Introduction autour du deep learning et son application aux IoT - Partie 3

Compte tenu du domaine des IoT, nous pouvons nous intéresser à ce genre de questions :

– Quels sont les applications existantes pouvant être complétées par du deep learning en ajoutant une composante intuitive ? (Exemple des villes intelligentes)

– Quelles métriques sont pour le moment mesurées et prédites ? Et comment pourrions-nous ajouter une composante intuitive à cette métrique ?

– Quelles applications existent dans le domaine du deep learning et qui s’appliquent également aux IoT ?

Maintenant, étendons un peu le domaine de recherche.

 

Mise en œuvre du deep learning avec des ensembles de données IoT

En substance, ces techniques/stratégies se complètent bien avec des ensembles de données provenant des IoT.

1)      Le deep learning et des données de séries chronologiques : Les données de séries chronologiques (provenant des capteurs) peuvent être considérées comme une grille à 1 dimension prenant des échantillons à des intervalles de temps réguliers, et les données d’image comme une grille en 2 dimensions de pixels. Cela nous permet de modéliser les données avec des algorithmes d’apprentissage profond (la plupart des capteurs/données IoT fournissent des séries chronologiques). C’est assez rare comme cas d’utilisation, mais il y a quand même des exemples (Le deep learning pour les séries chronologiques pour prédire les charges d’énergies en utilisant seulement le temps et des données temporaires)

2)      Modalités multiples : La multimodalité dans le deep learning. Il s’agit d’un cas à l’étude. En particulier, dans l’apprentissage des modalités transverses, où de meilleures fonctionnalités pour une modalité (ex vidéo) peuvent être apprises si plusieurs modalités (ex audio et image) sont présentes dans le temps d’apprentissage.

3)    Les tendances temporelles Dans leur récente étude, l’étudiant en doctorat Huan-Kai Peng et le professeur Radu Marculescu, du département génie électrique et informatique de l’université Carnegie Mellon, ils proposent une nouvelle façon d’identifier la dynamique intrinsèque des modèles d’interactions à des échelles de temps multiples. Leur méthode consiste à construire un modèle d’apprentissage profond qui se compose de plusieurs niveaux, chaque niveau capture des patterns d’une échelle de temps spécifique. Le modèle nouvellement proposé peut également être utilisé pour expliquer les différentes façons dont des patterns à court terme se rapportent à des patterns à long terme. Par exemple, il devient possible de décrire la façon dont un modèle à long terme sur twitter peut être durable et renfoncé par une séquence de motifs à court terme, y compris des caractéristiques telles que la popularité, le caractère, populaire, contagieux et l’interactivité. Le document peut être téléchargé ici.

Implications pour les villes intelligentes

Je vois des villes intelligentes comme un domaine d’application pour l’internet des objets. De nombreuses définitions existent pour les villes intelligentes/ville du futur. De notre point de vue, les villes intelligentes se réfèrent à l’utilisation des technologies digitales pour améliorer la performance et le bienêtre, de réduire les coûts et la consommation de ressources, et d’engager plus efficacement et activement les citoyens. Les secteurs-clés sont le transport, l’énergie, les soins, l’eau et les déchets. Une liste plus complète des domaines d’application est : les systèmes de transports intelligents, le système médical, l’environnement, la gestion des déchets, la qualité de l’air, les services d’urgence, l’énergie. Dans tous ces domaines, nous pourrions trouver des applications auxquelles nous ajouterions une composante intuitive basée sur les idées décrites précédemment.

Typiquement, ces domaines incluent le vison par ordinateur, la reconnaissance d’image, de forme, vocale et de comportement. De nouveaux domaines sont aussi d’un intérêt particulier comme les voitures autonomes – par exemple le Lutz pod et même des véhicules encore plus gros comme des camions.

 

Conclusion

Le deep learning consiste à apprendre à travers des couches permettant à un ordinateur de construire des concepts complexes à partir de concepts plus simples. Il est utilisé pour traiter des applications intuitives à forte dimensionnalité. C’est un domaine émergeant et au cours des prochaines années, en raison des progrès de la technologie, nous serons susceptibles de voir de nombreuses autres applications. Je suis particulièrement intéressé par la façon dont les ensembles de données provenant d’IoT peuvent être utilisés pour compléter le deep learning. Il s’agit d’un domaine émergent comme le montrent les exemples du dessus. Je crois qu’il y a un fort potentiel d’applications possibles, sachant que nous n’avons exploré qu’une infime partie des possibilités (ici la ville intelligente).

Je vois cet article comme faisant partie d’un thème en évolution. De prochains articles pourront explorer plus en détail l’application du deep learning aux IoT et notamment le domaine des villes intelligentes.

 

Mickael Faust

Référent Technique Mobilite/IOT, SQLI Lyon

 

0 commentaires

votre commentaire

Se joindre à la discussion ?
Vous êtes libre de contribuer !

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Inscription newsletter

Ne manquez plus nos derniers articles !