis que dans l'affirmative on génère un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées. Le procédé de surveillance selon l'invention peut comporter d'autres caractéristiques qui peuvent être prises séparément ou en combinaison, et notamment : - dans la première étape on peut déterminer chaque règle temporelle en fonction d'au moins une contrainte choisie (par exemple en fonction d'une description structurelle et/ou fonctionnelle du processus sous surveillance) ; - dans la première étape on peut analyser de façon automatisée des données générées de type qualitatif ; > dans la première étape, en cas de génération d'une donnée de type quantitatif, on peut transformer cette donnée en une donnée de type qualitatif ; - chaque indicateur de qualité peut être choisi parmi (au moins) un taux de confiance représentatif de la probabilité qu'une suite ordonnée de données choisies aboutisse à la génération d'une autre donnée choisie, et un taux de support représentatif du nombre d'occurrences d'une donnée choisie résultant de l'occurrence d'une suite ordonnée d'autres données choisies ; - dans la deuxième étape, en cas de vérification d'une règle temporelle, on peut augmenter la valeur d'indicateur de qualité qui lui est associée au sein de l'ensemble ; - dans la deuxième étape on peut également générer un second message contenant une justification d'un raisonnement ayant conduit à la proposition d'action(s) à réaliser ; - dans la deuxième étape on peut supprimer une règle temporelle non vérifiée lorsque la valeur d'indicateur de qualité associée est strictement inférieure à un second seuil ( paramètre qui est par exemple lié aux exigences de l'application concernée et/ou du métier) ; - au début de la première étape l'ensemble peut ne comprendre aucune règle temporelle ; - chaque règle temporelle peut être intégrée à l'ensemble après avoir été validée (par exemple par un raisonnement humain). L'invention propose également un produit programme d'ordinateur comprenant un jeu d'instructions qui, lorsqu'il est exécuté par des moyens de traitement, est propre à mettre en oeuvre un procédé de surveillance du type de celui présenté ci-avant pour surveiller un processus générateur de données. L'invention propose également un dispositif, destiné à surveiller un processus générateur de données, et comprenant : la - des moyens d'analyse agencés pour analyser des données générées par le processus afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données consécutivement à la génération de données antérieures, chaque règle temporelle étant associée à au moins une valeur d'au moins un indicateur de qualité, et 15 - des moyens de surveillance agencés pour déterminer en temps réel si des données nouvellement générées par le processus vérifient des règles temporelles déterminées associées à une valeur d'indicateur de qualité supérieure à un premier seuil choisi, et dans la négative pour modifier chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité 20 associée et/ou créer au moins une nouvelle règle temporelle pour l'ensemble, ou dans l'affirmative pour générer un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées. L'invention propose également un équipement électronique 25 comprenant un dispositif de surveillance du type de celui présenté ci-avant. D'autres caractéristiques et avantages de l'invention apparaîtront à l'examen de la description détaillée ci-après, et des dessins annexés, sur lesquels : - la figure 1 illustre de façon schématique et fonctionnelle un équipement 30 électronique équipé d'un exemple de réalisation d'un dispositif de surveillance selon l'invention et couplé à un réseau de communication auquel sont également couplés des terminaux de communication, - la figure 2 illustre un exemple d'algorithme mettant en oeuvre un procédé de surveillance selon l'invention, et - la figure 3 illustre un exemple de discrétisation spatiale de données d'entrée. L'invention a notamment pour but de proposer un procédé de surveillance, et un dispositif de surveillance DS associé, destinés à permettre la surveillance d'un processus générateur de données (ou événements). Dans ce qui suit, on considère, à titre d'exemple non limitatif, que le processus générateur de données est une application médicale fournissant des données relatives à une personne atteinte d'au moins une pathologie, comme par exemple le diabète, l'hyper-tension artérielle ou l'insuffisance la respiratoire. Dans ce cas, l'invention peut, par exemple, permettre une télésurveillance médicale à domicile destinée à informer en temps réel de l'état de santé d'une personne (éventuellement de façon interactive) d'autres personnes choisies, comme par exemple des médecins, du personnel soignant, des infirmiers, des kinésithérapeutes. Mais l'invention n'est pas 15 limitée à ce type de processus. Elle concerne en effet tout type de processus générant des données (ou événements). Ainsi, elle concerne également et notamment les processus industriels, et notamment les systèmes de production, les processus financiers, et plus généralement tout système physique pouvant générer des données. 20 On notera qu'une donnée peut se présenter sous diverses formes. Ainsi, il peut s'agir d'une donnée qualitative ou catégorielle, pouvant être ordinale ou nominale, comme par exemple un événement, ou d'une donnée quantitative, numérique, pouvant être discrète ou continue. A titre d'exemple, un événement peut être un dépassement d'un seuil, l'ouverture d'une porte, 25 un changement de valeur d'une variable (ou d'un paramètre), un appui sur un bouton d'une interface homme/machine, ou tout autre événement à caractère binaire. Un procédé de surveillance, selon l'invention, comprend au moins deux étapes qui peuvent être mises en oeuvre au moyen d'un dispositif de 30 surveillance DS. Comme illustré non limitativement sur la figure 1, ce dispositif de surveillance DS peut, par exemple, être installé dans un équipement électronique EE. Un tel équipement électronique EE peut, par exemple, être un ordinateur (éventuellement communiquant), un microordinateur (éventuellement communiquant) ou une tablette électronique. Mais cela n'est pas obligatoire. En effet, le dispositif de surveillance DS pourrait être lui-même agencé sous la forme d'un équipement électronique, éventuellement dédié. Par conséquent, un dispositif de surveillance DS, selon l'invention, peut être réalisé soit sous la forme de modules logiciels (ou informatiques (ou encore « software »)) ; on est alors en présence d'un produit programme d'ordinateur comprenant un jeu d'instructions qui, lorsqu'il est exécuté par des moyens de traitement de type circuits électroniques (ou « hardware »), est propre à mettre en oeuvre le procédé de surveillance, soit sous la forme d'une combinaison de modules logiciels et de circuits électroniques. On notera que dans l'exemple non limitatif illustré sur la figure 1 et adapté à la télésurveillance à domicile d'une personne, l'équipement électronique EE dispose d'un module de communication MC qui lui permet de se connecter à un réseau de communication RC (éventuellement par voie d'ondes), afin de pouvoir transmettre des informations relatives à cette personne à au moins un terminal de communication TCj. Ici l'indice j est égal à 1 ou 2, à titre d'exemple purement illustratif. Par ailleurs, bien que cela n'apparaisse pas sur la figure 1, l'équipement électronique EE comprend une application médicale fournissant des données relatives à la personne précitée en fonction de mesures transmises par voie d'ondes par des capteurs couplés à cette personne ou situés dans l'environnement proche de cette personne. L'équipement électronique EE comprend également une interface homme/machine IH destinée à permettre son contrôle par des personnes et le contrôle du dispositif (de surveillance) DS qu'elle comprend. Certaines personnes habilitées peuvent éventuellement piloter partiellement ou totalement l'application (ici médicale) via leur terminal de communication TCj. Il est également possible de prévoir une application d'interfaçage avec un système d'information central permettre à des personnes habilitées de se connecter à ce système afin de créer/mettre à jour/consulter des informations médicales et des dossiers de patients. Dans une première étape, du procédé selon l'invention, on (des moyens d'analyse MA du dispositif (de surveillance) DS) analyse(nt) de façon automatisée des données qui ont déjà été générées par le processus (ici l'application médicale) afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données consécutivement à la génération de données antérieures. Chaque règle temporelle ainsi déterminée est associée à au moins une valeur d'au moins un indicateur de qualité. Cette première étape correspond aux sous-étapes 10 à 60 de l'exemple d'algorithme de la figure 2. Les données qui sont analysées sont, par exemple, stockées, en correspondance des instants où elles ont été respectivement générées, dans la des premiers moyens de stockage B1 qui peuvent faire partie de l'équipement électronique EE, comme illustré non limitativement sur la figure 1. Ces premiers moyens de stockage B1 peuvent, par exemple, être agencés sous la forme d'une première base de données. On comprendra que ces données stockées ont été accumulées durant la vie du processus qui les génère. 15 On notera qu'il est préférable de n'analyser de façon automatisée que des données de type qualitatif étant donné que la transformation d'une donnée quantitative en une donnée qualitative occasionne généralement une perte d'information. Par conséquent, si les données générées peuvent être de type qualitatif ou de type quantitatif, alors chaque fois que les moyens d'analyse MA 20 extraient des premiers moyens de stockage B1 une donnée de type quantitatif, ils peuvent tout d'abord effectuer un test pour déterminer si son type est qualitatif. Ce test correspond à la sous-étape 10 de l'exemple d'algorithme de la figure 2. Si le résultat du test est négatif (et donc si la donnée est de type quantitatif), alors les moyens d'analyse MA transforment cette donnée en une 25 donnée de type qualitatif, par exemple par découpage en classes à intervalles ou effectifs constants ou par seuillage. Cette transformation correspond à la sous-étape 20 de l'exemple d'algorithme de la figure 2. L'objectif de cette transformation d'une donnée quantitative en une donnée qualitative est d'obtenir une discrétisation spatiale et temporelle des 30 données d'entrée. Ce traitement peut être simplement la segmentation d'un signal à partir de sa dérivée d'ordre un (1). Il est également possible de réaliser un seuillage basé sur la dispersion des mesures, puis de segmenter le signal en fonction des franchissements de seuils enregistrés. Les seuils ainsi créés sont rendus optimaux par rapport à un critère choisi, pouvant être (mais ne se limitant pas à) la maximisation et la minimisation respectives des dispersions inter-seuils et intra-seuils. Un exemple de discrétisation spatiale est donné sur la figure 3. Les segments (ou évènements) issus d'un même seuil sont alors regroupés en fonction de leur distance deux-à-deux. Cela permet de dégager des groupes d'évènements présentant des tendances communes. Pour chacun de ces sous-ensembles, une signature temporelle de référence unique correspondant à l'évolution caractéristique d'un signal sur un intervalle de temps donné peut être calculée. Il est alors possible de caractériser les données par un ensemble de classes limité, l'ensemble des classes obtenues permettant de reconstituer l'intégralité du signal initial. Dans ce cas, chaque règle temporelle est construite en fonction des modélisations de comportement des données qui la concernent. L'analyse proprement dite et la génération d'une règle temporelle qui en découle correspondent à la sous-étape 30 de l'exemple d'algorithme de la figure 2. Une suite ordonnée d'événements peut, par exemple, être représentée par dl -> d2 -> d3 ou dl -> d3 -> d4 -> d7. La flèche (ou arc) entre deux événements successifs d'une suite représente la contrainte temporelle qui lie ces deux événements. On notera qu'un événement peut correspondre à un ensemble, éventuellement ordonné, de données collectées. Par exemple, si un premier événement dl est généré et que le deuxième événement d2 est générée dans les 10 minutes suivantes alors il y a X% de probabilité qu'un troisième événement d3 soit généré dans les 15 minutes et 15 secondes suivantes. Une suite a donc un pouvoir de pronostic et/ou un pouvoir de diagnostic qui est/sont caractérisé(s) par un/des indicateur(s) de qualité. Par exemple, chaque indicateur de qualité peut être choisi parmi un taux de confiance tdc (pouvoir de pronostic) et un taux de support tds (pouvoir de diagnostic). Le taux de confiance tdc est représentatif de la probabilité qu'une suite ordonnée de données choisies aboutisse à la génération d'une autre donnée choisie. Par exemple, si l'on a la suite ordonnée c< dl -> d2 -> d3 », tdc est égal au rapport entre le nombre total d'occurrences de la suite ordonnée « dl -> d2 -> d3 » et le nombre total d'occurrences de la suite ordonnée « dl -> d2 ». Le taux de support tds est représentatif du nombre d'occurrences d'une donnée choisie résultant de l'occurrence d'une suite ordonnée d'autres données choisies. Par exemple, si l'on a la suite ordonnée « dl -> d2 -> d3 », tds est égal au rapport entre le nombre total d'occurrences de la suite ordonnée « dl -> d2 -> d3 » et le nombre total d'occurrences de la donnée d3. Bien entendu, d'autres indicateurs de qualité peuvent être utilisés.Unfortunately, the greater the number of data in the harvested set (and therefore the more the observation of the process is complete), the more difficult the extraction of information, but the smaller the number of data in the harvested set. (And thus the more the observation of the process is incomplete), the less the predictive temporal rules are appropriate. It is indeed impossible to anticipate consequences (or effects) if the generating causes were not observed in the collected data set. Many techniques have been proposed to extract rules (or cause-effect relationships) from the analysis of a set of data, with a minimum relevance and computation time. However, most of these techniques induce a number of solutions that are too important compared to the process to be monitored to be easily exploitable. Indeed, we speak of a combinatorial explosion when a small variation of the number of data to be considered in a problem (otherwise trivial) is enough to make its solution very difficult, if not impossible to find. There is therefore a real need for a method to converge on temporal rules (or cause-to-effect relationships), even partial, to explain real problems and anticipate them. Certainly, to quickly converge to appropriate predictive time rules, it is always possible to interview experts of the processes that we want to monitor. This is particularly the case in the KADS (Knowledge Acquisition and Documentation Structuring) technique o which makes it possible to build predictive decision support systems. But one skilled in the art knows that the collection and formalization of knowledge of several experts is a particularly difficult task (especially because of a knowledge bottleneck). This is the main reason for the failure, so far, of artificial intelligence. The object of the invention is in particular to improve the situation, and in particular to allow rapid convergence towards time rules making it possible to anticipate the occurrence of events (or data) and possibly to provide non-specialist users in real time 20 tips to solve problems, possibly complex. To this end, it proposes a method for monitoring a data generating process, and comprising: a first step in which data generated by the process is analyzed in an automated manner in order to determine a set of 25 time rules for predicting data; generating future data subsequent to the generation of previous data, each time rule being associated with at least one value of at least one quality indicator, and - a second step in which real-time determination of whether data newly generated by the process checks for determined time rules associated with a quality indicator value greater than a first selected threshold, and if not, modifies each untested time rule or the associated quality indicator value and / or creates at least one a new temporal rule for the whole, while in the affirmative ative one generates a first message containing a proposal of action (s) to achieve due to the verification of at least one time rule by the newly generated data. The monitoring method according to the invention can comprise other characteristics that can be taken separately or in combination, and in particular: in the first step, each time rule can be determined as a function of at least one chosen constraint (for example in function of a structural and / or functional description of the process under surveillance); in the first step, qualitative generated data can be analyzed automatically; in the first step, in the case of generation of a datum of quantitative type, this datum can be transformed into a datum of qualitative type; each quality indicator can be chosen from (at least) a confidence rate representative of the probability that an ordered sequence of selected data will lead to the generation of another chosen data item, and a support rate representative of the number of occurrences of a selected datum resulting from the occurrence of an ordered sequence of other selected data; in the second step, in the event of verification of a temporal rule, it is possible to increase the quality indicator value associated with it within the set; in the second step, it is also possible to generate a second message containing a justification of a reasoning that led to the proposed action (s) to be performed; in the second step, an unverified time rule can be deleted when the associated quality indicator value is strictly less than a second threshold (parameter which is for example related to the requirements of the application concerned and / or the job); - at the beginning of the first step, the set may not include any temporal rules; - each temporal rule can be integrated into the set after being validated (for example by human reasoning). The invention also proposes a computer program product comprising a set of instructions which, when executed by processing means, is suitable for implementing a monitoring method of the type of that presented above for monitoring a data generating process. The invention also proposes a device, intended to monitor a data generating process, and comprising: - analysis means arranged for analyzing data generated by the process in order to determine a set of time rules for predicting the generation of future data subsequent to the generation of previous data, each time rule being associated with at least one value of at least one quality indicator, and 15 - monitoring means arranged to determine in real time whether data newly generated by the process verify determined time rules associated with a quality indicator value greater than a first selected threshold, and if not, modifying each untested time rule or the associated quality indicator value and / or creating at least one new rule temporal for the whole, or in the affirmative to generate a premi a message containing a proposed action (s) to be performed due to the verification of at least one time rule by the newly generated data. The invention also proposes electronic equipment comprising a monitoring device of the type of that presented above. Other features and advantages of the invention will become apparent upon examination of the following detailed description, and the accompanying drawings, in which: FIG. 1 schematically and functionally illustrates an electronic equipment equipped with an example embodiment of a monitoring device according to the invention and coupled to a communication network to which communication terminals are also coupled, - Figure 2 illustrates an example of an algorithm implementing a monitoring method according to the invention, and FIG. 3 illustrates an example of spatial discretization of input data. The object of the invention is in particular to propose a monitoring method, and an associated DS monitoring device, for enabling the monitoring of a data generating process (or events). In what follows, it is considered, by way of non-limiting example, that the data generating process is a medical application providing data relating to a person suffering from at least one pathology, such as for example diabetes arterial tension or insufficiency the respiratory. In this case, the invention may, for example, allow a home medical remote monitoring to inform in real time of the state of health of a person (possibly interactively) other selected people, such as for example doctors, nursing staff, nurses, physiotherapists. But the invention is not limited to this type of process. It concerns indeed any type of process generating data (or events). Thus, it also concerns, in particular, industrial processes, and in particular production systems, financial processes, and more generally any physical system that can generate data. It will be appreciated that a datum may be in various forms. Thus, it may be a qualitative or categorical data, which may be ordinal or nominal, such as an event, or quantitative, numerical, discrete or continuous data. By way of example, an event may be an exceeding of a threshold, the opening of a door, a change in the value of a variable (or a parameter), a pressing of a button of a human-machine interface, or any other binary event. A monitoring method according to the invention comprises at least two steps which can be implemented by means of a DS monitoring device. As illustrated without limitation in FIG. 1, this monitoring device DS may, for example, be installed in electronic equipment EE. Such EE electronic equipment may, for example, be a computer (possibly communicating), a microcomputer (possibly communicating) or an electronic tablet. But this is not obligatory. Indeed, the monitoring device DS could itself be in the form of an electronic equipment, possibly dedicated. Therefore, a surveillance device DS, according to the invention, can be realized either in the form of software modules (or computer (or "software")); it is then in the presence of a computer program product comprising a set of instructions which, when executed by processing means such as electronic circuits (or "hardware"), is adapted to implement the method as a combination of software modules and electronic circuits. Note that in the non-limiting example illustrated in Figure 1 and adapted to remote home monitoring of a person, EE electronic equipment has a communication module MC that allows it to connect to a communication network RC (possibly by waves), in order to be able to transmit information relating to this person to at least one communication terminal TCj. Here the index j is equal to 1 or 2, by way of purely illustrative example. Furthermore, although this does not appear in FIG. 1, the electronic equipment EE comprises a medical application providing data relating to the aforementioned person as a function of measurements transmitted by waves by sensors coupled to this person or located in the close environment of that person. The electronic equipment EE also includes an IH man / machine interface intended to allow its control by people and the control of the DS (monitoring) device that it includes. Some authorized persons may possibly partially or completely control the application (here medical) via their communication terminal TCj. It is also possible to provide an interface application with a central information system enabling authorized individuals to connect to this system in order to create / update / view medical information and patient records. In a first step, the method according to the invention, (MA monitoring means of the (monitoring) device DS) automatically analyzes (s) data that have already been generated by the process (here the application medical) to determine a set of prediction time rules for generating future data subsequent to the generation of prior data. Each time rule thus determined is associated with at least one value of at least one quality indicator. This first step corresponds to substeps 10 to 60 of the example algorithm of FIG. 2. The data that are analyzed are, for example, stored, in correspondence of the times when they were respectively generated, in the first one. storage means B1 which may be part of the electronic equipment EE, as illustrated without limitation in Figure 1. These first storage means B1 may, for example, be arranged in the form of a first database. It will be understood that these stored data have been accumulated during the life of the process that generates them. It should be noted that it is preferable to analyze only qualitative data automatically, since the transformation of a quantitative data into a qualitative data generally causes a loss of information. Therefore, if the generated data can be qualitative or quantitative type, then whenever the MA analysis means extracts from the first storage means B1 a quantitative type data, they can first perform a test. to determine if its type is qualitative. This test corresponds to the substep 10 of the example algorithm of FIG. 2. If the result of the test is negative (and therefore if the datum is of the quantitative type), then the analysis means MA transform this datum. in a qualitative data item, for example by division into classes at constant intervals or effective or by thresholding. This transformation corresponds to the substep 20 of the exemplary algorithm of FIG. 2. The objective of this transformation of a quantitative datum into a qualitative datum is to obtain a spatial and temporal discretization of the data of FIG. Entrance. This processing can be simply the segmentation of a signal from its derivative of order one (1). It is also possible to perform a thresholding based on the dispersion of the measurements, then to segment the signal according to the crossing of recorded thresholds. The thresholds thus created are made optimal with respect to a chosen criterion, which can be (but not limited to) the respective maximization and minimization of inter-threshold and intra-threshold dispersions. An example of spatial discretization is given in Figure 3. The segments (or events) from the same threshold are then grouped according to their distance two-to-two. This allows you to identify groups of events with common trends. For each of these subsets, a unique reference time signature corresponding to the characteristic change of a signal over a given time interval can be calculated. It is then possible to characterize the data by a limited set of classes, the set of classes obtained making it possible to reconstruct the entirety of the initial signal. In this case, each temporal rule is constructed according to the behavioral modelings of the data which concern it. The actual analysis and the generation of a resulting time rule correspond to the substep 30 of the example algorithm of FIG. 2. An ordered sequence of events may, for example, be represented by dl. -> d2 -> d3 or dl -> d3 -> d4 -> d7. The arrow (or arc) between two successive events of a sequence represents the temporal constraint that binds these two events. Note that an event may correspond to a set, possibly ordered, of collected data. For example, if a first event dl is generated and the second event d2 is generated within the next 10 minutes then there is X% probability that a third event d3 will be generated in the next 15 minutes and 15 seconds. A sequence therefore has a prognostic power and / or a diagnostic power which is / are characterized by a quality indicator (s). For example, each quality indicator can be chosen from a confidence level tdc (prognostic power) and a support rate tds (diagnostic power). The confidence rate tdc is representative of the probability that an ordered sequence of selected data will lead to the generation of another chosen data item. For example, if we have the ordered sequence c <dl -> d2 -> d3 », tdc is equal to the ratio between the total number of occurrences of the ordered sequence« dl -> d2 -> d3 »and the number total of occurrences of the ordered sequence "dl -> d2". The support rate tds is representative of the number of occurrences of a chosen datum resulting from the occurrence of an ordered sequence of other selected data. For example, if we have the ordered sequence "dl -> d2 -> d3", tds is equal to the ratio between the total number of occurrences of the sequence ordered "dl -> d2 -> d3" and the total number of occurrences of the data d3. Of course, other quality indicators can be used.

On notera que chaque règle temporelle peut être éventuellement déterminée en fonction d'au moins une contrainte choisie. Ainsi, on peut utiliser au moins une contrainte de flux (qui fixe l'ordre d'écoulement du flux de données (afin de fixer l'ordre de causalité des données générées dans une approche multi-modèle)) et/ou au moins une contrainte de fonction (qui fixe des relations fonctionnelles entre des variables), par exemple. A titre d'exemple, une contrainte de flux peut être un modèle d'implantation de capteurs ou d'indication de flux matière/énergie ou d'indication de flux de données. On notera que l'on peut choisir les données que l'on va analyser, par exemple en fonction du rôle que l'on pense qu'elles peuvent avoir dans l'explication d'un problème à anticiper (par défaut on utilise toutes les données stockées). On peut également choisir l'intervalle de temps pendant lequel les données ont été générées (par défaut on utilise toute la durée de l'historique considéré). On peut également définir des contraintes spécifiques au problème à anticiper. On peut également définir l'espace de temps qui est supposé correspondre à la dynamique du problème à anticiper. On peut également définir le nombre maximum de classes de données (ou d'événements) supposées avoir causé le problème à anticiper. Chaque règle temporelle est construite à partir d'un événement cible qui constitue le point de départ de l'établissement d'un arbre des causes les plus probables qui ont entrainé un problème. La méthode de découverte des relations séquentielles les plus probables et de leurs contraintes temporelles associées peut être la suivante : à partir de la segmentation des données effectuée à l'étape précédente, les séquences d'évènements sont comparées pour chaque variable. Les corrélations temporelles entre deux (ou plusieurs) variables sont mises en évidence en comparant le nombre et la fréquence de transitions entre les évènements identifiés, ainsi que le temps moyen entre ces transitions. Il est également possible de quantifier l'impact de la réalisation d'un évènement sur un évènement lié à l'aide d'une mesure appropriée. La détermination des causes les plus probables qui expliquent un problème particulier peut ensuite se faire par l'intermédiaire d'un arbre que l'on élague afin de déterminer la/les règle(s) qui permettra(ont) d'anticiper au mieux le problème. Pour cela on peut, par exemple, paramétrer la recherche en choisissant un taux de support tds minimum désiré de l'enchainement des événements qui expliquent le problème, et/ou un taux de confiance tdc minimum de l'enchainement des événements qui anticipent le problème. En d'autres termes, on ne retient que les règles temporelles qui sont associées à au moins une valeur d'indicateur de qualité qui est supérieure à un premier seuil si. On notera que la valeur du premier seuil si peut varier d'un indicateur de qualité à un autre.Note that each time rule can be optionally determined according to at least one chosen constraint. Thus, it is possible to use at least one flow constraint (which sets the flow order of the data flow (in order to fix the causal order of the data generated in a multi-model approach)) and / or at least one function constraint (which sets functional relationships between variables), for example. For example, a flow constraint may be a model for sensor implantation or material / energy flow indication or data flow indication. Note that we can choose the data that we will analyze, for example depending on the role we think they can have in the explanation of a problem to anticipate (by default we use all stored data). One can also choose the time interval during which the data were generated (by default one uses the whole duration of the considered history). We can also define specific constraints to the problem to anticipate. We can also define the space of time that is supposed to correspond to the dynamics of the problem to be anticipated. It is also possible to define the maximum number of data classes (or events) thought to have caused the problem to be anticipated. Each time rule is constructed from a target event that is the starting point for establishing a tree of the most likely causes that caused a problem. The method of discovering the most probable sequential relations and their associated temporal constraints can be as follows: from the segmentation of the data carried out in the preceding step, the sequences of events are compared for each variable. The temporal correlations between two (or more) variables are highlighted by comparing the number and frequency of transitions between the events identified, as well as the average time between these transitions. It is also possible to quantify the impact of performing an event on a linked event with the help of an appropriate measure. The determination of the most probable causes that explain a particular problem can then be done by means of a tree that is pruned to determine the rule (s) that will allow to anticipate the best possible problem. For this purpose, it is possible, for example, to parameterize the search by choosing a desired minimum tds support rate from the sequence of events that explain the problem, and / or a minimum tdc confidence rate from the sequence of events that anticipate the problem. . In other words, only the time rules associated with at least one quality indicator value that is greater than a first threshold si are retained. Note that the value of the first threshold may vary from one quality indicator to another.

Dans ce cas, les moyens d'analyse MA peuvent effectuer un test pour déterminer si la valeur d'indicateur de qualité associée à une règle temporelle déterminée est supérieure au premier seuil si. Ce test correspond à la sous-étape 40 de l'exemple d'algorithme de la figure 2. Si le résultat du test est négatif (et donc si la valeur est inférieure à si), alors les moyens d'analyse MA rejettent la règle temporelle et donc ne la stockent pas. En effet, la valeur de l'indicateur de qualité évolue au fur et à mesure que des nouvelles données sont générées et que des nouveaux évènements arrivent. Si la règle n'est pas efficace et que la valeur de l'indicateur associée tombe sous un certain seuil, celle-ci est révoquée. Ce rejet correspond à la sous-étape 50 de l'exemple d'algorithme de la figure 2. En revanche, si le résultat du test est positif (et donc si la valeur est supérieure à si), alors les moyens d'analyse MA stockent la règle temporelle, en correspondance de chaque valeur d'indicateur de qualité associée, dans des seconds moyens de stockage B2 qui peuvent faire partie du dispositif DS, comme illustré non limitativement sur la figure 1. Cette règle temporelle fait alors partie de l'ensemble de règles temporelles utilisables. Ces seconds moyens de stockage B2 peuvent, par exemple, être agencés sous la forme d'une seconde base de données. Ce stockage correspond à la sous-étape 60 de l'exemple d'algorithme de la figure 2. De préférence, chaque règle temporelle est intégrée à l'ensemble de règles temporelles stockées dans les seconds moyens de stockage B2 après avoir été validée ou approuvée. Cette validation (ou approbation) est de préférence réalisée par une personne autorisée suite à un raisonnement. Mais elle pourrait être réalisée par les moyens d'analyse MA ou par d'autres moyens dédiés du dispositif DS. On notera qu'au début de la première étape l'ensemble de règles temporelles peut être vide (et donc peut ne comprendre aucune règle temporelle). Une seconde étape, du procédé selon l'invention, est ensuite réalisée en temps réel sur les nouvelles données générées par le processus. Il s'agit donc d'une étape de surveillance. Cette seconde étape correspond aux sous- étapes 70 à 110 de l'exemple d'algorithme de la figure 2. Dans cette seconde étape, on (des moyens de surveillance MS du dispositif (de surveillance) DS) détermine(nt) en temps réel si les données nouvellement générées par le processus vérifient des règles temporelles précédemment déterminées par les moyens d'analyse MA et qui sont associées à une valeur d'indicateur de qualité qui est supérieure au premier seuil choisi s1. En d'autres termes, les moyens de surveillance MS vérifient lors de test(s) si chaque règle temporelle de l'ensemble stocké est satisfaite par une ou plusieurs données nouvellement générées. Cette vérification correspond à la sous-étape 70 de l'exemple d'algorithme de la figure 2.In this case, the analysis means MA may perform a test to determine whether the quality indicator value associated with a given time rule is greater than the first threshold si. This test corresponds to the sub-step 40 of the example algorithm of FIG. 2. If the result of the test is negative (and therefore if the value is less than if), then the analysis means MA reject the rule. temporal and therefore do not store it. Indeed, the value of the quality indicator changes as new data is generated and new events arrive. If the rule is not effective and the value of the associated indicator falls below a certain threshold, it is revoked. This rejection corresponds to the substep 50 of the example algorithm of FIG. 2. On the other hand, if the result of the test is positive (and therefore if the value is greater than if), then the analysis means MA store the time rule, in correspondence of each associated quality indicator value, in second storage means B2 which may be part of the device DS, as illustrated in non-limiting manner in FIG. 1. This temporal rule then forms part of the set of usable time rules. These second storage means B2 may, for example, be arranged in the form of a second database. This storage corresponds to the substep 60 of the example algorithm of FIG. 2. Preferably, each time rule is integrated in the set of temporal rules stored in the second storage means B2 after having been validated or approved. . This validation (or approval) is preferably performed by an authorized person following a reasoning. But it could be performed by the MA analysis means or other dedicated means of the DS device. It will be noted that at the beginning of the first step the set of time rules may be empty (and thus may not include any temporal rules). A second step, the method according to the invention, is then performed in real time on the new data generated by the process. It is therefore a monitoring step. This second step corresponds to substeps 70 to 110 of the exemplary algorithm of FIG. 2. In this second step, it is possible (MS monitoring means of the (monitoring) device DS) to determine (s) in real time if the data newly generated by the process check time rules previously determined by the analysis means MA and which are associated with a quality indicator value which is greater than the first selected threshold s1. In other words, the monitoring means MS check during test (s) whether each time rule of the stored set is satisfied by one or more newly generated data. This check corresponds to the sub-step 70 of the exemplary algorithm of FIG. 2.

Si le résultat d'une vérification est négatif (et donc si des données nouvellement générées ne vérifient pas au moins une règle temporelle), on (les moyens de surveillance MS) modifie(nt) chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou on crée au moins une nouvelle règle temporelle pour l'ensemble. Cette modification et/ou création correspond à la sous-étape 80 de l'exemple d'algorithme de la figure 2. Elle est par exemple réalisée par les moyens d'analyse MA à la requête des moyens de surveillance MS. La règle temporelle modifiée et/ou créée est ensuite intégrée à l'ensemble de règles temporelles dans les seconds moyens de stockage B2 (éventuellement après une validation), lors d'une sous-étape similaire à la sous-étape 60 précédemment décrite. Si le résultat d'une vérification est positif (et donc si des données nouvellement générées vérifient une règle temporelle), on (les moyens de o surveillance MS) génère(nt) un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées. Cette génération correspond à la sous-étape 90 de l'exemple d'algorithme de la figure 2. Ce premier message peut être de type textuel ou sonore, et peut être 15 éventuellement crypté. Selon l'application concernée, le premier message peut être affiché et/ou diffusé soit par l'équipement électronique EE, soit par au moins un terminal de communication TCj après avoir été transmis via un réseau de communication RC par l'équipement électronique EE. On comprendra que ce premier message est destiné à prévenir au 20 moins une personne du fait qu'une ou plusieurs actions doivent être envisagées compte tenu des dernières données générées par le processus. Une action peut être un déclenchement d'alarme ou une proposition d'intervention, éventuellement en urgence. On notera que l'on (les moyens de surveillance MS) peu(ven)t ensuite 25 éventuellement générer un second message contenant une justification d'un raisonnement ayant conduit à la proposition d'action(s) à réaliser contenue dans le premier message. Cette génération correspond à la sous-étape 100 de l'exemple d'algorithme de la figure 2. Ce second message peut être de type textuel ou sonore, et peut être 30 éventuellement crypté. Selon l'application concernée, le second message peut être affiché et/ou diffusé soit par l'équipement électronique EE, soit par au moins un terminal de communication TCj après avoir été transmis via un réseau de communication RC par l'équipement électronique EE.If the result of a check is negative (and therefore if newly generated data do not check at least one time rule), then (the MS monitoring means) modifies each untested time rule or the indicator value. associated quality and / or create at least one new time rule for the set. This modification and / or creation corresponds to the substep 80 of the example algorithm of FIG. 2. It is for example carried out by the analysis means MA at the request of the monitoring means MS. The modified and / or created temporal rule is then integrated into the set of temporal rules in the second storage means B2 (possibly after validation), during a substep similar to the substep 60 previously described. If the result of a check is positive (and therefore if newly generated data check a time rule), the (MS monitoring means) generates (s) a first message containing a proposal of action (s) to achieve due to the verification of at least one time rule by the newly generated data. This generation corresponds to the sub-step 90 of the exemplary algorithm of FIG. 2. This first message may be of textual or audio type, and may possibly be encrypted. Depending on the application concerned, the first message may be displayed and / or broadcast either by the electronic equipment EE or by at least one communication terminal TCj after being transmitted via an RC communication network by the electronic equipment EE. It will be understood that this first message is intended to warn at least one person that one or more actions should be considered in view of the latest data generated by the process. An action can be an alarm trigger or a proposal for intervention, possibly in an emergency. It will be noted that one (the MS monitoring means) may then eventually generate a second message containing a justification of a reasoning that led to the proposed action (s) to be performed contained in the first message . This generation corresponds to the sub-step 100 of the exemplary algorithm of FIG. 2. This second message may be of textual or audio type, and may possibly be encrypted. Depending on the application concerned, the second message may be displayed and / or broadcast either by the electronic equipment EE or by at least one communication terminal TCj after having been transmitted via an RC communication network by the electronic equipment EE.

On comprendra que ce second message est destiné à fournir à moins une personne une explication (ou justification) des raisons qui ont amené à proposer une ou plusieurs actions. On notera également qu'en cas de vérification d'une règle temporelle, on peut augmenter la valeur d'indicateur de qualité qui lui est associée au sein de l'ensemble de règles temporelles stocké. En effet, une telle vérification positive est de nature à renforcer l'intérêt prédictif que représente cette règle temporelle vis-à-vis du processus. Cette modification correspond à la sous-étape 110 de l'exemple d'algorithme de la figure 2. Elle est par exemple la réalisée par les moyens d'analyse MA à la requête des moyens de surveillance MS. On notera également que l'on peut supprimer une règle temporelle non vérifiée (jusqu'alors stockée dans les seconds moyens de stockage B2) lorsque la valeur d'indicateur de qualité associée est devenue strictement 15 inférieure à un second seuil s2. Ce second seuil s2 est de préférence inférieur au premier seuil s1. Mais il pourrait être égal à ce dernier (s1). On comprendra en effet qu'il n'est plus justifié d'utiliser une règle temporelle dès lors que son intérêt prédictif vis-à-vis du processus devient trop faible. Cette suppression est par exemple réalisée par les moyens d'analyse MA automatiquement, ou bien 20 à la requête des moyens de surveillance MS. Grâce à l'invention, il est désormais possible d'aider un expert à converger rapidement vers des règles temporelles prédictives qui vont ensuite permettre d'anticiper et de conseiller en temps réel des utilisateurs dans la résolution de problèmes éventuellement complexes. Elle permet une 25 interactivité entre l'homme et la machine par apprentissage. L'invention ne se limite pas aux modes de réalisation de procédé de surveillance, de dispositif de surveillance, et d'équipement électronique décrits ci-avant, seulement à titre d'exemple, mais elle englobe toutes les variantes que pourra envisager l'homme de l'art dans le seul cadre des revendications ci- 30 après.It will be understood that this second message is intended to provide at least one person with an explanation (or justification) of the reasons which led to proposing one or more actions. Note also that in case of checking a time rule, one can increase the quality indicator value associated with it within the set of temporal rules stored. Indeed, such a positive verification is likely to reinforce the predictive interest represented by this temporal rule vis-à-vis the process. This modification corresponds to the sub-step 110 of the exemplary algorithm of FIG. 2. It is for example carried out by the analysis means MA at the request of the monitoring means MS. It will also be appreciated that an unverified time rule (previously stored in the second storage means B2) can be omitted when the associated quality indicator value has become strictly less than a second threshold s2. This second threshold s2 is preferably lower than the first threshold s1. But it could be equal to the latter (s1). It will be understood that it is no longer justified to use a temporal rule when its predictive interest with respect to the process becomes too low. This deletion is for example carried out by the analysis means MA automatically, or at the request of the monitoring means MS. Thanks to the invention, it is now possible to help an expert to quickly converge to predictive time rules that will then allow to anticipate and advise users in real time in the resolution of potentially complex problems. It allows interactivity between the man and the machine by learning. The invention is not limited to the embodiments of monitoring method, monitoring device, and electronic equipment described above, only by way of example, but it encompasses all variants that may be considered by man of the art within the sole scope of the following claims.

Claims

REVENDICATIONS1. A method of monitoring a data generating process, characterized in that it comprises a first step (10-60) in which data generated by said process is analyzed in an automated manner in order to determine a set of time rules for prediction of data. generating future data subsequent to the generation of previous data, each time rule being associated with at least one value of at least one quality indicator, and a second step (70-110) in which real-time determination is made whether data newly generated by said process verify determined time rules associated with a quality indicator value higher than a first selected threshold, and if not, modify each untested time rule or the associated quality indicator value and / or create at least one new time rule for that set, while in the affirmative one generates a first message containing a proposed action (s) to achieve due to the verification of at least one time rule by the newly generated data.

2. Method according to claim 1, characterized in that in said first step each time rule is determined as a function of at least one chosen constraint.

3. Method according to one of claims 1 and 2, characterized in that in said first step is automatically analyzed data generated qualitative type.

4. Method according to claim 3, characterized in that in said first step, in the case of generation of a datum of quantitative type, transforming this datum into a datum of qualitative type.

5. Method according to one of claims 1 to 4, characterized in that each quality indicator is chosen from a group comprising a confidence rate representative of the probability that an ordered sequence of selected data will result in the generation of a another selected data, and a support rate representative of the number of occurrences of a selected data item resulting from the occurrence of an ordered sequence of other selected data.

6. Method according to one of claims 1 to 5, characterized in that in said second step, in case of verification of a time rule, increasing said quality indicator value associated with it within said set.

7. Method according to one of claims 1 to 6, characterized in that in said second step is also generated a second message containing a justification of a reasoning that led to said action proposal (s) to achieve.

8. Method according to one of claims 1 to 7, characterized in that in said second step is removed an unverified time rule when the associated quality indicator value is strictly less than a second threshold.

9. Computer program product comprising a set of instructions which, when executed by processing means, is adapted to implement the method according to one of the preceding claims for monitoring a data generating process.

10. Device (DS) for monitoring a data generating process, characterized in that it comprises analysis means (AM) arranged for analyzing data generated by said process in order to determine a set of temporal rules of prediction for generating future data subsequent to the generation of prior data, each time rule being associated with at least one value of at least one quality indicator, and monitoring means (MS) arranged to determine in real time whether data newly generated by said process check given time rules associated with a quality indicator value higher than a first selected threshold, and if not to modify each unverified time rule or the associated quality indicator value and / or create minus a new time rule for said set, or if so to generate a first time rule ssage containing a proposal of action (s) to achieve due to the verification of at least one time rule by the newly generated data.

11. Electronic equipment (EE), characterized in that it comprises a monitoring device (DS) according to claim 10.