FR3134912A1 - Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée - Google Patents
Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée Download PDFInfo
- Publication number
- FR3134912A1 FR3134912A1 FR2203892A FR2203892A FR3134912A1 FR 3134912 A1 FR3134912 A1 FR 3134912A1 FR 2203892 A FR2203892 A FR 2203892A FR 2203892 A FR2203892 A FR 2203892A FR 3134912 A1 FR3134912 A1 FR 3134912A1
- Authority
- FR
- France
- Prior art keywords
- data
- input data
- module
- criteria
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011161 development Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 230000001934 delay Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011058 failure modes and effects analysis Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 241000897276 Termes Species 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
La présente invention concerne un procédé et un dispositif de détermination de valeurs numériques (23) représentant des paramètres ou critères d’évaluation de données d’entrée (21). Une telle détermination est mise en œuvre dans un réseau de neurones (22). A cet effet, les données d’entrée (21) sont reçues depuis une mémoire. Ces données d’entrée représentent des cotations numériques de niveaux de conformité d’un ensemble de critères pour un développement d’un premier module de véhicule. Chaque valeur numérique est déterminée en alimentant un modèle de prédiction déterminé avec les données d’entrée (21). Un tel modèle de prédiction est appris dans une phase préalable d’apprentissage à partir de données d’apprentissages comprenant des données relatives à l’ensemble de critères pour le développement de deuxièmes modules similaires au premier module. Figure pour l’abrégé : Figure 2
Description
La présente invention concerne les procédés et dispositifs de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée. La présente invention concerne également un procédé et un dispositif de traitement de données pour l’évaluation d’une entité en charge de la fabrication ou du développement d’au moins une partie d’un véhicule.
Le développement et la fabrication d’un véhicule, par exemple un véhicule automobile, fait intervenir de nombreux acteurs.
Pour assurer une fabrication fiable et au coût maitrisé d’un véhicule, il est nécessaire de sélectionner ces acteurs sur des critères techniques objectifs en réduisant les erreurs liées notamment au jugement subjectif des personnes intervenant dans cette sélection.
Un objet de la présente invention est de résoudre au moins l’un des problèmes de l’arrière-plan technologique décrit précédemment.
Un autre objet de la présente invention est d’améliorer le développement et/ou la fabrication d’un véhicule.
Un autre objet de la présente invention est de réduire les coûts associés au développement et/ou à la fabrication d’au moins une partie d’un véhicule.
Selon un premier aspect, la présente invention concerne un procédé de détermination de valeurs numériques représentatives de paramètres d’évaluation de données d’entrée, le procédé étant mis en œuvre par au moins un processeur mettant en œuvre un réseau de neurones, le procédé comprenant les étapes suivantes :
- obtention des données d’entrée depuis une mémoire, les données étant représentatives de cotations numériques de niveaux de conformité d’un ensemble de critères pour un développement d’un premier module de véhicule ;
- détermination des valeurs numériques en alimentant un modèle de prédiction déterminé avec les données d’entrée,
le modèle de prédiction déterminé ayant été appris dans une phase dite d’apprentissage préalable à l’obtention des données d’entrée et à la détermination à partir de données d’apprentissages comprenant :
● des premières données représentatives de cotations numériques de niveaux de conformité de l’ensemble de critères pour un développement de chaque deuxième module d’un ensemble de deuxièmes modules de véhicule correspondant au premier module ;
● des deuxièmes données représentatives de cotation des paramètres d’évaluation associés aux premières données, les deuxièmes données étant obtenues lors d’une phase d’industrialisation de chaque deuxième module.
Le procédé selon la présente invention permet de prédire ou d’estimer des valeurs correspondant à un ensemble de paramètres d’évaluation de données d’entrées relatives au développement ou à l’industrialisation d’un véhicule ou d’une partie d’un véhicule par un acteur déterminé, par exemple un fournisseur, en se basant sur les expériences passées dans un tel développement ou une telle industrialisation. Un tel procédé permet le traitement et l’analyse de données d’entrées sans intervention humaine, pour notamment s’affranchir des erreurs d’interprétation ou de toute subjectivité.
Cela permet d’améliorer les processus de développement ou d’industrialisation d’éléments constituant un véhicule en sélectionnant les acteurs appropriés.
Selon une variante, le modèle de prédiction déterminé est sélectionné dans un ensemble de modèles de prédiction, le modèle de prédiction déterminé étant associé à un type de module de véhicule correspondant au type du premier module et de chaque deuxième module.
Selon une autre variante, le réseau de neurones correspond à un réseau de neurones à propagation avant.
Selon une variante supplémentaire, les paramètres d’évaluation comprennent 4 paramètres.
Selon encore une variante, les cotations numériques de niveaux de conformité correspondent chacune à une valeur comprise entre 0 et 1.
Selon une variante additionnelle, les cotations numériques de niveaux de conformité sont obtenues par traitement de données reçues en réponse à un ensemble de requêtes comprises dans une requête pour cotation transmise via une connexion filaire et/ou sans fil.
Selon un deuxième aspect, la présente invention concerne un dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée, le dispositif comprenant une mémoire associée à un processeur configuré pour la mise en œuvre des étapes du procédé selon le premier aspect de la présente invention.
Selon un troisième aspect, la présente invention concerne un système comprenant un dispositif tel que décrit ci-dessus selon le deuxième aspect de la présente invention et au moins une base de données reliée en communication au dispositif tel que décrit ci-dessus selon le deuxième aspect de la présente invention.
Selon un quatrième aspect, la présente invention concerne un programme d’ordinateur qui comporte des instructions adaptées pour l’exécution des étapes du procédé selon le premier aspect de la présente invention, ceci notamment lorsque le programme d’ordinateur est exécuté par au moins un processeur.
Un tel programme d’ordinateur peut utiliser n’importe quel langage de programmation, et être sous la forme d’un code source, d’un code objet, ou d’un code intermédiaire entre un code source et un code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
Selon un cinquième aspect, la présente invention concerne un support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions pour l’exécution des étapes du procédé selon le premier aspect de la présente invention.
D’une part, le support d’enregistrement peut être n'importe quel entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire ROM, un CD-ROM ou une mémoire ROM de type circuit microélectronique, ou encore un moyen d'enregistrement magnétique ou un disque dur.
D'autre part, ce support d’enregistrement peut également être un support transmissible tel qu'un signal électrique ou optique, un tel signal pouvant être acheminé via un câble électrique ou optique, par radio classique ou hertzienne ou par faisceau laser autodirigé ou par d'autres moyens. Le programme d’ordinateur selon la présente invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme d’ordinateur est incorporé, le circuit intégré étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
D’autres caractéristiques et avantages de la présente invention ressortiront de la description des exemples de réalisation particuliers et non limitatifs de la présente invention ci-après, en référence aux figures 1 à 4 annexées, sur lesquelles :
Un procédé et un dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée dans le cadre du développement ou de la fabrication d’un ou plusieurs modules de véhicule vont maintenant être décrits dans ce qui va suivre en référence conjointement aux figures 1 à 4. Des mêmes éléments sont identifiés avec des mêmes signes de référence tout au long de la description qui va suivre.
Selon un exemple particulier et non limitatif de réalisation de la présente invention, la détermination de valeurs numériques représentant des paramètres ou critères d’évaluation de données d’entrée, laquelle est mise en œuvre par un ou plusieurs processeurs mettant en œuvre un réseau de neurones, selon une méthode d’apprentissage, comprend l’obtention (c’est-à-dire par exemple la collecte ou la réception) des données d’entrée depuis une mémoire, par exemple une mémoire d’un dispositif configuré pour l’entrée et le stockage de telles données. Ces données d’entrée étant représentatives de cotations numériques de niveaux de conformité d’un ensemble de critères pour un développement d’un premier module de véhicule (par exemple une pièce d’un véhicule ou un module logiciel mettant en œuvre une fonction d’aide à la conduite). Chaque valeur numérique (par exemple comprise entre 0 et 1) est déterminée ou calculée en alimentant un modèle de prédiction déterminé avec les données d’entrée. Un tel modèle de prédiction est par exemple appris dans une phase préalable d’apprentissage à partir de données d’apprentissages qui comprennent des premières données et des deuxièmes données. Les premières données représentent avantageusement des valeurs numériques obtenues par la cotation de niveaux de conformité de l’ensemble de critères pour le développement de deuxièmes modules correspondant au premier module, c’est-à-dire des deuxièmes modules du même type que le premier module ou des deuxièmes modules appartenant à une famille de modules comprenant le premier module. Les deuxièmes données sont quant à elles représentatives de cotation des paramètres d’évaluation associés aux premières données, les deuxièmes données étant obtenues lors d’une phase d’industrialisation de chaque deuxième module.
La illustre schématiquement un système 10 ou une infrastructure pour le traitement de données, selon un exemple de réalisation particulier et non limitatif de la présente invention.
Le système 10 correspond à une infrastructure réseau comprenant un dispositif de calcul 110 correspondant par exemple à un ordinateur fixe ou portable ou à un dispositif de communication mobile. Un dispositif de communication mobile prend par exemple la forme d’une tablette ou d’un téléphone intelligent (de l’anglais « Smartphone »). Le dispositif de calcul 110 est avantageusement configuré pour le traitement de données et pour calculer des valeurs numériques à partir du ou des traitements opérés sur les données.
Un exemple d’architecture matérielle d’un tel dispositif de calcul 110 est illustré par la et décrit ci-dessous avec plus de détails en regard de la .
Le dispositif de calcul 110 correspond à un élément d’un réseau de communication, le dispositif de calcul 110 étant par exemple relié à un ou plusieurs serveurs 111 et/ou à une plusieurs bases de données 112 (par exemple par l’intermédiaire d’un ou plusieurs serveurs).
Le dispositif de calcul 110 est par exemple relié en communication au serveur 111 et/ou à la base de données 112 via une infrastructure de réseau de type « cloud » 100 (ou « nuage » en français).
Le dispositif de calcul 110 est par exemple relié au serveur 111 et/ou à la base de données via une liaison ou une connexion filaire (par exemple de type Ethernet), via une liaison ou une connexion sans fil (par exemple de type LTE (de l’anglais « Long-Term Evolution » ou en français « Evolution à long terme »), LTE avancé (u « LTE-Advanced » en anglais) ou Wifi®) ou par une combinaison de liaisons ou connexions filaires et sans fil.
Bien entendu, l’infrastructure réseau à laquelle appartient le dispositif de calcul 110 n’est pas limité à un tel exemple d’infrastructure de type « cloud » mais s’étend à tout type d’infrastructure réseau, par exemple une infrastructure de type réseau local.
Selon une variante de réalisation, la base de données hébergeant les données à traiter est comprise dans le dispositif de calcul et prend la forme d’une mémoire.
La base de données 112 est avantageusement configurée pour stocker ou héberger des données associées à des projets réalisés dans le passé et relatifs au développement ou à la fabrication de véhicules ou de parties de véhicules, par exemple des pièces d’un véhicule, des modules logiciel mettant en œuvre des fonctions d’aide à la conduite, par exemple des fonctions d’aide dans le cadre d’un ou plusieurs systèmes ADAS (de l’anglais « Advanced Driver-Assistance System » ou en français « Système d’aide à la conduite avancé »). La base de données 112 héberge ainsi un historique des données relatifs à la conduite de projet, de l’évaluation des réponses aux appels d’offre ou cahier des charges jusqu’au suivi de mise en œuvre du projet.
Ces données sont avantageusement utilisées pour l’apprentissage d’un ou plusieurs modèles de prédiction. Un modèle de prédiction appris est ensuite utilisé pour déterminer une valeur numérique (par exemple comprise entre 0 et 1) pour chaque paramètre d’évaluation d’un ensemble de paramètres d’évaluation d’un nouveau projet de développement ou de fabrication d’un élément ou module d’un véhicule, par exemple tel que décrit en regard de la .
Un modèle de prédiction est par exemple appris pour chaque type d’élément ou de module ou pour chaque famille d’éléments ou de modules. Une famille d’éléments regroupe par exemple un ensemble d’éléments assurant une même fonction, par exemple la famille « échangeur de chaleur » regroupe ou comprend les éléments suivants : condenseur, évaporateur, radiateur, refroidisseur de batterie.
Selon une variante de réalisation, un modèle de prédiction est en outre appris à partir de l’ensemble des données d’apprentissage, ce modèle étant commun à tous les projets ayant permis la collecte des données d’apprentissage.
Les données d’apprentissage sont par exemples regroupées (ou classifiées) par élément ou famille d’éléments, par fournisseur, par type de projet, et comprennent avantageusement :
- des premières données représentatives de cotations numériques de niveaux de conformité d’un ensemble de critères permettant d’évaluer la réponse d’un candidat à une requête de type RFQ (de l’anglais « Request for Quotation » ou en français « Requête pour cotation »), aussi appelée consultation. Une telle requête est par exemple générée par un constructeur automobile pour le développement d’un nouvel élément ou module d’un véhicule, une telle requête correspondant par exemple à un cahier des charges. Une telle requête comprend un ensemble de rubriques ou critères d’évaluation auxquelles un ou plusieurs candidats peuvent répondre pour tenter d’obtenir le projet, c’est-à-dire le développement ou la fabrication de l’objet du projet. Les réponses de chaque RFQ, c’est-à-dire les données contenues dans les dossiers de réponse, sont traitées et analysées et chaque rubrique ou critère est évalué. L’évaluation consiste à assigner une valeur numérique à chaque rubrique ou critère représentant le niveau de conformité de la réponse avec les attendus. Une telle valeur numérique est par exemple comprise entre 0 et 1, 1 étant la note maximale pour une réponse à un critère remplissant tous les attendus. Les critères ou rubriques sont par exemple pour une première partie relatifs à la solution technique proposée par chaque candidat et comprennent par exemple des rubriques telles que la fonction, la performance, l’opération, l’interface, les contraintes, l’intégration, la validation, la fiabilité, le planning, etc. Les critères ou rubriques sont par exemple pour une deuxième partie relatifs à l’industrialisation de la solution technique proposée d’évaluation et comprennent la communication avec fournisseur, qualité du projet management du fournisseur, la compétence de la fabrication et de la vérification, la qualité du contrôle du processus de la fabrication, FMEA (de l’anglais « Failure Mode and Effects Analysis » ou en français « Analyse des modes de défaillance et de leurs effets »), etc.
- des deuxièmes données représentatives de cotation des paramètres d’évaluation associés aux premières données, les deuxièmes données étant obtenues lors d’une phase d’industrialisation de chaque deuxième module. Pour une requête RFQ donnée (et pour les premières données associées à cette requête RFQ particulière), les deuxièmes données correspondent à l’évaluation de la conduite du projet par le candidat sélectionné (le candidat sélectionné correspond à celui ayant par exemple obtenu les meilleures cotations aux critères décrits ci-dessus relativement aux premières données, par exemple au candidat ayant obtenu la meilleure moyenne). Ces deuxièmes données correspondent par exemple à des valeurs numériques comprises entre 0 et 1 (1 étant la note la plus élevée). Selon un autre exemple, une partie des deuxièmes données correspondent à des valeurs comprises entre 0 et 1 et une autre partie à des valeurs numériques (réels ou entiers) supérieures à 0. Une cotation est calculée pour chaque paramètre d’évaluation d’un ensemble de paramètres, par exemple au nombre de 4 paramètres, avec : un premier paramètre représentatif de la qualité, un deuxième paramètre représentatif du coût (ou de l’augmentation du coût par rapport à un coût prévu en début de projet), un troisième paramètre représentatif du respect des délais (ou des retards par rapport aux délais initiaux prévus) et un quatrième paramètre représentatif de l’attention portée au client. La cotation de ces paramètres est par exemple déterminée ou calculée en fonction ces cotations étant obtenues ou calculées en fonction de données relatives aux causes de retards constatées et les valeurs temporelles de ces retards pour les différentes phases du projet, le nombre de modifications apportées pendant chaque phase du développement et pendant la vie série, l’augmentation du prix des pièces, les paiements additionnels pour le développements de produits ou d’outillage, le coût des vérifications additionnelles, la description, le nombre et le niveau des réclamations provenant des usines et des clients, le coût associé à ces réclamations, le délai de réaction du fournisseur aux réclamations, etc.
Le premier paramètre représentatif de qualité correspond par exemple au produit du niveau de réclamation et du coût associé à ces réclamations.
Le deuxième paramètre représentatif de coût correspond par exemple à la somme de l’augmentation du prix des pièces et de l’amortissement dû aux paiements additionnels pour l’outillage et la validation, divisée par le prix proposé dans la réponse à la requête RFQ. La valeur associée à ce deuxième paramètre est comprise entre 0 et 1.
Le troisième paramètre représentatif du respect des délais correspond par exemple au retard en nombre de jours par rapport à la durée proposée dans la réponse à la requête RFQ.
Le quatrième paramètre représentatif de l’attention portée au client correspond par exemple à la moyenne des cotations pour les aspects techniques du projet une fois réalisé.
L’apprentissage de chaque modèle de prédiction croise les premières données et les deuxièmes données. Une fois appris, un modèle de prédiction alimenté par un jeu de premières données (appelées données d’entrée) permet de prédire ou de sortir des valeurs associées à chacun des paramètres d’évaluation, ce qui permet d’évaluer une réponse à une requête RFQ à partir des données de cotation de chaque rubrique de la réponse à la requête RFQ reçue d’un candidat donné.
L’apprentissage de chaque modèle est obtenu par la mise en œuvre d’une méthode d’apprentissage automatique, dite aussi d’apprentissage machine (de l’anglais « machine learning »). Une telle méthode est connue de l’homme du métier et n’est en conséquence pas décrite avec détail dans la présente description.
L’apprentissage des paramètres du modèle est par exemple mis en œuvre par le serveur 111 ou par le dispositif de calcul 110, par exemple via un réseau de neurones.
L’apprentissage mis en œuvre correspond par exemple à un apprentissage non-supervisé à partir d’un ensemble de données d’apprentissages associées à l’évaluation de réponses à RFQ comprenant par exemple quelques dizaines, quelques centaines ou des milliers d’évaluations de réponses. Selon un autre exemple, l’apprentissage mis en œuvre correspond à un apprentissage supervisé à partir de l’ensemble des données d’apprentissage.
La illustre schématiquement l’utilisation d’un réseau de neurones 22 dans un processus de prédiction ou de détermination de valeurs numériques 23 représentatives de paramètres d’évaluation de données d’entrée 21, selon un exemple de réalisation particulier et non limitatif de la présente invention.
Dans une première opération du processus, des données d’entrée 21 sont obtenues ou reçues d’une mémoire. Ces données d’entrées 21 comprennent un ensemble de données 211 à 217 chacune représentative d’une cotation numérique, par exemple une valeur comprise entre 0 et 1, d’un niveau de conformité d’un critère ou d’une rubrique d’une réponse à une requête de type RFQ par exemple. Chaque données 211 à 217 est par exemple entrée dans un dispositif de calcul, par exemple le dispositif 110 via une interface homme-machine (par exemple un clavier). Chaque données 211 à 217 correspond par exemple à une note attribuée à chaque rubrique de la réponse d’un candidat à une requête qui lui a été transmise par tout moyen électronique connue de l’homme du métier. Ces données d’entrée sont similaires et comparables aux premières données des données d’apprentissage.
Ces données 211 à 217 sont par exemple stockées en mémoire du dispositif 110 et sont reçues par un ou plusieurs processeurs d’une unité de calcul (par exemple un CPU (de l’anglais « Central Processing Unit » ou en français « Unité de traitement centrale ») reliée en communication avec la mémoire.
Dans une deuxième opération, les données d’entrées 21 alimentent un réseau de neurones 22 exécutant ou mettant en œuvre un modèle de prédiction déterminé. Le modèle de prédiction correspond à un modèle appris à partir de données d’apprentissage tel que décrit par exemple en regard de la .
Un tel modèle de prédiction est par exemple sélectionné parmi une pluralité de modèles appris, par exemple en fonction de l’élément du véhicule faisant l’objet de la requête RFQ dont la réponse reçue a permis d’obtenir les données d’entrée 21. Le modèle de prédiction sélectionné correspond par exemple au modèle de la pluralité ayant été appris à partir de données d’apprentissage relatives à des éléments du véhicule du même type ou de la même famille que celui des données d’entrée 21.
Le réseau de neurones 22 comprend par exemple une plusieurs couches de neurones interconnectés entre eux, formant par exemple une partie densément connectée du réseau de neurone 22. Un tel réseau 22 correspond à un réseau de neurones à propagation avant (de l’anglais « feedforward neural network »), un tel réseau correspondant à un réseau de neurones artificiels acycliques. La partie densément connectée du réseau 22 met par exemple en œuvre une ou plusieurs couches de neurones densément connectées (ou entièrement connectés), tel qu’illustré par la , assurant la classification des données d’entrées selon par exemple un modèle de type MLP (de l’anglais « Multi Layers Perceptron » ou en français « Perceptrons multicouches »).
En sortie de la classification mise en œuvre par la partie densément connectée du réseau 22 sont obtenues un ensemble de valeurs numériques 23 correspondant chacune à un paramètre d’évaluation des données d’entrée 21, avec par exemple le premier paramètre représentatif de qualité 231, le deuxième paramètre représentatif de coût 232, le troisième paramètre représentatif du respect des délais 233 et le quatrième paramètre représentatif de l’attention portée au client 234.
Bien entendu le nombre de classes ou de paramètres d’évaluation en sortie du classificateur peut être différent de 4, par exemple égal à 3, 5, 8 ou 10.
Un tel processus permet d’évaluer automatiquement une réponse à une consultation ou à une requête RFQ en évitant certains biais comme cela peut être le cas lorsqu’une évaluation est effectuée par un être humain.
Selon une variante de réalisation, les données d’entrée 21 participent à l’apprentissage du modèle de prédiction utilisé, par exemple pour affiner les paramètres du modèle de prédiction.
La illustre schématiquement un dispositif 3 configuré pour prédire ou déterminer des valeurs numériques représentatives de paramètres d’évaluation de données d’entrée, selon un exemple de réalisation particulier et non limitatif de la présente invention. Le dispositif 3 correspond par exemple à un dispositif de calcul tel que le dispositif 110 de la ou le serveur 111 de la .
Le dispositif 3 est par exemple configuré pour la mise en œuvre des opérations décrites en regard des figures 1 et 2 et/ou des étapes du procédé décrit en regard de la . Des exemples d’un tel dispositif 3 comprennent, sans y être limités, un équipement électronique tels qu’un dispositif de calcul, un dispositif de traitement de données, un ordinateur, un serveur, une tablette, un téléphone intelligent. Les éléments du dispositif 3, individuellement ou en combinaison, peuvent être intégrés dans un unique circuit intégré, dans plusieurs circuits intégrés, et/ou dans des composants discrets. Le dispositif 3 peut être réalisé sous la forme de circuits électroniques ou de modules logiciels (ou informatiques) ou encore d’une combinaison de circuits électroniques et de modules logiciels.
Le dispositif 3 comprend un (ou plusieurs) processeur(s) 30 configurés pour exécuter des instructions pour la réalisation des étapes du procédé et/ou pour l’exécution des instructions du ou des logiciels embarqués dans le dispositif 3. Le processeur 30 peut inclure de la mémoire intégrée, une interface d’entrée/sortie, et différents circuits connus de l’homme du métier. Le dispositif 3 comprend en outre au moins une mémoire 31 correspondant par exemple à une mémoire volatile et/ou non volatile et/ou comprend un dispositif de stockage mémoire qui peut comprendre de la mémoire volatile et/ou non volatile, telle que EEPROM, ROM, PROM, RAM, DRAM, SRAM, flash, disque magnétique ou optique.
Le code informatique du ou des logiciels embarqués comprenant les instructions à charger et exécuter par le processeur est par exemple stocké sur la mémoire 31.
Selon différents exemples de réalisation particuliers et non limitatifs, le dispositif 3 est couplé en communication avec d’autres dispositifs ou systèmes similaires, par exemple par l’intermédiaire d’un bus de communication ou au travers de ports d’entrée / sortie dédiés.
Selon un exemple de réalisation particulier et non limitatif, le dispositif 3 comprend un bloc 43 d’éléments d’interface pour communiquer avec des dispositifs externes, par exemple un serveur distant ou le « cloud ». Les éléments d’interface du bloc 32 comprennent une ou plusieurs des interfaces suivantes :
- interface radiofréquence RF, par exemple de type Wi-Fi® (selon IEEE 802.11), par exemple dans les bandes de fréquence à 2,4 ou 5 GHz, ou de type Bluetooth® (selon IEEE 802.15.1), dans la bande de fréquence à 2,4 GHz, ou de type Sigfox utilisant une technologie radio UBN (de l’anglais Ultra Narrow Band, en français bande ultra étroite), ou LoRa dans la bande de fréquence 868 MHz, LTE (de l’anglais « Long-Term Evolution » ou en français « Evolution à long terme »), LTE-Advanced (ou en français LTE-avancé) ;
- interface USB (de l’anglais « Universal Serial Bus » ou « Bus Universel en Série » en français) ;
- interface HDMI (de l’anglais « High Definition Multimedia Interface », ou « Interface Multimedia Haute Definition » en français) ;
- interface LIN (de l’anglais « Local Interconnect Network », ou en français « Réseau interconnecté local »).
Selon un autre exemple de réalisation particulier et non limitatif, le dispositif 3 comprend une interface de communication 33 qui permet d’établir une communication avec d’autres dispositifs (tels que d’autres serveurs ou d’autres ordinateurs) via un canal de communication 330. L’interface de communication 33 correspond par exemple à un transmetteur configuré pour transmettre et recevoir des informations et/ou des données via le canal de communication 330. L’interface de communication 33 correspond par exemple à un réseau filaire de type Ethernet (standardisé par la norme ISO/IEC 802-3).
Selon un exemple de réalisation particulier et non limitatif, le dispositif 3 peut fournir des signaux de sortie à un ou plusieurs dispositifs externes, tels qu’un écran d’affichage 340, tactile ou non, un ou des haut-parleurs 350 et/ou d’autres périphériques 360 (système de projection) via respectivement des interfaces de sortie 34, 35 et 36. Selon une variante, l’un ou l’autre des dispositifs externes est intégré au dispositif 3.
La illustre un organigramme des différentes étapes d’un procédé de détermination de valeurs numériques représentatives de paramètres d’évaluation de données d’entrée, selon un exemple de réalisation particulier et non limitatif de la présente invention. Le procédé est par exemple mis en œuvre par un dispositif de calcul, par exemple par un ou plusieurs processeurs de ce dispositif.
Dans une première étape 41, des données d’entrée sont obtenues depuis une mémoire, les données étant représentatives de cotations numériques de niveaux de conformité d’un ensemble de critères pour un développement d’un premier module de véhicule.
Dans une deuxième étape 42, des valeurs numériques sont déterminées en alimentant un modèle de prédiction déterminé avec les données d’entrée, le modèle de prédiction étant mis en œuvre dans un réseau de neurones. Un tel modèle de prédiction déterminé a été appris dans une phase dite d’apprentissage préalable à l’obtention des données d’entrée et à la détermination à partir de données d’apprentissages comprenant :
● des premières données représentatives de cotations numériques de niveaux de conformité de l’ensemble de critères pour un développement de chaque deuxième module d’un ensemble de deuxièmes modules de véhicule correspondant au premier module ;
● des deuxièmes données représentatives de cotation des paramètres d’évaluation associés aux premières données, les deuxièmes données étant obtenues lors d’une phase d’industrialisation de chaque deuxième module.
Selon une variante, les variantes et exemples des opérations décrits en relation avec les figures 1 et 2 s’appliquent aux étapes du procédé de la .
Bien entendu, la présente invention ne se limite pas aux exemples de réalisation décrits ci-avant mais s’étend à un procédé de traitement de données d’entrée qui inclurait des étapes secondaires sans pour cela sortir de la portée de la présente invention. Il en serait de même d’un dispositif configuré pour la mise en œuvre d’un tel procédé.
La présente invention concerne également un dispositif de calcul, par exemple un ordinateur ou un dispositif de communication mobile correspondant par exemple au dispositif 3 de la .
La présente invention concerne également un système comprenant le dispositif 3 de la relié en communication avec une ou plusieurs bases de données 112.
Claims (10)
- Procédé de détermination de valeurs numériques représentatives de paramètres d’évaluation de données d’entrée (21), ledit procédé étant mis en œuvre par au moins un processeur mettant en œuvre un réseau de neurones (22), ledit procédé comprenant les étapes suivantes :
- obtention (41) desdites données d’entrée (21) depuis une mémoire, lesdites données étant représentatives de cotations numériques de niveaux de conformité d’un ensemble de critères pour un développement d’un premier module de véhicule ;
- détermination (42) desdites valeurs numériques (23) en alimentant un modèle de prédiction déterminé avec lesdites données d’entrée (21),
ledit modèle de prédiction déterminé ayant été appris dans une phase dite d’apprentissage préalable à ladite obtention (41) desdites données d’entrée (21) et à ladite détermination à partir de données d’apprentissages comprenant :
● des premières données représentatives de cotations numériques de niveaux de conformité dudit ensemble de critères pour un développement de chaque deuxième module d’un ensemble de deuxièmes modules de véhicule correspondant audit premier module ;
● des deuxièmes données représentatives de cotation desdits paramètres d’évaluation associés auxdites premières données, lesdites deuxièmes données étant obtenues lors d’une phase d’industrialisation dudit chaque deuxième module. - Procédé selon la revendication 1, pour lequel ledit modèle de prédiction déterminé est sélectionné dans un ensemble de modèles de prédiction, ledit modèle de prédiction déterminé étant associé à un type de module de véhicule correspondant au type du premier module et de chaque deuxième module.
- Procédé selon la revendication 1 ou 2, pour lequel ledit réseau de neurones (22) correspond à un réseau de neurones à propagation avant.
- Procédé selon l’une des revendications 1 à 3, pour lequel lesdits paramètres d’évaluation comprennent 4 paramètres.
- Procédé selon l’une des revendications 1 à 4, pour lequel lesdites cotations numériques de niveaux de conformité correspondent chacune à une valeur comprise entre 0 et 1.
- Procédé selon l’une des revendications 1 à 5, pour lequel lesdites cotations numériques de niveaux de conformité sont obtenues par traitement de données reçues en réponse à un ensemble de requêtes comprises dans une requête pour cotation transmise via une connexion filaire et/ou sans fil.
- Programme d’ordinateur comportant des instructions pour la mise en œuvre du procédé selon l’une quelconque des revendications précédentes, lorsque ces instructions sont exécutées par un processeur.
- Support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions pour l’exécution des étapes du procédé selon l’une des revendications 1 à 6.
- Dispositif (3) de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée, ledit dispositif (3) comprenant une mémoire (31) associée à au moins un processeur (30) configuré pour la mise en œuvre des étapes du procédé selon l’une quelconque des revendications 1 à 6.
- Système comprenant le dispositif (3) selon la revendication 9 et au moins une base de données reliée en communication audit dispositif (3).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2203892A FR3134912A1 (fr) | 2022-04-26 | 2022-04-26 | Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2203892 | 2022-04-26 | ||
| FR2203892A FR3134912A1 (fr) | 2022-04-26 | 2022-04-26 | Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3134912A1 true FR3134912A1 (fr) | 2023-10-27 |
Family
ID=82019547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2203892A Pending FR3134912A1 (fr) | 2022-04-26 | 2022-04-26 | Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3134912A1 (fr) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210216719A1 (en) * | 2020-01-13 | 2021-07-15 | International Business Machines Corporation | Machine-learning based processing and reporting of proposal data |
-
2022
- 2022-04-26 FR FR2203892A patent/FR3134912A1/fr active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210216719A1 (en) * | 2020-01-13 | 2021-07-15 | International Business Machines Corporation | Machine-learning based processing and reporting of proposal data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2678747B1 (fr) | Prévision d'opérations de maintenance sur un moteur d'aéronef | |
| CN112990972A (zh) | 一种基于异构图神经网络的推荐方法 | |
| US20070174094A1 (en) | Evaluating a subrogation potential of an insurance claim | |
| John et al. | Towards an AI‐driven business development framework: A multi‐case study | |
| CN113536097B (zh) | 基于自动特征分组的推荐方法及装置 | |
| FR2948209A1 (fr) | Simulation d'un agregat evolutif du monde reel, notamment pour gestion de risque | |
| US20240168808A1 (en) | Systems and methods of optimizing resource allocation using machine learning and predictive control | |
| FR3090926A1 (fr) | Procédé et système autoadaptatif d’agrégation de sources de données | |
| CN112633461A (zh) | 应用辅助系统和方法以及计算机可读记录介质 | |
| CN112200582A (zh) | 业务处理方法及装置 | |
| CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
| US11443386B2 (en) | Trust platform | |
| CN113486118A (zh) | 共识节点选取方法及装置 | |
| FR3134912A1 (fr) | Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée | |
| US20230394516A1 (en) | Federated learning marketplace | |
| FR3105863A1 (fr) | Procédé ET système de conception d’un modèle de prédiction | |
| US12106617B2 (en) | Method and system for auto generating automotive data quality marker | |
| CN114066655A (zh) | 预言机数据的聚合方法及装置 | |
| CN110087230B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| Huré | Numerical methods and deep learning for stochastic control problems and partial differential equations | |
| JP2021099781A (ja) | 人工知能学習データの生成のためのクラウドソーシング基盤プロジェクトの作業者及び検収者の増減運用方法 | |
| Moriah et al. | Measuring and Mitigating Biases in Motor Insurance Pricing | |
| FR3126519A1 (fr) | Procédé et dispositif d’identification de composants réparés dans un véhicule | |
| WO2023119671A1 (fr) | Procédé d'estimation, dispositif d'estimation et programme d'estimation | |
| FR3144886A1 (fr) | Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231027 |
|
| CD | Change of name or company name |
Owner name: STELLANTIS AUTO SAS, FR Effective date: 20240423 |