WO2017103116A1 - Procede et calculateur d'analyse predictive - Google Patents

Procede et calculateur d'analyse predictive Download PDF

Info

Publication number
WO2017103116A1
WO2017103116A1 PCT/EP2016/081439 EP2016081439W WO2017103116A1 WO 2017103116 A1 WO2017103116 A1 WO 2017103116A1 EP 2016081439 W EP2016081439 W EP 2016081439W WO 2017103116 A1 WO2017103116 A1 WO 2017103116A1
Authority
WO
WIPO (PCT)
Prior art keywords
predictive
memory block
memory
predictive model
scores
Prior art date
Application number
PCT/EP2016/081439
Other languages
English (en)
Inventor
Bastien Murzeau
Jean-Louis Fuccellaro
Original Assignee
Predicsis
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Predicsis filed Critical Predicsis
Publication of WO2017103116A1 publication Critical patent/WO2017103116A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to the field of prediction and more particularly relates to a method and a predictive analysis calculator for calculating predictive scores from a plurality of predictive models.
  • the invention is particularly applicable to the simultaneous prediction of a plurality of predictive scores from a plurality of data of different nature and type.
  • Such a model is a mathematical algorithm coded in the form of a computer program, implemented by a calculator, which outputs the most likely event (s) to occur from predictive assumptions relating to a context. or a predetermined environment. Such events are known in a known manner as "predictive scores".
  • Such a predictive model can be generated from a set of data called learning data and, once the predictive model generated, the model is used on one or more sets of data called sources to calculate predictive scores.
  • a set of source data may include data relating to users, machine data, meteorological data, etc.
  • the use of a plurality of computers makes it possible to perform a plurality of predictions in parallel but is particularly expensive and requires each computer to be controlled independently of the others, which has significant disadvantages.
  • the use of a single calculator has the advantage of being inexpensive and not require a centralized processing command but is particularly time-consuming and especially as the number of predictive models to implement increases, which has other disadvantages.
  • it is not possible to make predictions in parallel which has a major drawback.
  • the temporary generation files of the models or the sets of predictive scores obtained for each model can be mixed between the models, which causes errors of execution respectively. predictive models or interpretation of predictions.
  • the training data, the source data, the intermediate files used by the different predictive models and the sets of predictive scores obtained being stored in the same memory block can be mixed by the computer, which leads to the generation of erroneous predictive models or incorrect predictions and thus presents another major drawback.
  • the object of the invention is to provide a simple, reliable and efficient solution for simultaneously implementing a plurality of predictive models on a single computer.
  • the invention firstly relates to a predictive analysis method for calculating predictive scores from a plurality of predictive models, said method being implemented by a calculator comprising a memory zone, a prediction agent and a processing module, said method comprising the steps of:
  • the method according to the invention therefore advantageously makes it possible to simultaneously implement a plurality of predictive models on the same computer by isolating resources from said computer to generate and use each model without mixing their respective files and data sets and scores.
  • predictive scores is meant the most likely event or events to occur from predictive assumptions relating to a predetermined context or environment.
  • the calculation of the set of predictive scores is performed simultaneously by all the predictive models generated, which allows to quickly obtain a plurality of sets of predictive scores.
  • the method comprises a step of storing the predictive model generated in the memory block associated with said predictive model, in particular so as to reuse it later, for example with other sets of source data.
  • the generation of a predictive model in each memory block can be performed simultaneously or at different times of the generation of the other predictive models of the other memory blocks.
  • the method comprises, between the definition step and the generation step, a step of creation, by the processing module, in each defined memory block, of a container able to isolate, in terms of resources the calculator, said memory block defined other memory blocks so that the predictive model is generated in said container and the set of predictive scores is calculated in said container.
  • a container is an efficient, reliable and easy way to isolate predictive models from each other in terms of computer resources.
  • the definition of the separate memory blocks may consist of a memory allocation, for example by the processing module, or a memory reservation, for example by each container.
  • the method comprises a step of storing the set of predictive scores calculated in the corresponding memory block in order to find it easily and to prevent it from being mixed with other sets of predictive scores calculated by other models. predictive in the other memory blocks.
  • the invention also relates to a data carrier for a computer program comprising instructions for implementing the method according to one of the preceding claims when the program is executed by at least one processor.
  • the invention also relates to a predictive analysis calculator for calculating predictive scores from a plurality of predictive models, said calculator comprising: a memory zone comprising a plurality of memory blocks, each memory block being able to store a set training data, a predictive model, temporary generation files of said predictive model, at least one set of source data and at least one set of predictive scores calculated by the predictive model from said set of source data; prediction configured to generate a plurality of predictive models from a plurality of sets of training data, each predictive model being adapted to compute at least one predictive score from a set of source data,
  • a processing module configured for:
  • the processing module is configured to execute the instructions and process the data of each generated predictive model in each memory block defined from a set of source data stored in said memory block in order to calculate a plurality of sets of predictive scores simultaneously.
  • the calculation of the set of predictive scores can be advantageously performed simultaneously by all the predictive models generated.
  • the processing module is configured to create, in each defined memory block, a container able to isolate, in terms of the resources of the computer, said defined memory block from the other memory blocks so that the predictive model is generated in said memory block. container and the set of predictive scores is calculated in said container.
  • the processing module is configured to store a predictive model generated in the memory block associated with said predictive model.
  • the processing module is configured to store a set of calculated predictive scores, preferably in the corresponding memory block.
  • FIG. 1 schematically illustrates an embodiment of the system according to the invention.
  • FIG. 2 schematically illustrates an embodiment of a first method according to the invention.
  • the system according to the invention will be presented with reference to FIG. 1.
  • the predictive analysis computer 1 makes it possible to simultaneously implement a plurality of predictive models 120-1, 120-n used to calculate predictive scores.
  • the computer 1 comprises a memory zone 10, a prediction agent 20 and a processing module 30.
  • the memory zone 10, a prediction agent 20 and a processing module 30 are implemented by the same physical entity, but it goes without saying that they could be implemented by separate physical entities connected remotely via a communication link, for example IP type via the Internet in a cloud type architecture known to those skilled in the art.
  • the memory zone 10 is divisible into a plurality of memory blocks 10-1, 10-2, 10-n (where n is a natural integer greater than or equal to 2).
  • memory blocks 10-1, 10-2, 10-n can be defined in the memory zone 10.
  • This definition can consist of a memory block allocation, for example by the processing module, or else in a memory block reservation, for example by a container 100-1, 100-2, 100-n, as will be described below.
  • Each memory block 10-1, 10-2, 10-n is able to store a set of training data 110-1, 110-n, a predictive model 120-1, 120-n, temporary files 130-1. , 130-n of generating said predictive model 120-1, 120-n, at least one set of source data 140-1, 140-n and at least one set of predictive scores 150-1, 150-n generated by the model predictive 120-1, 120-n from said source data set 140-1, 140-n.
  • the generation of a predictive model 120-1, 120-n is performed from a set of data called "learning data" 110-1, 110-n.
  • learning data the training data 110-1, 110-n allow the initialization of the predictive model.
  • the predictive model 120-1, 120-n uses as input a set of data called "source data" 140-1, 140-n to compute the output of scores predictive 150-1, 150-n.
  • source data 140-1, 140-n
  • An example of a dataset It could be the customer base of an insurer that contains the characteristics of its customers (offers subscribed, claims declaration, etc.).
  • the memory zone 10 may comprise a random access memory (Random Access Memory in English) and a file system, known per se.
  • the filesystem (“file system" in English) makes it possible to store a predictive model 120-1, 120-n, predictive scores 150-1, 150-n as well as temporary files 130-1, 130-n. created and used in the generation of the predictive model 120-1, 120-n.
  • the RAM stores the processed temporary data 130-1, 130-n by the predictor 20. These data may correspond to all or part of the training data 110-1, 110-n.
  • Each memory block 10-1, 10-2, 10-n defined uses both the RAM and the file system but independently of the other memory blocks 10-1, 10-2, 10-n so as not to mix data and data files specific to each predictive model 120-1, 120-n.
  • a plurality of containers 100-1, 100-n is used, each container 100-1, 100-n making it possible to isolate and use a memory block 10-1, 10-2, 10-n defined to generate and use a predictive model 120-1, 120-n independently of other memory blocks 10-1, 10-2, 10-n as described hereinafter.
  • Prediction agent 20 is configured to generate a plurality of predictive models 120-1, 120-n from a plurality of training data sets 110-1,
  • each set of training data 110-1, 110-n allows the generation of a predictive model 120-1, 120-n.
  • the predictive agent 20 implements each predictive model 120-1, 120-n so that it determines predictive scores 150-1, 150-n from a set of source data 140-1 , 140-n stored in the memory block 10-1, 10-2, 10-n associated with said predictive model 120-1, 120-n.
  • the processing module 30 may advantageously be implemented by a microprocessor (Central Processing Unit or CPU in English).
  • the processing module 30 is firstly configured to receive, for example from an Application Programming Interface (API), one or more lists of instructions to be executed in order to generate and use respectively one or more predictive models 120-1, 120-n on the computer 1. More specifically, this list defines the actions that the prediction agent 20 is able to process.
  • API Application Programming Interface
  • the processing module 30 is also configured to receive or generate a plurality of contracts (not shown) which it transmits to the prediction agent 20 for the latter to execute.
  • a contract is characterized by a generic structure comprising one or more tasks to be performed in connection with a received list of instructions and training data 110-1, 110-n or source data 140-1, 140-n.
  • the source data 140-1, 140-n are the data from which it is desired to make a prediction once the predictive model has been generated.
  • the source data may be of the same nature as the training data. For example, these source data may be customer data stored on a user account of a predictive model.
  • the contract describes the task to be performed by the predictive agent 20.
  • This task often needs source data 140-1, 140-n, so it specifies where these source data 140-1, 140-n are stored so that the predictive agent 20 can recover them.
  • the processing module 30 can customize the generated contract which will then be received by the prediction agent 20.
  • the processing module 30 may be configured to allocate to the prediction agent 20 a plurality of separate memory blocks 10-1, 10-2, 10-n in the memory zone 10.
  • the processing module 30 is then configured to execute the instructions and process the data of the prediction agent 20 so that said prediction agent 20 generates a predictive model 120-1, 120-n in each memory block 10-1. -2, 10-n defined from the training data set 110-1, 110-n stored in said memory block 10-1, 10-2, 10-n. More specifically, the processing module 30 is configured to generate, from a plurality of contracts and a plurality of sets of associated learning data 110-1, 110-n, predictive models 120-1, 120-n in the memory blocks 10-1, 10-2, 10-n defined in the memory area 10, more precisely a predictive model 120-1, 120-n by memory block 10-1, 10-2, 10-n defined from a contract and a training data set 110-1, 110-n.
  • the processing module 30 is finally configured to execute the instructions and process the data of the predictive model 120-1, 120-n generated in each memory block 10-1, 10-2, 10-n defined from a set of source data 140-1, 140-n stored in said memory block 10-1, 10-2, 10-n in order to determine, via the prediction agent 20, a set of predictive scores 150-1, 150-n, this set of predictive scores 150-1,
  • the processing module 30 manages the prediction agent 20 which executes the predictive models 120-1, 120-n in the containers 100-1, 100-n in each memory block 10-1, 10- n defined.
  • the processing module 30 is also configured to create a container 100-1, 100-n in each memory block 10-1, 10-2, 10-n defined in which will be generated and used a predictive model 120-1, 120- n in order to isolate, in terms of resources of the computer 1, each predictive model 120-1, 120-n of the other predictive models 120-1, 120-n in terms of memory usage. This makes it possible not to mix the temporary files 130-1, 130-n produced during the generation of the predictive models 120-1, 120-n, nor the files of predictive scores 150-1, 150-n produced during the use of predictive models 120-1, 120-n.
  • a 100-1, 100-n container isolates a set of physical resources (microprocessor, random access memory, file system, etc.) from the computer 1.
  • a 100-1, 100-n container executing on the calculator 1 can not access the resources of the latter and vice versa. This isolation is also respected between two containers 100-1, 100-n executing on the same computer.
  • the predictive analysis method according to the invention allows the concomitant computation of a plurality of set of predictive scores 150-1, 150-n from a plurality of predictive models 120-1, 120-n.
  • the processing module 30 receives or generates a contract from a list of instructions.
  • memory blocks 10-1, 10-2, 10-n are defined in the memory zone 10 and then a set of training data 110-1, 110-n and at least one set of source data 140 -1, 140-n of user are stored in each of said defined memory blocks 10-1, 10-2, 10-n.
  • the processing module 30 creates, for each defined memory block 10-1, 10-2, 10-n, a container 100-1, 100-n capable of isolating a predictive model 120-1, 120- n other predictive models 120-1, 120-n contained in other containers 100-1, 100-n.
  • the processing module 30 can first create one or more containers 100-1, 100-n and then each container 100-1, 100-n can have a memory block 10-1, 10-n defined in the memory area 10. Conveniently, the container 100-1,
  • the processing module 30 requires the creation of a container 100-1, 100-n having, for example, 1 GB of RAM, it will start and consume this memory as and when its needs without ever exceeding this limit of 1 GB. It is then a description of the consumable resources by the container 100-1, 100-n rather than an allocation in the strict sense.
  • the processing module 30 then generates, in a step E3, a predictive model 120-1, 120-n in each memory block 10-1, 10-2, 10-n defined from the set of training data. 110-1, 110-n stored in said memory block 10-1, 10-2, 10-n.
  • the isolation of the memory blocks 10-1, 10-2, 10-n, in particular by the use of a 100-1, 100-n container for each predictive model 120-1, 120-n, makes it possible in particular to not to mix learning data sets 110-1, 110-n to generate the different predictive models 120-1, 120-n so that each predictive model 120-1, 120-n is correctly generated by the associated training data set 110-1, 110-n.
  • Associated 10-n specifically at the file system level.
  • the temporary files 130-1, 130-n associated with a predictive model 120-1, 120-n and stored in the memory block 10-
  • each predictive model 120-1, 120-n created in each of the memory blocks 10-1, 10-2, 10-n is stored in the memory block 10-1, 10-2, 10-n in which it was generated for later use.
  • the processing module 30 provides input to the predictive model 120-1, 120-n a set of source data 140-1, 140-n stored in said memory block 10-1, 10-2, 10-n so that the predictive model 120-1, 120-n computes at output, in a step E5, a set of predictive scores 150-1, 150-n which is then stored in the memory block 10-1, 10-2, 10-n defined, isolated from the others, in a step E6.
  • the method according to the invention therefore advantageously makes it possible to generate several predictive models 120-1, 120-n from contracts, training data sets 110-1, 110-n and temporary files 130-1, 130 n isolated between them in separate memory blocks 10-1, 10-2, 10-n so that they do not mix.
  • the method according to the invention also advantageously makes it possible to simultaneously use several predictive models 120-1, 120-n, each isolated in a defined memory block 10-1, 10-2, 10-n, avoiding mixing the intermediate data. prediction and prediction score sets 150-1, 150-n calculated.
  • an existing predictive model ie that has already been generated and stored or even used in a container
  • the present invention is not limited to the examples described above and is capable of numerous variants accessible to those skilled in the art.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

L'invention concerne un procédé d'analyse prédictive pour le calcul de scores prédictifs (150-1, …, 150-n) à partir d'une pluralité de modèles prédictifs(120-1, …, 120-n). Le procédé comprend les étapes de définition,dans la zone mémoire,d'une pluralité de blocs mémoires (10-1, 10-2, …, 10-n) distincts,de génération, par l'agent de prédiction,d'un modèle prédictif (120-1, …, 120-n) dans chaque bloc mémoire (10-1, 10-2, …, 10-n) défini à partir d'un ensemble de données d'apprentissage (110-1, …, 110-n)stocké dans ledit bloc mémoire(10-1, 10-2, …, 10-n),et de calcul par chaque modèle prédictif (120-1, …, 120-n) généré d'au moins un ensemble de scores prédictifs (150-1, …, 150-n) à partir d'un ensemble de données sources (140-1, …, 140-n) stocké dans le bloc mémoire(10-1, 10-2, …, 10-n).

Description

PROCEDE ET CALCULATEUR D'ANALYSE PREDICTIVE
DOMAINE TECHNIQUE ET OBJET DE L'INVENTION La présente invention se rapporte au domaine de la prédiction et concerne plus particulièrement un procédé et un calculateur d'analyse prédictive pour le calcul de scores prédictifs à partir d'une pluralité de modèles prédictifs. L'invention s'applique particulièrement à la prédiction simultanée d'une pluralité de scores prédictifs à partir d'une pluralité de données de nature et de type différents.
ETAT DE LA TECHNIQUE
De nos jours, il est connu de réaliser des analyses prédictives à partir d'observations fournies sous la forme de données en utilisant un modèle appelé « modèle prédictif ». Un tel modèle est un algorithme mathématique codé sous la forme d'un programme d'ordinateur, mis en œuvre par un calculateur, qui fournit en sortie le ou les événements les plus probables de se produire à partir d'hypothèses prédictives relatives à un contexte ou un environnement prédéterminé. De tels événements sont appelés de manière connue « scores prédictifs ». Un tel modèle prédictif peut être généré à partir d'un ensemble de données dites données d'apprentissage puis, une fois le modèle prédictif généré, le modèle est utilisé sur un ou plusieurs ensembles de données dites sources afin de calculer des scores prédictifs. A titre d'exemple, un ensemble de données sources peut comprendre des données relatives à des utilisateurs, des données de machines, des données météorologiques etc..
Dans les solutions connues, lorsqu'on souhaite réaliser une pluralité de prédictions à partir d'une pluralité de modèles prédictifs, on peut soit mettre en œuvre un unique calculateur pour générer et utiliser les modèles prédictifs les uns après les autres, soit mettre en œuvre autant de calculateurs que de modèles prédictifs à générer et à utiliser.
L'utilisation d'une pluralité de calculateurs permet de réaliser une pluralité de prédictions en parallèle mais est particulièrement onéreuse et nécessite de commander chaque calculateur indépendamment des autres, ce qui présente des inconvénients importants. L'utilisation d'un unique calculateur présente l'ava ntage d'être peu onéreux et de ne nécessiter qu'une commande de traitement centralisée mais est particulièrement chronophage et ce d'autant plus que le nombre de modèles prédictifs à mettre en œuvre augmente, ce qui présente d'autres inconvénients. En outre, il n'est pas possible de réaliser les prédictions en parallèle, ce qui présente un inconvénient majeur. De plus, lorsque plusieurs modèles prédictifs sont générés et utilisés successivement par un unique calculateur, les fichiers temporaires de génération des modèles ou les ensembles de scores prédictifs obtenus pour chaque modèle peuvent être mélangés entre les modèles, ce qui entraine des erreurs respectivement d'exécution des modèles prédictifs ou d'interprétation des prédictions. Plus précisément, les données d'apprentissage, les données sources, les fichiers intermédiaires utilisés par les différents modèles prédictifs et les ensembles de scores prédictifs obtenus étant stockés dans le même bloc mémoire, ceux-ci peuvent être mélangés par le calculateur, ce qui aboutit à la génération de modèles prédictifs erronés ou à des prédictions incorrectes et présente donc un autre inconvénient majeur.
PRESENTATION GENERALE DE L'INVENTION
L'invention a pour but de fournir une solution simple, fiable et efficace permettant de mettre en œuvre simultanément une pluralité de modèles prédictifs sur un unique calculateur.
A cet effet, l'invention a tout d'abord pour objet un procédé d'analyse prédictive pour le calcul de scores prédictifs à partir d'une pluralité de modèles prédictifs, ledit procédé étant mis en œuvre par un calculateur comprenant une zone mémoire, un agent de prédiction et un module de traitement, ledit procédé comprenant les étapes de :
définition, dans la zone mémoire, d'une pluralité de blocs mémoires distincts, génération, par l'agent de prédiction, d'un modèle prédictif dans chaque bloc mémoire défini à partir d'un ensemble de données d'apprentissage stocké dans ledit bloc mémoire,
- calcul par chaque modèle prédictif généré d'au moins un ensemble de scores prédictifs à partir d'un ensemble de données sources stocké dans le bloc mémoire associé audit modèle prédictif. Le procédé selon l'invention permet donc avantageusement de mettre en œuvre simultanément une pluralité de modèles prédictifs sur un même calculateur en isolant des ressources dudit calculateur pour générer et utiliser chaque modèle sans mélanger leurs fichiers et ensemble de données et de scores respectifs.
Par les termes « scores prédictifs », on entend le ou les événements les plus probables de se produire à partir d'hypothèses prédictives relatives à un contexte ou un environnement prédéterminé. De préférence, le calcul de l'ensemble de scores prédictifs est réalisé simultanément par tous les modèles prédictifs générés, ce qui permet d'obtenir rapidement une pluralité d'ensembles de scores prédictifs.
Selon un aspect de l'invention, le procédé comprenant une étape de stockage du modèle prédictif généré dans le bloc mémoire associé audit modèle prédictif, de manière notamment à le réutiliser ultérieurement, par exemple avec d'autres ensembles de données sources.
La génération d'un modèle prédictif dans chaque bloc mémoire peut être réalisée simultanément ou à des moments différents de la génération des autres modèles prédictifs des autres blocs mémoires.
De manière préférée, le procédé comprend, entre l'étape de définition et l'étape de génération, une étape de création, par le module de traitement, dans chaque bloc mémoire défini, d'un conteneur apte à isoler, en termes de ressources du calculateur, ledit bloc mémoire défini des autres blocs mémoires de sorte que le modèle prédictif soit généré dans ledit conteneur et que l'ensemble de scores prédictifs soit calculé dans ledit conteneur. Un tel conteneur est un moyen efficace, fiable et aisé pour isoler les modèles prédictifs les uns des autres en termes de ressources du calculateur.
La définition des blocs mémoires distincts peut consister en une allocation de mémoire, par exemple par le module de traitement, ou bien en une réservation de mémoire, par exemple par chaque conteneur. Avantageusement, le procédé comprend une étape de stockage de l'ensemble de scores prédictifs calculé dans le bloc mémoire correspondant afin de le retrouver aisément et pour éviter qu'il ne se mélange avec d'autres ensembles de scores prédictifs calculés par d'autres modèles prédictifs dans les autres blocs mémoires.
L'invention concerne aussi un support de données pour un programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé selon l'une des revendications précédentes lorsque le programme est exécuté par au moins un processeur. L'invention concerne également un calculateur d'analyse prédictive pour le calcul de scores prédictifs à partir d'une pluralité de modèles prédictifs, ledit calculateur comprenant : une zone mémoire comprenant une pluralité de blocs mémoires, chaque bloc mémoire étant apte à stocker un ensemble de données d'apprentissage, un modèle prédictif, des fichiers temporaires de génération dudit modèle prédictif, au moins un ensemble de données sources et au moins un ensemble de scores prédictifs calculés par le modèle prédictif à partir dudit ensemble de données sources, un agent de prédiction configuré pour générer une pluralité de modèles prédictifs à partir d'une pluralité d'ensembles de données d'apprentissage, chaque modèle prédictif étant apte à calculer au moins un score prédictif à partir d'un ensemble de données sources,
un module de traitement configuré pour :
o définir dans la zone mémoire une pluralité de blocs mémoires distincts, o exécuter les instructions et traiter les données de l'agent de prédiction pour que ledit agent de prédiction génère un modèle prédictif dans chaque bloc mémoire défini à partir de l'ensemble de données d'apprentissage stocké dans ledit bloc mémoire,
o exécuter les instructions et traiter les données du modèle prédictif généré dans chaque bloc mémoire défini à partir d'un ensemble de données sources stocké dans ledit bloc mémoire afin de calculer un ensemble de scores prédictifs.
De préférence, le module de traitement est configuré pour exécuter les instructions et traiter les données de chaque modèle prédictif généré dans chaque bloc mémoire défini à partir d'un ensemble de données sources stocké dans ledit bloc mémoire afin de calculer une pluralité d'ensemble de scores prédictifs simultanément. Le calcul de l'ensemble de scores prédictifs peut être avantageusement être réalisé simultanément par tous les modèles prédictifs générés. De manière préférée, le module de traitement est configuré pour créer, dans chaque bloc mémoire défini, un conteneur apte à isoler, en termes de ressources du calculateur, ledit bloc mémoire défini des autres blocs mémoires de sorte que le modèle prédictif soit généré dans ledit conteneur et que l'ensemble de scores prédictifs soit calculé dans ledit conteneur.
Selon un aspect de l'invention, le module de traitement est configuré pour stocker un modèle prédictif généré dans le bloc mémoire associé audit modèle prédictif.
Avantageusement, le module de traitement est configuré pour stocker un ensemble de scores prédictifs calculé, de préférence dans le bloc mémoire correspondant.
D'autres caractéristiques et avantages de l'invention apparaîtront lors de la description qui suit faite en regard des figures annexées données à titre d'exemples non limitatifs et dans lesquelles des références identiques sont données à des objets semblables.
DESCRIPTION DES FIGURES
La figure 1 illustre schématiquement une forme de réalisation du système selon l'invention. La figure 2 illustre schématiquement un mode de mise en œuvre d'un premier procédé selon l'invention.
DESCRIPTION DETAILLEE DE L'INVENTION
Description d'une forme de réalisation du système selon l'invention
Le système selon l'invention va être présenté en référence à la figure 1. I. Calculateur ! Le calculateur 1 d'analyse prédictive permet de mettre en œuvre simultanément une pluralité de modèles prédictifs 120-1, 120-n utilisés pour calculer des scores prédictifs. A cette fin et selon l'invention, le calculateur 1 comprend une zone mémoire 10, un agent de prédiction 20 et un module de traitement 30.
De préférence, le zone mémoire 10, un agent de prédiction 20 et un module de traitement 30 sont mis en œuvre par une même entité physique mais il va de soi qu'ils pourraient être mis en œuvre par des entités physiques distinctes connectées à distance via un lien de communication, par exemple de type IP via le réseau Internet dans une architecture de type « cloud » connue de l'homme du métier.
1) Zone mémoire 10
La zone mémoire 10 est divisible en une pluralité de blocs mémoires 10-1, 10-2, 10-n (n étant un entier naturel supérieur ou égal à 2). En d'autres termes, des blocs mémoires 10- 1, 10-2, 10-n peuvent être définis dans la zone mémoire 10. Cette définition peut consister en une allocation de bloc mémoire, par exemple par le module de traitement, ou bien en une réservation de bloc mémoire, par exemple par un conteneur 100-1, 100-2, 100-n, comme cela sera décrit ci-après.
Chaque bloc mémoire 10-1, 10-2, 10-n est apte à stocker un ensemble de données d'apprentissage 110-1, 110-n, un modèle prédictif 120-1, 120-n, des fichiers temporaires 130-1, 130-n de génération dudit modèle prédictif 120-1, 120-n, au moins un ensemble de données sources 140-1, 140-n et au moins un ensemble de scores prédictifs 150-1, 150-n générés par le modèle prédictif 120-1, 120-n à partir dudit ensemble de données sources 140-1, 140-n.
La génération d'un modèle prédictif 120-1, 120-n est réalisée à partir d'un ensemble de données dites « données d'apprentissage » 110-1, 110-n. En d'autres termes, les données d'apprentissage 110-1, 110-n permettent l'initialisation du modèle prédictif.
Une fois, le modèle prédictif 120-1, 120-n généré, le modèle prédictif 120-1, 120-n utilise en entrée un ensemble de données dites « données sources » 140-1, 140-n pour calculer en sortie des scores prédictifs 150-1, 150-n. Un exemple d'ensemble de données d'apprentissage pourrait être la base client d'un assureur qui contient les caractéristiques de ses clients (offres souscrites, déclarations des sinistres, etc.).
La zone mémoire 10 peut comprendre une mémoire vive (Random Access Memory en langue anglaise) et un système de fichiers, connus en soi. Le système de fichiers (« file System » en langue anglaise) permet notamment de stocker un modèle prédictif 120-1, 120-n, des scores prédictifs 150-1, 150-n ainsi que des fichiers temporaires 130-1, 130-n créés et utilisés lors de la génération du modèle prédictif 120-1, 120-n. La mémoire vive stocke les données temporaires traitées 130-1, 130-n par l'agent de prédiction 20. Ces données peuvent correspondent à l'intégralité ou à une partie des données d'apprentissage 110-1, 110-n.
Chaque bloc mémoire 10-1, 10-2, 10-n défini utilise aussi bien la mémoire vive que le système de fichier mais de manière indépendante des autres blocs mémoire 10-1, 10-2, 10-n de manière à ne pas mélanger les données et fichiers de données propres à chaque modèle prédictif 120-1, 120-n. A cette fin, de manière préférée, une pluralité de conteneurs 100-1, 100-n est utilisée, chaque conteneur 100-1, 100-n permettant d'isoler et d'utiliser un bloc mémoire 10-1, 10-2, 10-n défini pour générer et utiliser un modèle prédictif 120-1, 120-n indépendamment des autres blocs mémoires 10-1, 10-2, 10-n comme cela est décrit ci-après.
2) Agent de prédiction 20
L'agent de prédiction 20 est configuré pour générer une pluralité de modèles prédictifs 120-1, 120-n à partir d'une pluralité d'ensembles de données d'apprentissage 110-1,
110-n. Plus précisément, chaque ensemble de données d'apprentissage 110-1, 110-n permet la génération d'un modèle prédictif 120-1, 120-n.
Une fois généré, l'agent prédictif 20 met en œuvre chaque modèle prédictif 120-1, 120- n de sorte qu'il détermine des scores prédictifs 150-1, 150-n à partir d'un ensemble de données sources 140-1, 140-n stocké dans le bloc mémoire 10-1, 10-2, 10-n associé audit modèle prédictif 120-1, 120-n.
Module de traitement 30 Le module de traitement 30 peut avantageusement être mis en œuvre par un microprocesseur (Central Processing Unit ou CPU en langue anglaise). Le module de traitement 30 est tout d'abord configuré pour recevoir, par exemple d'une interface de programmation d'application (Application Programming Interface ou API en langue anglaise), une ou plusieurs listes d'instructions à exécuter afin de générer et utiliser respectivement un ou plusieurs modèles prédictifs 120-1, 120-n sur le calculateur 1. Plus précisément, cette liste définit les actions que l'agent de prédiction 20 est apte à traiter.
Le module de traitement 30 est également configuré pour recevoir ou générer une pluralité de contrats (non représentés) qu'il transmet à l'agent de prédiction 20 pour que ce dernier l'exécute. Un contrat est caractérisé par une structure générique comportant une ou plusieurs tâches à réaliser en lien avec une liste d'instructions reçue et des données d'apprentissage 110-1, 110-n ou des données sources 140-1, 140-n. Les données sources 140-1, 140-n sont les données à partir desquelles on souhaite réaliser une prédiction une fois le modèle prédictif généré. Les données sources peuvent être de même nature que les données d'apprentissage. Par exemple, ces données sources peuvent être des données clients stockées sur un compte d'utilisateur d'un modèle prédictif. Le contrat décrit la tâche qui doit être exécutée par l'agent prédictif 20. Cette tâche a souvent besoin de données sources 140-1, 140-n, elle précise donc où sont stockées ces données sources 140-1, 140-n pour que l'agent prédictif 20 puisse les récupérer. En fonction de la liste d'instructions reçue, le module de traitement 30 peut personnaliser le contrat généré qui sera ensuite reçu par l'agent de prédiction 20.
Le module de traitement 30 peut être configuré pour allouer à l'agent de prédiction 20 une pluralité de blocs mémoires 10-1, 10-2, 10-n distincts dans la zone mémoire 10.
Le module de traitement 30 est ensuite configuré pour exécuter les instructions et traiter les données de l'agent de prédiction 20 pour que ledit agent de prédiction 20 génère un modèle prédictif 120-1, 120-n dans chaque bloc mémoire 10-1, 10-2, 10-n défini à partir de l'ensemble de données d'apprentissage 110-1, 110-n stocké dans ledit bloc mémoire 10-1, 10-2, 10-n. Plus précisément, le module de traitement 30 est configuré pour générer, à partir d'une pluralité de contrats et d'une pluralité d'ensembles de données d'apprentissage 110-1, 110-n associés, des modèles prédictifs 120-1, 120-n dans les blocs mémoires 10-1, 10-2, 10-n définis dans la zone mémoire 10, plus précisément un modèle prédictif 120-1, 120-n par bloc mémoire 10-1, 10-2, 10-n défini à partir d'un contrat et d'un ensemble de données d'apprentissage 110-1, 110-n.
Le module de traitement 30 est enfin configuré pour exécuter les instructions et traiter les données du modèle prédictif 120-1, 120-n généré dans chaque bloc mémoire 10-1, 10- 2, 10-n défini à partir d'un ensemble de données sources 140-1, 140-n stocké dans ledit bloc mémoire 10-1, 10-2, 10-n afin de déterminer, via l'agent de prédiction 20, un ensemble de scores prédictifs 150-1, 150-n, cet ensemble de scores prédictifs 150-1,
150-n pouvant alors être stockés dans ledit bloc mémoire 10-1, 10-2, 10-n défini. En d'autres termes, le module de traitement 30 gère l'agent de prédiction 20 qui exécute les modèles prédictifs 120-1, 120-n dans les conteneurs 100-1, 100-n dans chaque bloc mémoire 10-1, 10-n défini.
Le module de traitement 30 est aussi configuré pour créer un conteneur 100-1, 100-n dans chaque bloc mémoire 10-1, 10-2, 10-n défini dans lequel sera généré et utilisé un modèle prédictif 120-1, 120-n afin d'isoler, en termes de ressources du calculateur 1, chaque modèle prédictif 120-1, 120-n des autres modèles prédictifs 120-1, 120-n en terme d'utilisation de mémoire. Ceci permet de ne pas mélanger les fichiers temporaires 130-1, 130-n produits lors de la génération des modèles prédictifs 120-1, 120-n, ni les fichiers de scores prédictifs 150-1, 150-n produits lors de l'utilisation des modèles prédictifs 120-1, 120-n. De manière connue en soi, un conteneur 100-1, 100-n isole un ensemble de ressources physiques (microprocesseur, mémoire vive, système de fichiers...) du calculateur 1. Un conteneur 100-1, 100-n s'exécutant sur le calculateur 1 ne peut accéder aux ressources de ce dernier et vice-versa. Cet isolement est également respecté entre deux conteneurs 100-1, 100-n s'exécutant sur un même calculateur.
L'invention va maintenant être décrite dans sa mise en œuvre. II. Mise en œuvre de l'invention Le procédé d'analyse prédictive selon l'invention permet le calcul concomitant d'une pluralité d'ensemble de scores prédictifs 150-1, 150-n à partir d'une pluralité de modèles prédictifs 120-1, 120-n. Dans une étape préliminaire E0, le module de traitement 30 reçoit ou génère un contrat à partir d'une liste d'instructions.
Dans une étape El, des blocs mémoires 10-1, 10-2, 10-n sont définis dans la zone mémoire 10 puis un ensemble de données d'apprentissage 110-1, 110-n et au moins un ensemble de données sources 140-1, 140-n d'utilisateur sont stockés dans chacun desdits blocs mémoires 10-1, 10-2, 10-n définis.
Dans une étape E2, le module de traitement 30 créé, pour chaque bloc mémoire 10-1, 10- 2, 10-n défini, un conteneur 100-1, 100-n apte à isoler un modèle prédictif 120-1, 120-n d'autres modèles prédictifs 120-1, 120-n contenus dans les autres conteneurs 100-1, 100-n.
En variante, le module de traitement 30 peut tout d'abord créer un ou plusieurs conteneurs 100-1, 100-n puis chaque conteneur 100-1, 100-n peut disposer d'un bloc mémoire 10-1, 10-n défini dans la zone mémoire 10. De manière pratique, le conteneur 100-1,
100-n peut s'allouer effectivement un bloc mémoire 10-1, 10-n. Ainsi, le module de traitement 30 requière la création d'un conteneur 100-1, 100-n disposant, par exemple, de 1 GO de mémoire vive, celui-ci va se lancer et consommera cette mémoire au fur et à mesure de ses besoins sans jamais dépasser cette limite de 1 GO. Il s'agit alors d'une description des ressources consommables par le conteneur 100-1, 100-n plutôt que d'une allocation au sens strict.
Le module de traitement 30 génère ensuite, dans une étape E3, un modèle prédictif 120- 1, 120-n dans chaque bloc mémoire 10-1, 10-2, 10-n défini à partir de l'ensemble de données d'apprentissage 110-1, 110-n stocké dans ledit bloc mémoire 10-1, 10-2, 10- n. L'isolation des blocs mémoires 10-1, 10-2, 10-n, notamment par l'utilisation d'un conteneur 100-1, 100-n pour chaque modèle prédictif 120-1, 120-n, permet notamment de ne pas mélanger les ensembles de données d'apprentissage 110-1, 110- n permettant de générer les différents modèles prédictifs 120-1, 120-n de sorte que chaque modèle prédictif 120-1, 120-n soit généré correctement par l'ensemble de données d'apprentissage 110-1, 110-n qui lui est associé.
Lors de la génération d'un modèle prédictif 120-1, 120-n, des fichiers temporaires 130- 1, 130-n sont créés et stockés, dans une étape E4, dans le bloc mémoire 10-1, 10-2,
10-n associé, plus précisément au niveau du système de fichiers. De même que pour les ensembles de données d'apprentissage 110-1, 110-n, les fichiers temporaires 130-1, 130-n associés à un modèle prédictif 120-1, 120-n et stockés dans le bloc mémoire 10-
1, 10-2, 10-n correspondant sont isolés des autres fichiers temporaires 130-1, 130-n associés aux autres modèles prédictifs 120-1, 120-n des autres blocs mémoires 10-1, 10-
2, 10-n, ce qui permet d'éviter le mélange des fichiers temporaires 130-1, 130-n entres les modèles prédictifs 120-1, 120-n lors de la génération et donc de générer correctement chaque modèle prédictif 120-1, 120-n. A ce stade, chaque modèle prédictif 120-1, 120-n créé dans chacun des blocs mémoires 10-1, 10-2, 10-n est stocké dans le bloc mémoire 10-1, 10-2, 10-n dans lequel il a été généré pour être utilisé ultérieurement.
Ainsi, lorsqu'on souhaite utiliser un modèle prédictif 120-1, 120-n stocké dans un bloc mémoire 10-1, 10-2, 10-n défini, le module de traitement 30 fournit en entrée au modèle prédictif 120-1, 120-n un ensemble de données sources 140-1, 140-n stocké dans ledit bloc mémoire 10-1, 10-2, 10-n afin que le modèle prédictif 120-1, 120-n calcule en sortie, dans une étape E5, un ensemble de scores prédictifs 150-1, 150-n qui est ensuite stocké dans le bloc mémoire 10-1, 10-2, 10-n défini, isolé des autres, dans une étape E6.
Le procédé selon l'invention permet donc avantageusement de générer plusieurs modèles prédictifs 120-1, 120-n à partir de contrats, d'ensembles de données d'apprentissage 110-1, 110-n et de fichiers temporaires 130-1, 130-n isolés entre eux dans des blocs mémoires 10-1, 10-2, 10-n distincts de sorte qu'ils ne se mélangent pas. Le procédé selon l'invention permet aussi avantageusement d'utiliser simultanément plusieurs modèles prédictifs 120-1, 120-n, isolés chacun dans un bloc mémoire 10-1, 10-2, 10-n défini, en évitant de mélanger les données intermédiaire de prédiction et les ensembles de scores prédictifs 150-1, 150-n calculés. On notera qu'un modèle prédictif existant (i.e. ayant déjà été généré et stocké voire utilisé dans un conteneur) peut être réutilisé ultérieurement, en le mentionnant dans le contrat correspondant. II est à noter que la présente invention n'est pas limitée aux exemples décrits ci-dessus et est susceptible de nombreuses variantes accessibles à l'homme de l'art.

Claims

REVENDICATIONS
1. Procédé d'analyse prédictive pour le calcul de scores prédictifs (150-1, 150-n) à partir d'une pluralité de modèles prédictifs (120-1, 120-n), ledit procédé étant mis en œuvre par un calculateur (1) comprenant une zone mémoire (10), un agent de prédiction (20) et un module de traitement (30), ledit procédé comprenant les étapes de :
définition (El) dans la zone mémoire (10) d'une pluralité de blocs mémoires (10-1, 10-2, 10-n) distincts,
génération (E3), par l'agent de prédiction, d'un modèle prédictif (120-1, 120-n) dans chaque bloc mémoire (10-1, 10-2, 10-n) défini à partir d'un ensemble de données d'apprentissage (110-1, 110-n) stocké dans ledit bloc mémoire (10-1, 10-2, 10-n),
calcul (E5) par chaque modèle prédictif (120-1, 120-n) généré d'au moins un ensemble de scores prédictifs (150-1, 150-n) à partir d'un ensemble de données sources (140-1, 140-n) stocké dans le bloc mémoire (10-1, 10-2, 10-n) associé audit modèle prédictif (120-1, 120-n).
2. Procédé selon la revendication 1, dans lequel le calcul (E5) de l'ensemble de scores prédictifs (150-1, 150-n) est réalisé simultanément par tous les modèles prédictifs (120- 1, 120-n) générés.
3. Procédé selon l'une des revendications 1 et 2, comprenant une étape (E4) de stockage du modèle prédictif (120-1, 120-n) généré dans le bloc mémoire (10-1, 10-2,
10-n) associé audit modèle prédictif (120-1, 120-n).
4. Procédé selon l'une des revendications 1 à 3, comprenant, entre l'étape de définition (E2) et l'étape de génération (E3), une étape (E2) de création, par le module de traitement (30), dans chaque bloc mémoire (10-1, 10-2, 10-n) défini, d'un conteneur (100-1, 100-n) apte à isoler, en termes de ressources du calculateur (1), ledit bloc mémoire (10-1, 10-2, 10-n) défini des autres blocs mémoires (10-1, 10-2, 10-n) de sorte que le modèle prédictif (120-1, 120-n) soit généré dans ledit conteneur (100-1, 100-n) et que l'ensemble de scores prédictifs (150-1, 150-n) soit calculé dans ledit conteneur (100-1, 100-n).
5. Procédé selon l'une des revendications 1 à 4, comprenant une étape (E6) de stockage de l'ensemble de scores prédictifs (150-1, 150-n) calculé dans le bloc mémoire (10-1, 10-2, 10-n) correspondant.
6. Support de données pour un programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé selon l'une des revendications précédentes lorsque le programme est exécuté par au moins un processeur (30).
7. Calculateur (1) d'analyse prédictive pour le calcul de scores prédictifs (150-1, 150-n) à partir d'une pluralité de modèles prédictifs (120-1, 120-n), ledit calculateur (1) comprenant :
une zone mémoire (10) comprenant une pluralité de blocs mémoires (10-1, 10-2, 10-n), chaque bloc mémoire (10-1, 10-2, 10-n) étant apte à stocker un ensemble de données d'apprentissage (110-1, 110-n), un modèle prédictif (120- 1, 120-n), des fichiers temporaires (130-1, 130-n) de génération dudit modèle prédictif (120-1, 120-n), au moins un ensemble de données sources (140-1, 140-n) et au moins un ensemble de scores prédictifs (150-1, 150-n) calculés par le modèle prédictif (120-1, 120-n) à partir dudit ensemble de données sources (140-1, 140-n),
- un agent de prédiction (20) configuré pour générer une pluralité de modèles prédictifs (120-1, 120-n) à partir d'une pluralité d'ensembles de données d'apprentissage (110-1, 110-n), chaque modèle prédictif (120-1, 120-n) étant apte à calculer au moins un score prédictif à partir d'un ensemble de données sources (140-1, 140-n),
- un module de traitement (30) configuré pour :
o définir dans la zone mémoire (10) une pluralité de blocs mémoires (10-1, 10-
2, 10-n) distincts,
o exécuter les instructions et traiter les données de l'agent de prédiction (20) pour que ledit agent de prédiction (20) génère un modèle prédictif (120-1, 120-n) dans chaque bloc mémoire (10-1, 10-2, 10-n) défini à partir de l'ensemble de données d'apprentissage (110-1, 110-n) stocké dans ledit bloc mémoire (10-1, 10-2, 10-n),
o exécuter les instructions et traiter les données du modèle prédictif (120-1, 120-n) généré dans chaque bloc mémoire (10-1, 10-2, 10-n) défini à partir d'un ensemble de données sources (140-1, 140-n) stocké dans ledit bloc mémoire (10-1, 10-2, 10-n) afin de calculer un ensemble de scores prédictifs (150-1, 150-n).
8. Calculateur (1) selon la revendication 7, dans lequel le module de traitement (30) est configuré pour exécuter les instructions et traiter les données de chaque modèle prédictif (120-1, 120-n) généré dans chaque bloc mémoire (10-1, 10-2, 10-n) défini à partir d'un ensemble de données sources (140-1, 140-n) stocké dans ledit bloc mémoire (10-1, 10-2, 10-n) afin de calculer une pluralité d'ensemble de scores prédictifs (150-1, 150-n) simultanément.
9. Calculateur selon l'une des revendications 7 et 8, dans lequel le module de traitement (30) est configuré pour créer, dans chaque bloc mémoire (10-1, 10-2, 10-n) défini, un conteneur (100-1, 100-n) apte à isoler, en termes de ressources du calculateur (1), ledit bloc mémoire (10-1, 10-2, 10-n) défini des autres blocs mémoires (10-1, 10-2, 10-n) de sorte que le modèle prédictif (120-1, 120-n) soit généré dans ledit conteneur (100-1, 100-n) et que l'ensemble de scores prédictifs (150-1, 150-n) soit calculé dans ledit conteneur (100-1, 100-n).
10. Calculateur selon l'une des revendications 7 à 9, dans lequel le module de traitement (30) est configuré pour stocker un ensemble de scores prédictifs (150-1, 150- n) calculé, de préférence dans le bloc mémoire (10-1, 10-2, 10-n) correspondant.
PCT/EP2016/081439 2015-12-18 2016-12-16 Procede et calculateur d'analyse predictive WO2017103116A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1562800 2015-12-18
FR1562800A FR3045863A1 (fr) 2015-12-18 2015-12-18 Procede et calculateur d'analyse predictive

Publications (1)

Publication Number Publication Date
WO2017103116A1 true WO2017103116A1 (fr) 2017-06-22

Family

ID=55542867

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2016/081439 WO2017103116A1 (fr) 2015-12-18 2016-12-16 Procede et calculateur d'analyse predictive

Country Status (2)

Country Link
FR (1) FR3045863A1 (fr)
WO (1) WO2017103116A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200323133A1 (en) * 2019-04-10 2020-10-15 Deere & Company Machine control using real-time model

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DELEN D ET AL: "Predicting breast cancer survivability: a comparison of three data mining methods", ARTIFICIAL INTELLIGENCE IN MEDICINE, ELSEVIER, NL, vol. 34, no. 2, 30 June 2005 (2005-06-30), pages 113 - 127, XP027804909, ISSN: 0933-3657, [retrieved on 20050601] *
EWOUT W STEYERBERG ET AL: "Internal validation of predictive models", JOURNAL OF CLINICAL EPIDEMIOLOGY., vol. 54, no. 8, 31 August 2001 (2001-08-31), GB, pages 774 - 781, XP055296231, ISSN: 0895-4356, DOI: 10.1016/S0895-4356(01)00341-9 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200323133A1 (en) * 2019-04-10 2020-10-15 Deere & Company Machine control using real-time model
US11778945B2 (en) * 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model

Also Published As

Publication number Publication date
FR3045863A1 (fr) 2017-06-23

Similar Documents

Publication Publication Date Title
CN106663028B (zh) 动态碎片分配调整
US10079719B2 (en) Automatically tuning middleware in a mobilefirst platform running in a docker container infrastructure
EP1805611B1 (fr) Procede d'ordonnancement de traitement de tâches et dispositif pour mettre en oeuvre le procede
EP3238056B1 (fr) Methode d'ordonnancement de taches au niveau des noeuds d'un cluster informatique, ordonnanceur de taches et cluster associes
EP2776927A1 (fr) Procédé, programme d'ordinateur et dispositif d'allocation de ressources informatiques d'un cluster pour l'exécution d'un travail soumis audit cluster
EP3019957B1 (fr) Procede d'optimisation de traitement parallele de donnees sur une plateforme materielle
EP2805234B1 (fr) Procédé d'optimisation de traitement parallèle de données sur une plateforme matérielle.
US10659369B2 (en) Decremental autocorrelation calculation for big data using components
US20220043806A1 (en) Parallel decomposition and restoration of data chunks
WO2017103116A1 (fr) Procede et calculateur d'analyse predictive
US10394809B1 (en) Incremental variance and/or standard deviation calculation for big data or streamed data using components
US10275488B1 (en) Incremental covariance calculation for big data or streamed data using components
EP3427158A1 (fr) Procede de gestion memoire au sein d'un ensemble de dispositifs de traitement de l'information
US10248690B1 (en) Decremental correlation calculation for big data or streamed data using components
US10394810B1 (en) Iterative Z-score calculation for big data using components
EP4341866A1 (fr) Atténuation de la dérive de données en apprentissage automatique pour systèmes à grande échelle
US11095753B2 (en) Dynamic initiation of services
EP2756398B1 (fr) Procede, dispositif et programme d'ordinateur pour allouer dynamiquement des ressources d'un cluster a l'execution de processus d'une application
US10318530B1 (en) Iterative kurtosis calculation for big data using components
US10079910B1 (en) Iterative covariance calculation for streamed data using components
US10310910B1 (en) Iterative autocorrelation calculation for big data using components
US10162856B1 (en) Incremental correlation calculation for big data or streamed data using components
US10191941B1 (en) Iterative skewness calculation for streamed data using components
US10235415B1 (en) Iterative variance and/or standard deviation calculation for big data using components
EP3506202A1 (fr) Système et procédé adaptatifs de suivi automatique d'au moins une cible dans au moins un flux vidéo

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16810408

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 12/10/2018)

122 Ep: pct application non-entry in european phase

Ref document number: 16810408

Country of ref document: EP

Kind code of ref document: A1