FR3141265A1 - Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule - Google Patents
Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule Download PDFInfo
- Publication number
- FR3141265A1 FR3141265A1 FR2210942A FR2210942A FR3141265A1 FR 3141265 A1 FR3141265 A1 FR 3141265A1 FR 2210942 A FR2210942 A FR 2210942A FR 2210942 A FR2210942 A FR 2210942A FR 3141265 A1 FR3141265 A1 FR 3141265A1
- Authority
- FR
- France
- Prior art keywords
- data
- vehicle
- classification
- information
- repair
- 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 61
- 230000008439 repair process Effects 0.000 title claims abstract description 38
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 25
- 238000003058 natural language processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 14
- 230000015556 catabolic process Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 4
- 230000014616 translation Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000001413 cellular effect Effects 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
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/012—Providing warranty services
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/014—Providing recall services for goods or products
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
Abstract
La présente invention concerne un procédé et un dispositif de classification d’une demande de prise en charge de réparation d’un élément de véhicule. A cet effet, les données de la demande sont traitées (212) pour être formatées. Des informations sont extraites et/ou générées (213) à partir de cette demande. Les données sont ensuite codées (214) dans un format déterminé pour alimenter un modèle de classification appris pour classification (215) de la demande de prise en charge. Figure pour l’abrégé : Figure 2
Description
La présente invention concerne les procédés et dispositifs de classification de données représentatives d’une demande de prise en charge de réparation d’un composant ou organe de véhicule, par exemple automobile. La présente invention concerne également un procédé et un dispositif de suivi de réparation d’un composant ou organe de véhicule.
Les véhicules contemporains sont formés d’un grand nombre de composants ou d’organes, chacun susceptible de panne ou de défaut.
Lorsqu’un utilisateur d’un véhicule est confronté à un défaut ou à une panne d’un ou plusieurs composants de son véhicule, ce dernier prend contact avec un centre spécialisé pour corriger le défaut ou réparer le véhicule. Lorsque le véhicule est sous garantie constructeur, la correction de certains défauts et la réparation de certaines pannes est prise en charge par le constructeur.
Pour obtenir la prise en charge des opérations de correction ou de réparation effectuées, le centre spécialisé transmet une requête ou demande de prise en charge des travaux effectués au constructeur du véhicule, une telle requête étant aussi appelée « demande de crédits ».
Pour assurer un bon traitement de ces demandes, une catégorie ou classe est associée à chaque demande reçue, ce qui permet par exemple de déterminer ou d’identifier quels organes d’un type de véhicule subissent le plus de panne pour ensuite apporter des correctifs ou lancer de nouveaux développements pour pallier les défauts ou pannes.
Une classification erronée entraine ainsi des problèmes dans le suivi des demandes de prise en charge et les corrections à apporter aux pannes ou défauts constatés. Les sources de classification erronée sont nombreuses et comprennent par exemple des problèmes de saisie par des opérateurs.
Résumé de la présente invention
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 la classification de demandes de prise en charge de réparation de composant de véhicule.
Selon un premier aspect, la présente invention concerne un procédé de classification de premières données représentatives d’une demande de prise en charge de réparation d’au moins un composant d’un premier véhicule, le procédé étant mis en œuvre par au moins un processeur, le procédé comprenant les étapes suivantes :
- réception des premières données ;
- traitement des premières données pour formater les premières données selon une structure déterminée ;
- extraction d’un premier ensemble d’informations déterminé des premières données formatées et génération d’un deuxième ensemble d’informations à partir de données d’utilisation du véhicule ;
- codage des premières et deuxièmes informations dans un format déterminé ;
- classification des premières données en alimentant un modèle de classification avec les premières et deuxièmes informations codées, le modèle de classification ayant été appris dans une phase d’apprentissage d’une méthode d’apprentissage machine ;
- validation d’un résultat de la classification à partir d’un ensemble de règles analytiques utilisant un ensemble de paramètres obtenus de bases de données stockant des données représentatives de défaut et/ou de processus de réparation de composant associées au véhicule ;
- transmission du résultat validé de la classification.
- réception des premières données ;
- traitement des premières données pour formater les premières données selon une structure déterminée ;
- extraction d’un premier ensemble d’informations déterminé des premières données formatées et génération d’un deuxième ensemble d’informations à partir de données d’utilisation du véhicule ;
- codage des premières et deuxièmes informations dans un format déterminé ;
- classification des premières données en alimentant un modèle de classification avec les premières et deuxièmes informations codées, le modèle de classification ayant été appris dans une phase d’apprentissage d’une méthode d’apprentissage machine ;
- validation d’un résultat de la classification à partir d’un ensemble de règles analytiques utilisant un ensemble de paramètres obtenus de bases de données stockant des données représentatives de défaut et/ou de processus de réparation de composant associées au véhicule ;
- transmission du résultat validé de la classification.
La classification des données à partir d’un modèle de classification appris selon une méthode d’apprentissage machine permet de réduire les erreurs associées au traitement manuel des demandes de prise en charge reçue, ce qui permet d’améliorer la classification de ces demandes de prise en charge.
Selon une variante, la phase d’apprentissage comprend les étapes suivantes :
- obtention, pour chaque deuxième véhicule d’un ensemble de deuxièmes véhicules, de deuxièmes données représentatives d’une demande de prise en charge de réparation d’au moins un composant de chaque deuxième véhicule, des troisièmes données représentatives d’une classe d’un ensemble de classes déterminé étant associées aux deuxièmes données ;
- traitement des deuxièmes données pour formater lesdites deuxièmes données selon ladite structure déterminée ;
- extraction d’un troisième ensemble d’informations déterminé des deuxièmes données formatées et génération d’un quatrième ensemble d’informations à partir de données d’utilisation de chaque deuxième véhicule ;
- codage des troisièmes et quatrièmes informations dans un format déterminé ;
- apprentissage du modèle de classification à partir des troisièmes et quatrièmes informations codées en relation avec les troisièmes données.
- obtention, pour chaque deuxième véhicule d’un ensemble de deuxièmes véhicules, de deuxièmes données représentatives d’une demande de prise en charge de réparation d’au moins un composant de chaque deuxième véhicule, des troisièmes données représentatives d’une classe d’un ensemble de classes déterminé étant associées aux deuxièmes données ;
- traitement des deuxièmes données pour formater lesdites deuxièmes données selon ladite structure déterminée ;
- extraction d’un troisième ensemble d’informations déterminé des deuxièmes données formatées et génération d’un quatrième ensemble d’informations à partir de données d’utilisation de chaque deuxième véhicule ;
- codage des troisièmes et quatrièmes informations dans un format déterminé ;
- apprentissage du modèle de classification à partir des troisièmes et quatrièmes informations codées en relation avec les troisièmes données.
Selon une autre variante, la phase d’apprentissage comprend en outre une étape de validation du modèle de classification à partir de quatrièmes données représentatives d’un ensemble de demandes de prise en charge de réparation d’au moins un composant de chaque troisième véhicule d’un ensemble de troisièmes véhicules, des cinquièmes données représentatives de classe de l’ensemble de classes déterminé étant associées aux quatrièmes données.
Selon une variante supplémentaire, la phase d’apprentissage comprend en outre une étape de génération de nouvelles données d’apprentissages pour enrichir les deuxièmes données associées à chaque classe d’au moins une partie de l’ensemble de classes, les nouvelles données étant générées à partir de données représentatives de commentaires associés aux demandes de prise en charge représentées par les deuxièmes données.
Selon encore une variante, le modèle de classification est en outre appris en fonction des premières et deuxièmes informations codées associées au résultat de la classification.
Selon une variante additionnelle, un type de composant est associé à chaque classe de l’ensemble de classes.
Selon une autre variante, le traitement des premières données comprend un traitement par méthode de traitement automatique de langage naturel.
Selon une variante supplémentaire, le au moins un processeur met en œuvre un réseau de neurones.
Selon un deuxième aspect, la présente invention concerne un dispositif de classification de données représentatives d’une demande de prise en charge de réparation d’au moins un composant de véhicule, 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 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 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 :
Description des exemples de réalisation
Un procédé et un dispositif de classification de données représentatives d’une demande de prise en charge de réparation d’au moins un composant 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.
La illustre schématiquement un système ou réseau 1 de communication de données, selon un exemple de réalisation particulier et non limitatif de la présente invention.
Le système 1 comprend par exemple un dispositif de traitement de données 10 de type ordinateur ou ordinateur portable. Selon une variante, le dispositif 10 correspond à un dispositif de communication mobile, par exemple un téléphone intelligent (de l’anglais « Smartphone ») ou une tablette.
Le dispositif 10 est relié en communication filaire et/ou sans fil à un ou plusieurs dispositifs distants 101, de tels dispositifs distants hébergeant des données de contenus numériques, par exemples des données de texte, des données de contenus vidéo, des données d’image, etc. Selon une variante, les données ou une partie de ces données sont stockées sur une ou plusieurs bases de données 102 reliées ou associées à un ou plusieurs dispositifs distants, par exemple via une connexion filaire de type Ethernet et/ou fibre optique.
L’infrastructure de communication reliant le dispositif 10, le ou les dispositifs distants 101 et/ou la ou les bases de données 102 correspond à une des infrastructures suivantes ou à une infrastructure combinant plusieurs des infrastructures suivantes :
- infrastructure d’un réseau de communication sans fil, par exemple un réseau cellulaire sans fil de type 4G ou 5G ou un réseau de type WLAN (de l’anglais « Wireless Local Area Network » ou en français « Réseau local sans fil ») ;
- infrastructure d’un réseau de communication filaire de type WAN (de l’anglais « Wide Area Network » ou en français « Réseau étendu ») ou LAN (de l’anglais « Local Area Network » ou en français « Réseau local ») ;
- infrastructure d’un réseau à fibre optique.
- infrastructure d’un réseau de communication sans fil, par exemple un réseau cellulaire sans fil de type 4G ou 5G ou un réseau de type WLAN (de l’anglais « Wireless Local Area Network » ou en français « Réseau local sans fil ») ;
- infrastructure d’un réseau de communication filaire de type WAN (de l’anglais « Wide Area Network » ou en français « Réseau étendu ») ou LAN (de l’anglais « Local Area Network » ou en français « Réseau local ») ;
- infrastructure d’un réseau à fibre optique.
Le ou les dispositifs distants correspondent par exemple à des serveurs, par exemple à un ou plusieurs serveurs d’un constructeur automobile et/ou un ou plusieurs serveurs ou ordinateurs de concessionnaires du constructeur automobile et/ou un ou plusieurs serveurs ou ordinateurs de prestataires du constructeur automobile. Le ou les dispositifs distants 101 et bases de données 102 appartiennent par exemple à un réseau public 100 (internet) et/ou à un ou plusieurs réseaux privés (intranet).
La illustre schématiquement un processus de classification de données représentatives d’une demande de prise en charge de réparation d’au moins un composant de véhicule, selon un exemple de réalisation particulier et non limitatif de la présente invention.
Le processus de la est par exemple mis en œuvre dans le système 1, et plus spécifiquement dans le dispositif de traitement de données 10, par exemple par un ou plusieurs processeurs de ce dispositif 10, ou par un dispositif de traitement de données de type serveur 101, par exemple par un ou plusieurs processeurs de ce dispositif 101. Un exemple de réalisation matérielle d’un tel dispositif est décrit en relation avec la ci-dessous.
Une demande de prise en charge de réparation d’au moins un composant de véhicule correspond à une demande de crédit, c’est-à-dire une demande de remboursement, transmise par exemple par un garagiste à un constructeur automobile, suite à des réparations effectuées sur un véhicule dont la garantie constructeur est active ou en cours.
La demande de prise en charge comprend un ensemble d’informations ou données entrées par le garagiste par le biais d’une ou plusieurs interfaces homme-machine d’un dispositif de traitement de données (par exemple un ordinateur, un téléphone intelligent (de l’anglais « smartphone ») ou une tablette).
Ces données ou informations sont par exemple éditées sous la forme d’un document ou fichier numérique comprenant des données textuelles décrivant les réparations effectuées sur un ou plusieurs composants ou organes du véhicule.
La demande de prise en charge est ensuite transmise électroniquement à destination d’un serveur ou ordinateur du constructeur automobile (par exemple via une messagerie de courriers électroniques) via le réseau 1 par exemple.
Un composant ou organe de véhicule correspond à tout élément ou système d’un véhicule, par exemple un élément du moteur, de la carrosserie, de la direction, de l’habitacle, du système électronique du véhicule.
Selon l’état de l’art, une telle demande de prise en charge est traitée par une personne au niveau du constructeur pour notamment associer une catégorie ou une classe à cette demande de prise en charge, par exemple pour en assurer un traitement particulier en fonction de la catégorie ou pour analyser de manière statistique l’ensemble de demandes de prises en charge reçues.
Il arrive que lors du traitement manuel une erreur de classification intervienne. Par exemple une demande de prise en charge concernant un composant de type système de climatisation peut être classifiée ou catégorisée avec la classe ou catégorie correspondant aux composants de type batterie ou phare.
Un processus de classification automatique d’une ou plusieurs demandes de prise en charge de réparation d’au moins un composant d’un premier véhicule reçues va être décrit ci-dessous. Un tel processus met avantageusement en œuvre une méthode d’apprentissage machine (de l’anglais « machine learning »), par exemple par un réseau de neurones.
Une classification automatique selon une méthode d’apprentissage machine permet d’éviter les problèmes de classification faite par une personne.
Le processus de classification ou de prédiction d’appartenance à une classe ou une catégorie parmi un ensemble de classes ou de catégories comprend avantageusement deux phases 20, 21, chacune de ces phases comprenant une ou plusieurs opérations.
La première phase 20 correspond à une phase dite d’apprentissage ou d’entrainement d’un ou plusieurs modèles de classification (aussi appelés modèles de prédiction) et la deuxième phase 21 correspond à une phase dite de production, de classification ou de prédiction basée sur le ou les modèles appris dans la phase d’apprentissage 20 et des données alimentant le ou les modèles appris.
La première phase 20 et la deuxième phase 21 sont par exemple mises en œuvre par le dispositif distant 101.
Selon une variante de réalisation, la première phase est mise en œuvre par le dispositif distant 101 (ou par un serveur hors « cloud », par exemple un serveur adapté pour faire l’apprentissage) et la deuxième phase 21 par le dispositif de traitement 10.
Selon une autre variante de réalisation, l’apprentissage est mis en œuvre dans la première phase 20 et les paramètres du ou des modèles de classification sont affinés en temps réel à partir des données et des résultats de la classification de ces données obtenues pendant la deuxième phase 21.
Phase d’apprentissage 20
L’apprentissage mis en œuvre dans la première phase 20 correspond avantageusement à un apprentissage supervisé à partir d’un ensemble de données associées à un ensemble de demandes de prise en charge associées à un ensemble ou groupe de deuxièmes véhicules. Un tel ensemble de demandes de prise en charge comprend par exemple quelques dizaines, quelques centaines, des milliers ou des dizaines/centaines de milliers de demandes de crédit avec pour chacune d’elle une classe ou catégorie associée. La classe ou catégorie associée à une demande de prise en charge est par exemple déterminée par la personne générant la demande de prise en charge, par exemple le garagiste ayant pris en charge le deuxième véhicule pour effectuer les réparations requises.
La classe associée à chaque demande de prise en charge reçue est par exemple vérifiée et éventuellement corrigée par une deuxième personne différente de celle ayant initialement associé la classe à la demande de prise en charge. Une telle vérification permet d’avoir un ensemble de données d’apprentissages, dites deuxièmes données, fiables et cohérentes.
Dans une première opération 201 de la phase d’apprentissage 20, le dispositif distant 101 collecte, obtient ou reçoit (par exemple d’une mémoire, d’une ou plusieurs bases de données et/ou d’autres dispositifs distants) pour chaque deuxième véhicule d’un ensemble de deuxièmes véhicules des deuxièmes données représentatives d’une demande de prise en charge de réparation d’au moins un composant de chaque deuxième véhicule, des troisièmes données représentatives d’une classe d’un ensemble de classes déterminé étant associées aux deuxièmes données. Les troisièmes données correspondent par exemple à un identifiant d’une classe parmi un ensemble d’identifiants déterminés chacun associé à une classe différente parmi un ensemble de classes déterminés. Chaque classe identifie par exemple un type de composant ou d’organe d’un véhicule.
Dans une deuxième opération 202 de la phase d’apprentissage 20, les deuxièmes données sont traitées pour être formatées selon un format ou une structure déterminée.
La deuxième opération 202 correspond ainsi par exemple à une étape de préparation des données pour homogénéiser les données de l’ensemble des demandes de prise en charge prise en compte pour la phase d’apprentissage 20. La préparation des données comprend par exemple des opérations de méthode de traitement automatique du langage naturel et/ou des opérations de traduction automatique du texte contenu dans les demandes de prise en charge vers une langue cible déterminée (par exemple l’anglais ou le français).
Une méthode de traitement automatique du langage naturel, dite NLP (de l’anglais « Natural Language Processing »), est connue de l’homme du métier et est par exemple mise en œuvre selon une méthode d’apprentissage automatique, par exemple mise en œuvre via un réseau de neurones.
Un exemple de traitement automatique du langage naturel est par exemple décrit dans « Traitement automatique de la langue naturelle et interprétation : contribution à l’élaboration d’un modèle informatique de la sémantique interprétative », publié par Ludovic Tanguy (Informatique et langage, Université de Rennes 1) en 1997.
Un traitement du texte selon une méthode NLP a pour objectif de préparer et homogénéiser les textes, par exemple pour un traitement ultérieur. Le traitement NLP identifie par exemple les éléments du texte correspondant aux verbes, adjectifs, aux termes ressortant le plus fréquemment. Le traitement NLP comprend par exemple des opérations de racinisation ou désuffixation (de l’anglais « stemming »), des opérations de lémmatisation, de suppression des mots d’arrêt (par exemple les mots de, des, une, …), de suppression des signes de ponctuation, séparation des commentaires, etc.
En sortie du ou des modèles de traitement NLP sont obtenus des textes préparés ou nettoyés pour les opérations suivantes, de tels textes étant stockés en mémoire (par exemple de manière temporaire) et associés aux textes traduits fournis en entrée du ou des modèles NLP.
Dans une troisième opération 203 optionnelle, des nouvelles données d’apprentissage sont générées automatiquement pour enrichir les deuxièmes données associées à chaque classe d’au moins une partie de l’ensemble de classes. Les nouvelles données sont par exemple générées à partir de données représentatives de commentaires associés aux demandes de prise en charge représentées par les deuxièmes données.
La génération des nouvelles données est par exemple obtenue par mise en œuvre d’une méthode dite d’augmentation des données (de l’anglais « data augmentation ») connue de l’homme du métier. Par exemple, une telle augmentation de données est mise en œuvre pour équilibrer les différentes classes entre elles, par exemple pour qu’à chaque classe soit associé un nombre comparable de demandes de prise en charge.
Ainsi, selon cet exemple, les classes ayant un nombre de demandes de prise en charge associées inférieur à un seuil (le seuil étant par exemple déterminé selon la moyenne de demandes de prise en charge associées à chaque classe, ou à la partie des classes comprenant le plus de demandes de prise en charge) étant enrichies par augmentation de données.
Une ou plusieurs méthodes d’augmentation sont mises en œuvre, par exemple :
- méthode dite d’échange aléatoire de charactère (de l’anglais « Character random swap ») qui permet de générer des fautes de frappes depuis un texte d’origine, par exemple le mot batterie détecté dans une demande de prise en charge génère le mot « batterei » ou encore l’expression « la batterie est en panne » génère l’expression « la batterei est en panen » ; et/ou
- méthode dite d’échange aléatoire de mot (de l’anglais « Word random swap ») qui permet de générer des phrases ou expressions dans lesquelles les mots sont inversés, par exemple « la batterie HV est en panne » génère « la HV batterie est en panne » avec HV signifiant « High Voltage » en anglais (soit « haute tension » en français) ; et/ou
- méthode dite de traduction inverse (de l’anglais « Back translation ») qui permet de générer de nouveaux textes traduits temporairement d’une langue vers une autre langue quelconque avant de traduire à nouveau de la langue quelconque vers la langue d’origine dans le but d’avoir de nouveaux termes issus des traductions, par exemple « Changement de batterie » traduit en anglais donne « Replacement of battery » qui retraduit en français donne « Remplacement de batterie » ; et/ou
- méthode par acronyme qui permet de générer de nouveaux textes en remplaçant les acronymes par leurs significations à partir d’un dictionnaire établi à l’avance, par exemple l’expression « Changement de HV batterie » génère « Changement de High Voltage batterie » ou encore l’expression « Réparation en 45min » génère « Réparation en quarante-cinq minutes ».
- méthode dite d’échange aléatoire de charactère (de l’anglais « Character random swap ») qui permet de générer des fautes de frappes depuis un texte d’origine, par exemple le mot batterie détecté dans une demande de prise en charge génère le mot « batterei » ou encore l’expression « la batterie est en panne » génère l’expression « la batterei est en panen » ; et/ou
- méthode dite d’échange aléatoire de mot (de l’anglais « Word random swap ») qui permet de générer des phrases ou expressions dans lesquelles les mots sont inversés, par exemple « la batterie HV est en panne » génère « la HV batterie est en panne » avec HV signifiant « High Voltage » en anglais (soit « haute tension » en français) ; et/ou
- méthode dite de traduction inverse (de l’anglais « Back translation ») qui permet de générer de nouveaux textes traduits temporairement d’une langue vers une autre langue quelconque avant de traduire à nouveau de la langue quelconque vers la langue d’origine dans le but d’avoir de nouveaux termes issus des traductions, par exemple « Changement de batterie » traduit en anglais donne « Replacement of battery » qui retraduit en français donne « Remplacement de batterie » ; et/ou
- méthode par acronyme qui permet de générer de nouveaux textes en remplaçant les acronymes par leurs significations à partir d’un dictionnaire établi à l’avance, par exemple l’expression « Changement de HV batterie » génère « Changement de High Voltage batterie » ou encore l’expression « Réparation en 45min » génère « Réparation en quarante-cinq minutes ».
Dans une quatrième opération 204, un ensemble d’informations est extrait des deuxièmes données, c’est-à-dire des textes correspondants aux demandes de prises en charge, et un autre ensemble d’informations est généré à partir de données d’utilisation des deuxièmes véhicules associées aux demandes de prise en charge.
Une telle opération est aussi appelée opération d’extraction de caractéristiques qui consiste à extraire des informations ou caractéristiques des demandes de prise en charge et à introduire de nouvelles informations ou données à partir d’autres informations contenues dans les demandes de prise en charge par analyse du texte et ou des caractéristiques extraites, par exemple l’ajout d’un niveau ou degré d’utilisation d’un véhicule, la création d’intervalles en fonctions des périodes de roulage du véhicule, etc.
Dans une cinquième opération 205, les données ou informations obtenues dans les opérations précédentes sont codées ou encodées dans un format déterminé de manière à ce que ces données puissent être interprétées par les algorithmes de l’apprentissage des coefficients ou paramètres du modèle de classification (ou modèle de prédiction).
Le codage des données est par exemple obtenu selon l’une et/ou l’autre des méthodes suivantes :
- méthode TD-IDF (de l’anglais « Term Frequency – Inverse Document Frequency » ou en français « Fréquence de termes – Fréquence de document inversée ») pour les données textuelles, une telle méthode étant utilisées dans les méthodes dites de fouille de textes pour évaluer l’importance d’un terme contenu dans un document ; et/ou
- méthode dite « One Hot Encoding » (ou en français « encodage 1 parmi n ») pour les données catégorielles, cette méthode consistant à encoder une variable à ‘n’ états sur ‘n’ bits dont un seul prend la valeur ‘1’, le numéro du bit valant ‘1’ étant le numéro de l’état pris par la variable, ‘n’ représentant le nombre de catégories (ou classes).
- méthode TD-IDF (de l’anglais « Term Frequency – Inverse Document Frequency » ou en français « Fréquence de termes – Fréquence de document inversée ») pour les données textuelles, une telle méthode étant utilisées dans les méthodes dites de fouille de textes pour évaluer l’importance d’un terme contenu dans un document ; et/ou
- méthode dite « One Hot Encoding » (ou en français « encodage 1 parmi n ») pour les données catégorielles, cette méthode consistant à encoder une variable à ‘n’ états sur ‘n’ bits dont un seul prend la valeur ‘1’, le numéro du bit valant ‘1’ étant le numéro de l’état pris par la variable, ‘n’ représentant le nombre de catégories (ou classes).
Dans une sixième opération 206, le modèle de classification est appris (ou entrainé, ou généré) selon toute méthode d’apprentissage connu, à partir des données d’apprentissage codées à l’opération 205 précédente, c’est-à-dire à partir des données obtenues ou extraites des deuxièmes données en relation avec les données de classification associées à ces deuxièmes données obtenues en entrée de la phase d’apprentissage.
Dans une septième opération 207 optionnelle, le modèle de classification appris est validé à partir de données représentatives d’un ensemble de demandes de prise en charge de réparation et des classes associées, ces données étant non utilisées pour l’apprentissage et dédiées à la validation, ces demandes de prise en charge étant par exemple associées à un ensemble de troisièmes véhicules, par exemple différent de l’ensemble de deuxièmes véhicules associés aux deuxièmes données d’apprentissage.
Dans une telle opération, les performances du modèle de classification appris sont vérifiées à partir d’un ensemble de données de validation non intégré dans les données d’apprentissage et à partir d’un ensemble de métriques (ou mesures) d’évaluation déterminées, ces métriques comprenant par exemple les métriques suivantes : métrique dite de PR-Curve (de l’anglais « Precision-Recall Curve » ou en français « Courbe précision-rappel ») et/ou métrique de spécificité et/ou métrique de précision et/ou métrique de rappel, etc.
Les paramètres ou coefficients du modèle de classification appris (et optionnellement validé) sont transmis au dispositif mettant en œuvre la phase de classification ou production 21 lorsque le dispositif mettant en œuvre la phase de classification 21 est différent du dispositif mettant en œuvre la phase d’apprentissage 20.
Phase de classification ou de production 21
Dans une première opération 211 de la phase de classification, le dispositif en charge de la phase de classification reçoit ou obtient des premières données représentatives d’une demande de prise en charge de réparation d’au moins un composant d’un premier véhicule.
Ces premières données sont par exemple reçues d’un dispositif de traitement de données mis en œuvre chez un garagiste ou réparateur de véhicule.
Selon une variante, ces premières données sont reçues d’un serveur 101, par exemple un serveur maintenu par le constructeur automobile.
Dans une deuxième opération 212 de la phase de classification 21, les premières données sont traitées pour être formatées selon un format ou une structure déterminée, par exemple un format ou une structure identique à celle utilisée dans la phase d’apprentissage 20.
La deuxième opération 212 correspond ainsi par exemple à une étape de préparation des données pour homogénéiser les premières données, tel que décrit en regard de la deuxième opération 202 de la phase d’apprentissage.
Dans une troisième opération optionnelle non illustrée, des nouvelles données d’apprentissage sont générées automatiquement pour enrichir les premières données tel que décrit dans la troisième opération 203 de la phase d’apprentissage 20.
Dans une quatrième opération 213, un ensemble d’informations est extrait des premières données, et un autre ensemble d’informations est généré à partir de données d’utilisation du premier véhicule associées à la demande de prise en charge représentée par les premières données.
Une telle opération est aussi appelée opération d’extraction de caractéristiques et est identique à celle décrite dans la quatrième opération 204 de la phase d’apprentissage 20.
Dans une cinquième opération 214, les données ou informations obtenues dans les opérations précédentes sont codées ou encodées dans un format déterminé correspondant à celui de la phase d’apprentissage 20 de manière à ce que ces données puissent être interprétées par le modèle de classification appris dans la phase d’apprentissage.
Le codage des données est par exemple obtenu selon l’une et/ou l’autre des méthodes décrites en regard de la cinquième opération 205 de la phase d’apprentissage 20.
Dans une sixième opération 215, les premières données sont classifiées en alimentant le modèle de classification appris avec les données codées.
Le résultat de la classification, c’est-à-dire une classe avec optionnellement un coefficient de prédiction (compris entre 0 et 1 par exemple) associé à la classe identifiée comme étant la classe la plus probable à laquelle doit être rattachée la demande de prise en charge, est validé à partir d’un ensemble de règles analytiques utilisant un ensemble de paramètres obtenus de bases de données 1101, 1102, 1103 stockant des données représentatives de défaut et/ou de processus de réparation de composant associées au premier véhicule.
Les sources 1101, 1102, 1103 de ces paramètres ou données de validation correspondent par exemple à :
- une base dans laquelle sont stockées des données de déclaration de faits ou motifs techniques pour assurer le suivi d’un problème technique sur un véhicule, depuis l’identification jusqu’à la résolution du problème ; et/ou
- une base dite TSB (de l’anglais « Technical Service Bulletin » ou en français « Bulletin de service technique » qui documentent les procédures recommandées pour la réparation des véhicules en fonction des problèmes ou pannes identifiées ; et/ou
- une base comprenant les codes défauts, aussi appelés code DTC (de l’anglais « Diagnostic Trouble Code » ou en français « Code défaut de diagnostic »).
- une base dans laquelle sont stockées des données de déclaration de faits ou motifs techniques pour assurer le suivi d’un problème technique sur un véhicule, depuis l’identification jusqu’à la résolution du problème ; et/ou
- une base dite TSB (de l’anglais « Technical Service Bulletin » ou en français « Bulletin de service technique » qui documentent les procédures recommandées pour la réparation des véhicules en fonction des problèmes ou pannes identifiées ; et/ou
- une base comprenant les codes défauts, aussi appelés code DTC (de l’anglais « Diagnostic Trouble Code » ou en français « Code défaut de diagnostic »).
Dans une septième opération 216, le résultat de la classification validé est transmis de manière électronique via un réseau de communication tel que le réseau 1, par exemple sous la forme d’un courrier électronique ou courriel, à destination d’une ou plusieurs personnes ou groupes de personnes identifiées et déterminées.
Le résultat de la classification est par exemple transmis à destination de la base de données stockant les données d’apprentissage avec les premières données ayant servi de données d’entrées pour obtenir le résultat de la classification.
Une telle transmission permet d’enrichir le contenu de la base d’apprentissage au fur et à mesure des classifications de demandes de prise en charge dans la phase de classification 21 (ou de production).
L’entrainement du modèle de classification est par exemple mis en œuvre à chaque réception de nouvelles données provenant de la phase de classification 21 ou lorsqu’un nombre de nouvelles données provenant de la phase de classification 21 ont été reçues.
Un tel processus dit de réapprentissage permet d’améliorer l’apprentissage en affinant les paramètres ou coefficients du modèle de classification au fur et à mesure de son utilisation en production.
Selon une variante, la base d’apprentissage est en outre enrichie à partir de résultat(s) de la classification de premières données validé(s) (et éventuellement corrigé(s)) par un des destinataires du résultat de la classification.
La illustre schématiquement un dispositif 3 configuré pour la classification de données représentatives d’une demande de prise en charge de réparation d’au moins un composant d’un véhicule, selon un exemple de réalisation particulier et non limitatif de la présente invention. Le dispositif 3 correspond par exemple au dispositif de traitement de données 10 ou au dispositif distant 101 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 ordinateur, un ordinateur portable, un téléphone intelligent, une tablette, un serveur. 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 un exemple de réalisation particulier et non limitatif, le dispositif 3 comprend un bloc 32 d’éléments d’interface pour communiquer avec des dispositifs externes, par exemple un ou plusieurs serveurs distants. 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 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).
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 ordinateurs ou serveurs) 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 (par exemple un actionneur haptique) 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 classification de premières données représentatives d’une demande de prise en charge de réparation d’au moins un composant d’un véhicule, 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 traitement 10 ou 101 d’un système de communication ou par le dispositif 3 de la .
Dans une première étape 41, les premières données sont reçues.
Dans une deuxième étape 42, les premières données sont traitées pour être formatées selon une structure déterminée.
Dans une troisième étape 43, un premier ensemble d’informations déterminé est extrait des premières données formatées et un deuxième ensemble d’informations est généré à partir de données d’utilisation du véhicule.
Dans une quatrième étape 44, les premières et deuxièmes informations sont codées dans un format déterminé.
Dans une cinquième étape 45, les premières données sont classifiées en alimentant un modèle de classification avec les premières et deuxièmes informations codées, le modèle de classification ayant été appris dans une phase d’apprentissage d’une méthode d’apprentissage machine.
Dans une sixième étape 46, le résultat de la classification est validé à partir d’un ensemble de règles analytiques utilisant un ensemble de paramètres obtenus de bases de données stockant des données représentatives de défaut et/ou de processus de réparation de composant associées au véhicule.
Dans une septième étape 47, le résultat validé de la classification est transmis électroniquement à un ou plusieurs destinataires.
Selon une variante, les variantes et exemples des opérations décrits en relation avec la ou 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 d’apprentissage d’un modèle de classification de données de demandes de prise en charge de réparation d’éléments de véhicules 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.
Claims (10)
- Procédé de classification de premières données représentatives d’une demande de prise en charge de réparation d’au moins un composant d’un premier véhicule, ledit procédé étant mis en œuvre par au moins un processeur, ledit procédé comprenant les étapes suivantes :
- réception (41 ; 211) desdites premières données ;
- traitement (42 ; 212) desdites premières données pour formater lesdites premières données selon une structure déterminée ;
- extraction (43 ; 213) d’un premier ensemble d’informations déterminé desdites premières données formatées et génération d’un deuxième ensemble d’informations à partir de données d’utilisation dudit premier véhicule ;
- codage (44 ; 214) desdites premières et deuxièmes informations dans un format déterminé ;
- classification (45 ; 215) desdites premières données en alimentant un modèle de classification avec lesdites premières et deuxièmes informations codées, ledit modèle de classification ayant été appris dans une phase d’apprentissage (20) d’une méthode d’apprentissage machine ;
- validation (46 ; 216) d’un résultat de ladite classification à partir d’un ensemble de règles analytiques utilisant un ensemble de paramètres obtenus de bases de données (2101, 2102, 2103) stockant des données représentatives de défaut et/ou de processus de réparation de composant associées audit premier véhicule ;
- transmission (47 ; 217) électronique du résultat validé de ladite classification (45 ; 215). - Procédé selon la revendication 1, pour lequel ladite phase d’apprentissage (20) comprend les étapes suivantes :
- obtention (201), pour chaque deuxième véhicule d’un ensemble de deuxièmes véhicules, de deuxièmes données représentatives d’une demande de prise en charge de réparation d’au moins un composant dudit chaque deuxième véhicule, des troisièmes données représentatives d’une classe d’un ensemble de classes déterminé étant associées auxdites deuxièmes données ;
- traitement (202) desdites deuxièmes données pour formater lesdites deuxièmes données selon ladite structure déterminée ;
- extraction (204) d’un troisième ensemble d’informations déterminé desdites deuxièmes données formatées et génération d’un quatrième ensemble d’informations à partir de données d’utilisation dudit chaque deuxième véhicule ;
- codage (205) desdites troisièmes et quatrièmes informations dans un format déterminé ;
- apprentissage (206) dudit modèle de classification à partir desdites troisièmes et quatrièmes informations codées en relation avec lesdites troisièmes données. - Procédé selon la revendication 2, pour lequel ladite phase d’apprentissage (20) comprend en outre une étape de validation (207) dudit modèle de classification à partir de quatrièmes données représentatives d’un ensemble de demandes de prise en charge de réparation d’au moins un composant de chaque troisième véhicule d’un ensemble de troisièmes véhicules, des cinquièmes données représentatives de classe dudit ensemble de classes déterminé étant associées auxdites quatrièmes données.
- Procédé selon la revendication 2 ou 3, pour lequel ladite phase d’apprentissage (20) comprend en outre une étape de génération (203) de nouvelles données d’apprentissages pour enrichir les deuxièmes données associées à chaque classe d’au moins une partie dudit ensemble de classes, lesdites nouvelles données étant générées à partir de données représentatives de commentaires associés auxdites demandes de prise en charge représentées par lesdites deuxièmes données.
- Procédé selon l’une des revendications 2 à 4, pour lequel ledit modèle de classification est en outre appris en fonction desdites premières et deuxièmes informations codées associées audit résultat de la classification.
- Procédé selon l’une des revendications 1 à 5, pour lequel un type de composant est associé à chaque classe dudit ensemble de classes.
- Procédé selon l’une des revendications 1 à 6, pour lequel ledit traitement desdites premières données comprend un traitement par méthode de traitement automatique de langage naturel.
- Procédé selon l’une des revendications 1 à 7, pour lequel ledit au moins un processeur met en œuvre un réseau de neurones.
- 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.
- Dispositif (3) de classification de premières données représentatives d’une demande de prise en charge de réparation d’au moins un composant de véhicule, le 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 8.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2210942A FR3141265A1 (fr) | 2022-10-21 | 2022-10-21 | Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2210942A FR3141265A1 (fr) | 2022-10-21 | 2022-10-21 | Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule |
| FR2210942 | 2022-10-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3141265A1 true FR3141265A1 (fr) | 2024-04-26 |
Family
ID=84488331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2210942A Pending FR3141265A1 (fr) | 2022-10-21 | 2022-10-21 | Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3141265A1 (fr) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9672497B1 (en) * | 2013-11-04 | 2017-06-06 | Snap-On Incorporated | Methods and systems for using natural language processing and machine-learning to produce vehicle-service content |
| US20170372231A1 (en) * | 2016-06-23 | 2017-12-28 | Accenture Global Solutions Limited | Learning based routing of service requests |
-
2022
- 2022-10-21 FR FR2210942A patent/FR3141265A1/fr active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9672497B1 (en) * | 2013-11-04 | 2017-06-06 | Snap-On Incorporated | Methods and systems for using natural language processing and machine-learning to produce vehicle-service content |
| US20170372231A1 (en) * | 2016-06-23 | 2017-12-28 | Accenture Global Solutions Limited | Learning based routing of service requests |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111858242B (zh) | 一种系统日志异常检测方法、装置及电子设备和存储介质 | |
| CN108682420B (zh) | 一种音视频通话方言识别方法及终端设备 | |
| CN110046254B (zh) | 用于生成模型的方法和装置 | |
| CN109919252B (zh) | 利用少数标注图像生成分类器的方法 | |
| CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
| WO2016075409A1 (fr) | Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné | |
| CN113900935A (zh) | 一种缺陷自动识别方法、装置、计算机设备及存储介质 | |
| FR3141265A1 (fr) | Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule | |
| CN117688158A (zh) | 奖励模型的训练方法、答案评价方法、装置和设备 | |
| CN115859128B (zh) | 一种基于档案数据交互相似度的分析方法和系统 | |
| CN115982965A (zh) | 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 | |
| EP3846047A1 (fr) | Procédé et système d'identification de variables pertinentes | |
| WO2007051940A1 (fr) | Procede et dispositif de calcul de mesure de similarite entre une representation d'un segment audio de reference et une representation d'un segment audio a tester et procede et dispositif de suivi d'un locuteur de reference | |
| FR3102603A1 (fr) | Procédé et dispositif d’évaluation d’un système de reconnaissance vocale | |
| WO2023119671A1 (fr) | Procédé d'estimation, dispositif d'estimation et programme d'estimation | |
| CN117436551B (zh) | 一种智能客服模型的训练方法和系统 | |
| CN113837118B (zh) | 文本变异关系的获取方法和装置 | |
| EP3552155A1 (fr) | Procede et dispositif d'obtention d'un systeme de labellisation d'images | |
| CN111476281B (zh) | 一种信息流行度预测方法和装置 | |
| FR3134912A1 (fr) | Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée | |
| CN112015858B (zh) | 信息的检测方法、设备及存储介质 | |
| FR3118527A1 (fr) | Procédé de compréhension automatique d’expressions en langage naturel, et dispositif de compréhension associé | |
| FR2970796A1 (fr) | Procede de traitement de messages de pannes generes dans un appareil a systemes complexes | |
| CN118116410A (zh) | 一种坐席通话语音感情分析方法及装置 | |
| CN116821345A (zh) | 客服会话异常检测方法、系统、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20240426 |