FR3131786A1 - Processing of an object based on a comparison, by vector representation, with a reference object - Google Patents
Processing of an object based on a comparison, by vector representation, with a reference object Download PDFInfo
- Publication number
- FR3131786A1 FR3131786A1 FR2200235A FR2200235A FR3131786A1 FR 3131786 A1 FR3131786 A1 FR 3131786A1 FR 2200235 A FR2200235 A FR 2200235A FR 2200235 A FR2200235 A FR 2200235A FR 3131786 A1 FR3131786 A1 FR 3131786A1
- Authority
- FR
- France
- Prior art keywords
- vector
- vectors
- database
- elements
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000013598 vector Substances 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000002123 temporal effect Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims description 23
- 238000003672 processing method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Abstract
L’invention concerne un procédé de traitement d’un objet. Initialement, des correspondances entre des éléments et des vecteurs sont stockés (102) dans une base de données. Sur réception (111) d’une séquence d’éléments associée à un objet, le procédé comprend la détermination (112), pour chaque élément de la séquence reçue, d’un vecteur correspondant à l’élément par consultation de la base de données, et la détermination (113) d’une somme pondérée de vecteurs à partir des vecteurs déterminés et de coefficients de pondération temporels, pour former un vecteur résultant. Le vecteur résultant est ensuite comparé (116) avec un vecteur de référence correspondant à un objet de référence. Le procédé comprend en outre le traitement (117) de l’objet en fonction d’un résultat de comparaison entre le vecteur résultant et le vecteur de référence. FIG. 1The invention relates to a method for processing an object. Initially, correspondences between elements and vectors are stored (102) in a database. Upon receipt (111) of a sequence of elements associated with an object, the method includes determining (112), for each element of the received sequence, a vector corresponding to the element by consulting the database, and determining (113) a weighted sum of vectors from the determined vectors and temporal weighting coefficients, to form a resulting vector. The resulting vector is then compared (116) with a reference vector corresponding to a reference object. The method further includes processing (117) the object based on a comparison result between the resulting vector and the reference vector. FIG. 1
Description
La présente invention appartient au domaine du traitement d’un objet à partir de données représentatives de cet objet et par comparaison avec un objet de référence.The present invention belongs to the field of processing an object from data representative of this object and by comparison with a reference object.
Elle est particulièrement avantageuse pour la sélection et/ou la catégorisation d’objets, notamment dans le cadre de procédé de fabrication d’objet ou dans le cadre de la sélection de candidats.It is particularly advantageous for the selection and/or categorization of objects, particularly in the context of an object manufacturing process or in the context of the selection of candidates.
Il est connu d’utiliser des méthodes d’intelligence artificielle pour modéliser des objets par des données, analyser ces données et assister une prise de décision relative à un tel objet.It is known to use artificial intelligence methods to model objects using data, analyze this data and assist in decision-making relating to such an object.
Toutefois, de telles méthodes manquent de précision quant à la modélisation de l’objet ainsi que dans son analyse, conduisant ainsi à une limitation de la qualité du traitement appliqué à l’objet.However, such methods lack precision in the modeling of the object as well as in its analysis, thus leading to a limitation in the quality of the processing applied to the object.
La présente invention vient améliorer la situation.The present invention improves the situation.
A cet effet, un premier aspect de l’invention concerne un procédé de traitement de données mis en œuvre par des moyens informatiques et comprenant les opérations suivantes
:
stockage de correspondances entre des éléments et des vecteurs dans une base de données;
durant une phase courante :
réception d’une séquence d’éléments associée à un objet ;
détermination, pour chaque élément de la séquence reçue, d’un vecteur correspondant audit élément par consultation de la base de données ;
détermination d’une somme pondérée de vecteurs à partir des vecteurs déterminés et de coefficients de pondération temporels respectivement associés aux vecteurs déterminés, la somme pondérée formant un vecteur résultant ;
comparaison du vecteur résultant avec un vecteur de référence correspondant à un objet de référence ;
traitement de l’objet en fonction d’un résultat de comparaison entre le vecteur résultant et le vecteur de référence.To this end, a first aspect of the invention relates to a data processing method implemented by computer means and comprising the following operations
:
storing correspondences between elements and vectors in a database;
during a current phase:
receiving a sequence of elements associated with an object;
determination, for each element of the received sequence, of a vector corresponding to said element by consulting the database;
determining a weighted sum of vectors from the determined vectors and temporal weighting coefficients respectively associated with the determined vectors, the weighted sum forming a resulting vector;
comparison of the resulting vector with a reference vector corresponding to a reference object;
processing the object based on a comparison result between the resulting vector and the reference vector.
Ainsi, la présente invention prévoit une représentation vectorielle d’éléments dont une séquence représente un objet. Une telle représentation permet de représenter dans un espace à M dimensions l’objet tout en facilitant l’étape de comparaison avec un vecteur de référence. La prise en compte de coefficients de pondération temporels associés aux vecteurs représentant les éléments, permet d’améliorer la précision associée à la détermination du vecteur résultant. Le traitement de l’objet est ainsi amélioré. Le traitement de l’objet recouvre toute opération relative à l’objet, tel que la génération d’une alerte, l’attribution d’un label à l’objet, ou la sélection de l’objet, par exemple.Thus, the present invention provides a vector representation of elements of which a sequence represents an object. Such a representation makes it possible to represent the object in an M-dimensional space while facilitating the comparison step with a reference vector. Taking into account temporal weighting coefficients associated with the vectors representing the elements makes it possible to improve the precision associated with the determination of the resulting vector. The processing of the object is thus improved. Object processing covers any operation relating to the object, such as generating an alert, assigning a label to the object, or selecting the object, for example.
Selon un mode de réalisation, le procédé peut comprendre une étape préalable d’application d’un algorithme de plongement textuel, de type Word2vec, à un ensemble d’éléments prédéfinis d’un corpus en vue de définir des vecteurs correspondants aux éléments prédéfinis pour stockage dans la base de données.According to one embodiment, the method may comprise a prior step of applying a textual embedding algorithm, of the Word2vec type, to a set of predefined elements of a corpus with a view to defining vectors corresponding to the predefined elements for storage in the database.
Un tel algorithme permet d’obtenir une représentation précise des éléments, car entraînée sur un corpus pouvant comprendre une quantité considérable de données. De plus, un tel algorithme peut être évolutif en fonction de l’enrichissement du corpus.Such an algorithm makes it possible to obtain a precise representation of the elements, because it is trained on a corpus that can include a considerable quantity of data. In addition, such an algorithm can be scalable depending on the enrichment of the corpus.
En complément, les coefficients de pondération peuvent être des données exogènes au corpus.In addition, the weighting coefficients can be data exogenous to the corpus.
Une telle pondération permet une plus grande précision dans la représentation de l’objet que des méthodes de pondération de type TF-IDF.Such weighting allows greater precision in the representation of the object than TF-IDF type weighting methods.
Selon un mode de réalisation, le procédé peut comprendre la réception d’un ensemble d’objets candidats, chaque objet candidat étant associé à une séquence d’objets, un vecteur résultant candidat peut être obtenu à partir de la séquence d’éléments associée à chaque objet candidat de l’ensemble, et dans lequel le traitement des objets candidats comprend la sélection d’un objet candidats parmi l’ensemble en fonction des résultats de comparaison entre les vecteurs résultants candidats et le vecteur de référence.According to one embodiment, the method may include receiving a set of candidate objects, each candidate object being associated with a sequence of objects, a candidate resulting vector can be obtained from the sequence of elements associated with each candidate object of the set, and wherein processing the candidate objects comprises selecting a candidate object from the set based on the comparison results between the candidate result vectors and the reference vector.
Ainsi, le procédé selon l’invention peut être appliqué pour permettre la sélection d’un ou de plusieurs objets candidats par comparaison avec un objet de référence.Thus, the method according to the invention can be applied to allow the selection of one or more candidate objects by comparison with a reference object.
Selon un mode de réalisation, chaque élément peut identifier une phase de fabrication d’objet, la séquence d’éléments correspond à une succession de phases de fabrication d’objet, et le coefficient de pondération temporel associé à un vecteur peut être déterminé à partir d’une durée de la phase de fabrication correspondant audit vecteur.According to one embodiment, each element can identify an object manufacturing phase, the sequence of elements corresponds to a succession of object manufacturing phases, and the temporal weighting coefficient associated with a vector can be determined from of a duration of the manufacturing phase corresponding to said vector.
Ainsi, le procédé selon l’invention peut alternativement permettre d’assister la fabrication d’objets, notamment lors de la fabrication d’objets en série.Thus, the method according to the invention can alternatively make it possible to assist the manufacture of objects, in particular during the manufacture of objects in series.
En complément, une pluralité de vecteurs de référence correspond à des objets précédemment fabriqués, chaque vecteur de référence étant associé à un label indiquant si l’objet est défaillant ou non défaillant, le vecteur résultant peut être comparé avec les vecteurs de référence afin de déterminer un plus proche vecteur de référence, le label associé au plus proche vecteur de référence peut être attribué à l’objet, et le traitement appliqué à l’objet peut être fonction du label attribué.In addition, a plurality of reference vectors correspond to previously manufactured objects, each reference vector being associated with a label indicating whether the object is faulty or not faulty, the resulting vector can be compared with the reference vectors in order to determine a closest reference vector, the label associated with the closest reference vector can be assigned to the object, and the treatment applied to the object can be a function of the assigned label.
Ainsi, il est rendu possible d’assister de manière automatisée et précise le contrôle de la qualité lors de la fabrication d’objets.This makes it possible to support quality control during the manufacturing of objects in an automated and precise manner.
Selon un mode de réalisation, la comparaison entre le vecteur résultant et le vecteur de référence peut comprendre la détermination d’une fonction de cosine similarité entre le vecteur résultant et le vecteur de référence.According to one embodiment, the comparison between the resulting vector and the reference vector may include the determination of a similarity cosine function between the resulting vector and the reference vector.
Une telle fonction permet d’évaluer la proximité entre deux vecteurs de manière simple et précise.Such a function makes it possible to evaluate the proximity between two vectors in a simple and precise manner.
Un deuxième aspect de l’invention concerne un programme informatique comportant des instructions pour la mise en œuvre du procédé selon le premier aspect de l’invention, lorsque ces instructions sont exécutées par un processeur.A second aspect of the invention relates to a computer program comprising instructions for implementing the method according to the first aspect of the invention, when these instructions are executed by a processor.
Un troisième aspect de l’invention concerne un dispositif de traitement de données comprenant :
une base de données stockant des correspondances entre des éléments et des vecteurs dans une base de données;
un processeur configuré pour
recevoir une séquence d’éléments associée à un objet ;
déterminer, pour chaque élément de la séquence reçue, un vecteur correspondant audit élément par consultation de la base de données ;
déterminer une somme pondérée de vecteurs à partir des vecteurs déterminés et de coefficients de pondération temporels respectivement associés aux vecteurs déterminés, la somme pondérée formant un vecteur résultant ;
comparer le vecteur résultant avec un vecteur de référence correspondant à un objet de référence ;
traiter l’objet en fonction d’un résultat de comparaison entre le vecteur résultant et le vecteur de référence.A third aspect of the invention relates to a data processing device comprising:
a database storing correspondences between elements and vectors in a database;
a processor configured to
receive a sequence of elements associated with an object;
determine, for each element of the received sequence, a vector corresponding to said element by consulting the database;
determine a weighted sum of vectors from the determined vectors and temporal weighting coefficients respectively associated with the determined vectors, the weighted sum forming a resulting vector;
comparing the resulting vector with a reference vector corresponding to a reference object;
processing the object based on a comparison result between the resulting vector and the reference vector.
D’autres caractéristiques et avantages de l’invention apparaîtront à l’examen de la description détaillée ci-après, et des dessins annexés sur lesquels :Other characteristics and advantages of the invention will appear on examination of the detailed description below, and the appended drawings in which:
La
Le procédé comprend une phase préalable comprenant les étapes 100 à 102 décrites ci-après.The method comprises a preliminary phase comprising steps 100 to 102 described below.
A une étape 100, un corpus de données structurées est obtenu. Le corpus de données structurées peut notamment être stocké dans une première base de données. Aucune restriction n’est attachée à la nature des données structurées. Les données structurées peuvent être des séquences d’éléments, ou séquences de « tokens », la séquence représentant, ou étant associée à, un objet. Des exemples d’application du procédé à deux types de données structurées représentants deux objets différents, sont considérés dans ce qui suit, à titre illustratif uniquement :At a step 100, a corpus of structured data is obtained. The corpus of structured data can in particular be stored in a first database. No restrictions are attached to the nature of structured data. Structured data can be sequences of elements, or sequences of “tokens”, the sequence representing, or being associated with, an object. Examples of application of the method to two types of structured data representing two different objects are considered in the following, for illustrative purposes only:
- l’objet est un objet fabriqué, tel qu’un véhicule automobile par exemple, et chaque élément de la séquence correspond à une étape de sa fabrication. La séquence d’éléments associée à l’objet représente donc son procédé de fabrication ; ou- the object is a manufactured object, such as a motor vehicle for example, and each element of the sequence corresponds to a stage of its manufacture. The sequence of elements associated with the object therefore represents its manufacturing process; Or
- l’objet est associé à un individu et chaque élément de la séquence correspond à un poste/emploi occupé par l’individu dans la carrière de l’individu. La séquence d’éléments associé à l’individu représente donc sa carrière, comme une succession de postes occupés.- the object is associated with an individual and each element of the sequence corresponds to a position/job occupied by the individual in the individual's career. The sequence of elements associated with the individual therefore represents his career, as a succession of positions held.
Aucune restriction n’est par ailleurs attachée à la manière dont les données structurées du corpus sont obtenues. Le corpus peut notamment être enrichi en continu. Par exemple, les véhicules automobiles précédemment fabriqués par une entreprise peuvent constituer les données du corpus. Les données structurées correspondant à un véhicule nouvellement fabriqué peuvent être intégrées au corpus. Il en va de même lorsque l’objet correspond à une carrière d’un individu. Les carrières de l’ensemble des individus précédemment employés par une entreprise peuvent constituer le corpus.Furthermore, no restrictions are attached to the way in which the structured data in the corpus is obtained. The corpus can in particular be enriched continuously. For example, automobile vehicles previously manufactured by a company may constitute the corpus data. Structured data corresponding to a newly manufactured vehicle can be integrated into the corpus. The same applies when the object corresponds to an individual’s career. The careers of all individuals previously employed by a company can constitute the corpus.
A une étape 101, les éléments, ou tokens, des données du corpus sont soumis à un algorithme de plongement textuel afin de déterminer, pour chaque élément, un vecteur correspondant dans un espace à M dimensions. M peut par exemple être compris entre 20 et 100.At a step 101, the elements, or tokens, of the corpus data are subjected to a textual embedding algorithm in order to determine, for each element, a corresponding vector in an M-dimensional space. M can for example be between 20 and 100.
L’algorithme appliqué peut être un algorithme Word2Vec par exemple. Les méthodes de plongement textuel, ou « word embedding » en anglais, sont bien connues et ne sont pas décrites davantage dans la présente description.The algorithm applied can be a Word2Vec algorithm for example. Text embedding methods, or “word embedding” in English, are well known and are not described further in this description.
A une étape 102, des correspondances entre les éléments, ou tokens, et leurs vecteurs correspondants issus de l’étape 101, sont stockés en association, dans une deuxième base de données.At a step 102, correspondences between the elements, or tokens, and their corresponding vectors from step 101, are stored in association, in a second database.
La phase préalable s’achève à l’issue de l’étape 102.The preliminary phase ends at the end of step 102.
Une phase courante débute par l’étape 110.A current phase begins with step 110.
A l’étape 110, un ou plusieurs objets de référence sont définis en déterminant un vecteur de référence pour chaque objet de référence.In step 110, one or more reference objects are defined by determining a reference vector for each reference object.
Dans le premier exemple de la fabrication d’un objet tel qu’un véhicule automobile, un objet de référence est un véhicule précédemment fabriqué, via une succession de phases de fabrication, correspondant à la séquence d’éléments associés à cet objet. Le vecteur correspondant à chaque phase de fabrication peut être déterminé à partir des correspondances de la deuxième base de données, et un vecteur résultant de référence, appelé vecteur de référence, peut être défini à partir de tous les vecteurs associés aux phases de fabrication. Chaque vecteur associé à une phase de fabrication peut en outre être pondéré par un coefficient de pondération temporel déterminé à partir d’une durée de la phase de fabrication. Le vecteur de référence ainsi déterminé est associé au véhicule de référence. En outre, le véhicule de référence, qui est un véhicule précédemment fabriqué, peut être associé à une étiquette, ou label, indiquant notamment si le véhicule de référence est défaillant ou non défaillant. Dans cet exemple, plusieurs vecteurs de référence sont déterminés pour plusieurs véhicules de référence, certains des véhicules de référence étant labellisés défaillants tandis que d’autres véhicules de références sont labellisés comme non défaillants.In the first example of the manufacture of an object such as a motor vehicle, a reference object is a vehicle previously manufactured, via a succession of manufacturing phases, corresponding to the sequence of elements associated with this object. The vector corresponding to each manufacturing phase can be determined from the correspondences of the second database, and a resulting reference vector, called reference vector, can be defined from all the vectors associated with the manufacturing phases. Each vector associated with a manufacturing phase can also be weighted by a temporal weighting coefficient determined from a duration of the manufacturing phase. The reference vector thus determined is associated with the reference vehicle. In addition, the reference vehicle, which is a previously manufactured vehicle, can be associated with a label, or label, indicating in particular whether the reference vehicle is faulty or not faulty. In this example, several reference vectors are determined for several reference vehicles, some of the reference vehicles being labeled faulty while other reference vehicles are labeled as non-faulty.
Dans le deuxième exemple où l’objet est un individu associé à une séquence de postes occupés, l’objet de référence peut être un poste à pourvoir. Le poste à pourvoir correspond à un vecteur, dit vecteur de référence, dans la deuxième base de données. Dans cet exemple, un unique objet de référence associé à un unique vecteur de référence est considéré.In the second example where the object is an individual associated with a sequence of occupied positions, the reference object can be a position to be filled. The position to be filled corresponds to a vector, called a reference vector, in the second database. In this example, a single reference object associated with a single reference vector is considered.
A une étape 111, une première séquence d’éléments associée à un premier objet est reçue.At a step 111, a first sequence of elements associated with a first object is received.
Dans le premier exemple de la fabrication d’un objet tel qu’un véhicule automobile, le premier objet est un premier véhicule associé à une première succession de phases de fabrication.In the first example of the manufacture of an object such as a motor vehicle, the first object is a first vehicle associated with a first succession of manufacturing phases.
Dans le deuxième exemple, le premier objet est un premier candidat associé à une carrière correspondant à une succession de postes occupés. La première séquence comprend donc un élément pour chaque poste occupé.In the second example, the first object is a first candidate associated with a career corresponding to a succession of positions held. The first sequence therefore includes one element for each position occupied.
A une étape 112, pour chaque élément de la première séquence reçue, un vecteur correspondant à l’élément est obtenu par consultation de la deuxième base de données.At a step 112, for each element of the first sequence received, a vector corresponding to the element is obtained by consulting the second database.
Ainsi, dans le premier exemple, pour chaque phase de fabrication de la première succession, un vecteur correspondant est obtenu de la deuxième base de données.Thus, in the first example, for each manufacturing phase of the first succession, a corresponding vector is obtained from the second database.
Dans le deuxième exemple, pour chaque poste occupé par le candidat, un vecteur correspondant est obtenu de la deuxième base de données.In the second example, for each position occupied by the candidate, a corresponding vector is obtained from the second database.
A une étape 113, une première somme pondérée de vecteurs est déterminée à partir des vecteurs déterminés obtenus à l’étape 112 et à partir de coefficients de pondération temporels respectivement associés aux vecteurs obtenus, la somme pondérée formant un premier vecteur résultant.In a step 113, a first weighted sum of vectors is determined from the determined vectors obtained in step 112 and from temporal weighting coefficients respectively associated with the vectors obtained, the weighted sum forming a first resulting vector.
Les coefficients de pondération temporels peuvent être des données extrinsèques au corpus.The temporal weighting coefficients can be data extrinsic to the corpus.
En particulier, dans le premier exemple, chaque coefficient de pondération temporel est déterminé à partir d’une durée de la phase de fabrication de l’objet. Le coefficient de pondération temporel ainsi calculé puis utilisé pour pondérer le vecteur correspondant à cette phase. Le vecteur résultant attribué à l’objet est donc à la fois déterminé à partir des phases de fabrication successives de cet objet, mais également du temps passé sur chaque phase, ce qui améliore la précision associée au vecteur résultant.In particular, in the first example, each temporal weighting coefficient is determined from a duration of the manufacturing phase of the object. The temporal weighting coefficient thus calculated and then used to weight the vector corresponding to this phase. The resulting vector assigned to the object is therefore both determined from the successive manufacturing phases of this object, but also from the time spent on each phase, which improves the precision associated with the resulting vector.
Dans le deuxième exemple, chaque coefficient de pondération temporel est déterminé à partir d’une durée d’occupation d’un poste dans la carrière du candidat. Le coefficient de pondération temporel est ainsi calculé puis utilisé pour pondérer le vecteur correspondant à ce poste dans la carrière de l’individu. Le vecteur résultant attribué au candidat est donc à la fois déterminé à partir des postes successivement occupés dans la carrière du candidat, mais également de la période d’occupation de chaque poste, ce qui améliore la précision associée au vecteur résultant.In the second example, each time weighting coefficient is determined based on the duration of occupation of a position in the candidate's career. The temporal weighting coefficient is thus calculated and then used to weight the vector corresponding to this position in the individual's career. The resulting vector attributed to the candidate is therefore both determined from the positions successively occupied in the candidate's career, but also from the period of occupation of each position, which improves the precision associated with the resulting vector.
A une étape 114, il est déterminé si une deuxième séquence d’éléments associée à un deuxième objet est reçue.At a step 114, it is determined whether a second sequence of elements associated with a second object is received.
Si une deuxième séquence est bien reçue, le procédé retourne à l’étape 111 et les étapes 112 à 113 sont répétées afin de déterminer un deuxième vecteur résultant pour le deuxième objet.If a second sequence is received, the method returns to step 111 and steps 112 to 113 are repeated in order to determine a second resulting vector for the second object.
Les étapes 111 à 114 peuvent ainsi être mises en œuvre N fois, N étant supérieur ou égal à 1.Steps 111 to 114 can thus be implemented N times, N being greater than or equal to 1.
Dans le premier exemple, N correspond au nombre de véhicules fabriqués à comparer avec un ou plusieurs véhicules de références. N peut être égal à 1 dans le cas où un unique véhicule fabriqué est à comparer à un ou plusieurs véhicules de référence.In the first example, N corresponds to the number of vehicles manufactured to be compared with one or more reference vehicles. N can be equal to 1 in the case where a single manufactured vehicle is to be compared to one or more reference vehicles.
Dans le deuxième exemple, N correspond au nombre de candidats qui souhaitent accéder à un poste identifié par le vecteur de référence. N est ainsi de préférence supérieur ou égal à deux, de manière à pouvoir sélectionner le meilleur candidat, ou les meilleurs candidats, parmi les N candidats.In the second example, N corresponds to the number of candidates who wish to access a position identified by the reference vector. N is thus preferably greater than or equal to two, so as to be able to select the best candidate, or the best candidates, among the N candidates.
Ainsi, l’étape 114 consiste à comparer un indice d’itération i, initialisé à 1, avec le nombre N de séquences d’éléments reçues et correspondant à N objets à traiter.Thus, step 114 consists of comparing an iteration index i, initialized at 1, with the number N of sequences of elements received and corresponding to N objects to be processed.
Dans le cas où l’indice d’itération i est égal à N, le procédé passe à l’étape 116 décrite ci-après.In the case where the iteration index i is equal to N, the process proceeds to step 116 described below.
A l’étape 116, au moins le premier vecteur résultant déterminé à l’étape 113 est comparé avec le vecteur de référence, ou les vecteurs de référence, défini à l’étape 110.In step 116, at least the first resultant vector determined in step 113 is compared with the reference vector, or reference vectors, defined in step 110.
Une telle comparaison peut notamment consister à évaluer une distance entre le premier vecteur résultant et le vecteur de référence. Une telle distance peut par exemple être évaluée par une fonction de cosine similarité. Toutefois, aucune restriction n’est attachée à la fonction utilisée pour comparer le premier vecteur résultant et le vecteur de référence.Such a comparison may in particular consist of evaluating a distance between the first resulting vector and the reference vector. Such a distance can for example be evaluated by a cosine similarity function. However, no restrictions are attached to the function used to compare the first resulting vector and the reference vector.
Dans le premier exemple, le premier vecteur résultant correspondant à un véhicule fabriqué peut être comparé à un vecteur de référence correspondant à un véhicule précédemment fabriqué. De manière préférentielle pour le premier exemple, plusieurs vecteurs de référence sont déterminés à l’étape 110, et le premier vecteur résultant est comparé à plusieurs vecteurs de référence, notamment afin de déterminer le vecteur de référence le plus proche du premier vecteur résultant.In the first example, the first resulting vector corresponding to a manufactured vehicle can be compared to a reference vector corresponding to a previously manufactured vehicle. Preferably for the first example, several reference vectors are determined in step 110, and the first resulting vector is compared to several reference vectors, in particular in order to determine the reference vector closest to the first resulting vector.
Dans le deuxième exemple, le premier vecteur résultant correspondant à un premier candidat peut être comparé avec le vecteur de référence correspondant au poste à pourvoir. Ainsi, le deuxième exemple, si un seul poste est à pourvoir, un unique vecteur de référence est défini à l’étape 110. De manière préférentielle, au moins un deuxième vecteur résultant correspondant à un deuxième candidat a été déterminé à l’étape 113. L’étape 116 peut alors être mise en œuvre pour comparer chacun des vecteurs résultants des candidats avec le vecteur de référence du poste à pourvoir, afin de déterminer le vecteur résultant, ou les vecteurs résultants, le plus proche du vecteur de référence.In the second example, the first resulting vector corresponding to a first candidate can be compared with the reference vector corresponding to the position to be filled. Thus, the second example, if only one position is to be filled, a single reference vector is defined in step 110. Preferably, at least one second resulting vector corresponding to a second candidate has been determined in step 113 Step 116 can then be implemented to compare each of the resulting vectors of the candidates with the reference vector of the position to be filled, in order to determine the resulting vector, or the resulting vectors, closest to the reference vector.
A une étape 117, le premier objet est traité en fonction du résultat de comparaison entre le premier vecteur résultant et le vecteur de référence. Dans le cas où plusieurs vecteurs de référence ont été définis à l’étape 110, le premier objet est traité en fonction des résultats de comparaison avec les vecteurs de référence. Dans le cas où au moins un deuxième vecteur résultant pour un deuxième objet a été déterminé, le premier objet peut être traité en fonction du résultat de comparaison entre le premier vecteur résultant et le vecteur de référence d’une part, et du résultat de comparaison entre le deuxième vecteur résultant et le deuxième vecteur de référence d’autre part. En particulier, le premier objet peut être traité différemment selon que :At a step 117, the first object is processed according to the comparison result between the first resulting vector and the reference vector. In the case where several reference vectors have been defined in step 110, the first object is processed according to the comparison results with the reference vectors. In the case where at least one second resultant vector for a second object has been determined, the first object can be processed according to the comparison result between the first resultant vector and the reference vector on the one hand, and the comparison result between the second resultant vector and the second reference vector on the other hand. In particular, the first object can be treated differently depending on whether:
- le vecteur de référence est plus proche du premier vecteur résultant que du deuxième vecteur résultant ; ou que- the reference vector is closer to the first resulting vector than to the second resulting vector; or
- le vecteur de référence est plus proche du deuxième vecteur résultant que du premier vecteur résultant.- the reference vector is closer to the second resulting vector than to the first resulting vector.
Aucune restriction n’est attachée au traitement appliqué à l’objet, qui dépend de l’exemple considéré.No restriction is attached to the treatment applied to the object, which depends on the example considered.
Dans le premier exemple, le traitement du premier objet peut consister à appliquer une étiquette, ou label, égale à l’étiquette du vecteur de référence le plus proche du premier vecteur résultant. Ainsi, si le vecteur de référence le plus proche correspond à un véhicule de référence labellisé comme défaillant, le premier objet peut être labellisé comme défaillant. Le traitement du premier objet peut alors solliciter un traitement correctif, et peut comprendre la génération d’une alerte, l’envoi d’un message d’alerte à une unité de contrôle, ou l’enregistrement du label « défaillant » pour le premier objet dans une base de données. Un autre critère que la détermination du vecteur de référence le plus proche peut être utilisé pour attribuer un label au premier objet.In the first example, processing the first object may consist of applying a label, or label, equal to the label of the reference vector closest to the first resulting vector. Thus, if the closest reference vector corresponds to a reference vehicle labeled as faulty, the first object can be labeled as faulty. The processing of the first object may then request corrective processing, and may include the generation of an alert, the sending of an alert message to a control unit, or the recording of the "failing" label for the first object in a database. Another criterion than determining the closest reference vector can be used to assign a label to the first object.
A noter qu’en remplacement du vecteur de référence, des espaces de référence peuvent être définis, chaque espace correspondant à un label donné. La comparaison consiste alors à identifier l’espace de référence dans lequel se trouve le premier vecteur résultant, et à attribuer au premier objet le label associé à l’espace de référence identifié.Note that instead of the reference vector, reference spaces can be defined, each space corresponding to a given label. The comparison then consists of identifying the reference space in which the first resulting vector is located, and of assigning to the first object the label associated with the identified reference space.
Dans le deuxième exemple, si le premier vecteur résultant est suffisamment proche du vecteur de référence, la proximité pouvant être comparée à une distance seuil, alors le premier objet, c’est-à-dire le premier candidat, peut être retenu comme candidat potentiel. Le premier objet peut alors être associé dans une base de données avec un label indiquant que le candidat est sélectionné. En variante, la détermination d’une proximité suffisante n’est pas un critère absolu (la distance seuil) mais dépend de la proximité des autres vecteurs résultants avec le vecteur de référence. Ainsi, les K vecteurs résultants les plus proches du vecteur de référence peuvent être retenus comme candidats potentiels, K étant supérieur ou égal à 1, et inférieur au nombre N de candidats. Le traitement du premier candidat peut en outre comprendre l’envoi d’un message à une adresse de contact du premier candidat.In the second example, if the first resulting vector is sufficiently close to the reference vector, the proximity being able to be compared to a threshold distance, then the first object, that is to say the first candidate, can be retained as a potential candidate . The first object can then be associated in a database with a label indicating that the candidate is selected. Alternatively, the determination of sufficient proximity is not an absolute criterion (the threshold distance) but depends on the proximity of the other resulting vectors to the reference vector. Thus, the K resulting vectors closest to the reference vector can be retained as potential candidates, K being greater than or equal to 1, and less than the number N of candidates. Processing the first candidate may further include sending a message to a contact address of the first candidate.
Quel que soit le traitement appliqué au premier objet, la prise en compte des coefficients de pondération temporel permet d’améliorer la précision associée à la comparaison entre un objet et un objet de référence, améliorant ainsi le traitement appliqué à cet objet.Whatever the processing applied to the first object, taking into account the temporal weighting coefficients makes it possible to improve the precision associated with the comparison between an object and a reference object, thus improving the processing applied to this object.
La
Le système comprend une unité de traitement 201, tel qu’un processeur, apte à consulter une première base de données 202 afin de construire et d’enrichir une deuxième base de données 203.The system includes a processing unit 201, such as a processor, capable of consulting a first database 202 in order to construct and enrich a second database 203.
Comme précédemment expliqué, la première base de données 202 peut comprendre le corpus de données structurées. Les données structurées peuvent être des séquences d’éléments, ou séquences de « tokens », la séquence représentant un objet.As previously explained, the first database 202 can include the corpus of structured data. Structured data can be sequences of elements, or sequences of “tokens”, the sequence representing an object.
L’unité de traitement 201 est apte à mettre en œuvre les étapes 101 et 102 décrites précédemment afin d’enrichir la deuxième base de données 203. A cet effet, l’unité de traitement 201 peut être apte à exécuter des instructions stockées dans une mémoire pour la mise en œuvre des étapes 101 et 102. De manière alternative, l’unité de traitement 201 peut être un microcontrôleur conçu et configuré pour réaliser les étapes 101 et 102.The processing unit 201 is able to implement the steps 101 and 102 described previously in order to enrich the second database 203. For this purpose, the processing unit 201 can be able to execute instructions stored in a memory for the implementation of steps 101 and 102. Alternatively, the processing unit 201 can be a microcontroller designed and configured to carry out steps 101 and 102.
La
Le dispositif de traitement 300 comprend un processeur 301 configuré pour communiquer de manière unidirectionnelle ou bidirectionnelle, via un ou des bus ou via une connexion filaire directe, avec une mémoire 302 telle qu’une mémoire de type « Random Access Memory », RAM, ou une mémoire de type « Read Only Memory », ROM, ou tout autre type de mémoire (Flash, EEPROM, etc). En variante, la mémoire 402 comprend plusieurs mémoires des types précités.The processing device 300 comprises a processor 301 configured to communicate unidirectionally or bidirectionally, via one or more buses or via a direct wired connection, with a memory 302 such as a “Random Access Memory” type memory, RAM, or a “Read Only Memory” type memory, ROM, or any other type of memory (Flash, EEPROM, etc.). Alternatively, memory 402 includes several memories of the aforementioned types.
La mémoire 302 est apte à stocker, de manière permanente ou temporaire, au moins certaines des données utilisées et/ou issues de la mise en œuvre du procédé selon l’invention. En particulier, la mémoire 302 peut stocker de manière temporaire ou permanente le ou les vecteurs de référence, et optionnellement des labels ou étiquettes associés à ces vecteurs de référence.The memory 302 is capable of storing, permanently or temporarily, at least some of the data used and/or resulting from the implementation of the method according to the invention. In particular, the memory 302 can temporarily or permanently store the reference vector(s), and optionally labels or tags associated with these reference vectors.
Le processeur 301 est apte à mettre en œuvre les étapes 110 à 117 décrites plus haut.The processor 301 is capable of implementing steps 110 to 117 described above.
Le processeur 301 peut notamment être apte à exécuter des instructions, stockées dans la mémoire 402, pour la mise en œuvre des étapes 110 à 117 du procédé selon l’invention. De manière alternative, le processeur 402 peut être un microcontrôleur conçu et configuré pour réaliser les étapes 110 à 117 du procédé selon l’invention.The processor 301 may in particular be able to execute instructions, stored in the memory 402, for the implementation of steps 110 to 117 of the method according to the invention. Alternatively, the processor 402 can be a microcontroller designed and configured to carry out steps 110 to 117 of the method according to the invention.
Le dispositif de traitement 300 comprend une première interface 303 agencée pour recevoir les séquences d’éléments associés respectivement aux objets à traiter.The processing device 300 comprises a first interface 303 arranged to receive the sequences of elements associated respectively with the objects to be processed.
Le dispositif de traitement 300 peut comprendre en outre une deuxième interface 304 agencée pour transmettre une alerte ou une information à une entité externe, en fonction notamment du traitement appliqué à l’objet à l’étape 117. La deuxième interface 304 peut par exemple être une interface d’accès à un réseau étendu, permettant ainsi de joindre des entités distantes.The processing device 300 may further comprise a second interface 304 arranged to transmit an alert or information to an external entity, depending in particular on the processing applied to the object in step 117. The second interface 304 may for example be an access interface to an extended network, thus making it possible to reach remote entities.
Le dispositif de traitement 300 comprend en outre la deuxième base de données 203 pour la mise en œuvre des étapes 110 à 117 décrites précédemment.The processing device 300 further comprises the second database 203 for the implementation of steps 110 to 117 described above.
La présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d’exemples ; elle s’étend à d’autres variantes.
The present invention is not limited to the embodiments described above by way of examples; it extends to other variants.
Claims (9)
- stockage (102) de correspondances entre des éléments et des vecteurs dans une base de données (203);
- réception (111) d’une séquence d’éléments associée à un objet ;
- détermination (112), pour chaque élément de la séquence reçue, d’un vecteur correspondant audit élément par consultation de la base de données ;
- détermination (113) d’une somme pondérée de vecteurs à partir des vecteurs déterminés et de coefficients de pondération temporels respectivement associés aux vecteurs déterminés, la somme pondérée formant un vecteur résultant ;
- comparaison (116) du vecteur résultant avec un vecteur de référence correspondant à un objet de référence ;
- traitement (117) de l’objet en fonction d’un résultat de comparaison entre le vecteur résultant et le vecteur de référence.
- storing (102) correspondences between elements and vectors in a database (203);
- receiving (111) a sequence of elements associated with an object;
- determination (112), for each element of the received sequence, of a vector corresponding to said element by consulting the database;
- determining (113) a weighted sum of vectors from the determined vectors and temporal weighting coefficients respectively associated with the determined vectors, the weighted sum forming a resulting vector;
- comparing (116) the resulting vector with a reference vector corresponding to a reference object;
- processing (117) of the object based on a comparison result between the resulting vector and the reference vector.
une base de données (203) stockant des correspondances entre des éléments et des vecteurs dans une base de données;
un processeur (301) configuré pour
- recevoir une séquence d’éléments associée à un objet ;
- déterminer, pour chaque élément de la séquence reçue, un vecteur correspondant audit élément par consultation de la base de données ;
- déterminer une somme pondérée de vecteurs à partir des vecteurs déterminés et de coefficients de pondération temporels respectivement associés aux vecteurs déterminés, la somme pondérée formant un vecteur résultant ;
- comparer le vecteur résultant avec un vecteur de référence correspondant à un objet de référence ;
- traiter l’objet en fonction d’un résultat de comparaison entre le vecteur résultant et le vecteur de référence.
a database (203) storing correspondences between elements and vectors in a database;
a processor (301) configured to
- receive a sequence of elements associated with an object;
- determine, for each element of the received sequence, a vector corresponding to said element by consulting the database;
- determine a weighted sum of vectors from the determined vectors and temporal weighting coefficients respectively associated with the determined vectors, the weighted sum forming a resulting vector;
- comparing the resulting vector with a reference vector corresponding to a reference object;
- processing the object based on a comparison result between the resulting vector and the reference vector.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2200235A FR3131786A1 (en) | 2022-01-13 | 2022-01-13 | Processing of an object based on a comparison, by vector representation, with a reference object |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2200235 | 2022-01-13 | ||
| FR2200235A FR3131786A1 (en) | 2022-01-13 | 2022-01-13 | Processing of an object based on a comparison, by vector representation, with a reference object |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3131786A1 true FR3131786A1 (en) | 2023-07-14 |
Family
ID=82020207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2200235A Pending FR3131786A1 (en) | 2022-01-13 | 2022-01-13 | Processing of an object based on a comparison, by vector representation, with a reference object |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3131786A1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024414A1 (en) * | 2011-07-19 | 2013-01-24 | Smartsignal Corporation | System of Sequential Kernel Regression Modeling for Forecasting and Prognostics |
| EP3800560A1 (en) * | 2019-10-04 | 2021-04-07 | Janzz Ltd | Semantic matching system and method |
-
2022
- 2022-01-13 FR FR2200235A patent/FR3131786A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024414A1 (en) * | 2011-07-19 | 2013-01-24 | Smartsignal Corporation | System of Sequential Kernel Regression Modeling for Forecasting and Prognostics |
| EP3800560A1 (en) * | 2019-10-04 | 2021-04-07 | Janzz Ltd | Semantic matching system and method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200294063A1 (en) | Method and apparatus for transferring from robot customer service to human customer service | |
| CN109543516A (en) | Signing intention judgment method, device, computer equipment and storage medium | |
| EP2924609A1 (en) | Method for enrolment of data in a database for the protection of said data | |
| CN109460541A (en) | Lexical relation mask method, device, computer equipment and storage medium | |
| CN113379301A (en) | Method, device and equipment for classifying users through decision tree model | |
| CN113361646A (en) | Generalized zero sample image identification method and model based on semantic information retention | |
| FR3131786A1 (en) | Processing of an object based on a comparison, by vector representation, with a reference object | |
| CN111510566B (en) | Method and device for determining call label, computer equipment and storage medium | |
| CN112667792B (en) | Man-machine dialogue data processing method and device, computer equipment and storage medium | |
| CN113159901A (en) | Method and device for realizing financing lease service session | |
| CN116049411B (en) | Information matching method, device, equipment and readable storage medium | |
| CN110413750B (en) | Method and device for recalling standard questions according to user questions | |
| CN112749530B (en) | Text encoding method, apparatus, device and computer readable storage medium | |
| US20210233221A1 (en) | Image identification and retrieval for component fault analysis | |
| CN116340523B (en) | Session intention recognition method and device, computer equipment, storage medium and software | |
| CN112559724B (en) | Method and system for preventing malicious search chat robot vulnerability | |
| EP1554687B1 (en) | Fuzzy associative system for multimedia object description | |
| EP0568616A1 (en) | Vector-coded object recognition method | |
| KR102369418B1 (en) | Method for move and interior service and apparatus for performing the method | |
| CN116205376B (en) | Behavior prediction method, training method and device of behavior prediction model | |
| FR3128554A1 (en) | Method for detecting fraud in vehicle mileage by a neural network, and associated server | |
| CN117495393A (en) | Data processing method, device, electronic equipment and storage medium | |
| FR3128045A1 (en) | Method for managing a multitasking structure of a set of convolutional neural networks | |
| FR3123479A1 (en) | Device and method for processing a digital model of a system | |
| CN114676167A (en) | User persistence model training method, user persistence prediction method and device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230714 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |