Contributions à la surveillance du contrôle technique automobile à l'aide de méthodes de machine learning et intelligence artificielle.

Contributions to the monitoring of car inspection using machine learning and artificial intelligence methods

• Auteur / Autrice : Houda Gadacha
• Direction : Ndeye Niang
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Informatique
• Date : Inscription en doctorat le 16/07/2021
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Cedric - Centre d'études et de recherche en informatique et communications
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France ; 1794-....)

Mots clés

Mots clés libres

Intelligence artificielle

Apprentissage statistique

Détection d'anomalies

Interprétabilité

Contrôle technique

Supervision

Artificial intelligence

Statistical learning

Explainable interpretable machine learning

Technical inspection

Monitoring

Résumé

L'objectif de la thèse est la recherche de méthodes d'analyse statistique et d'algorithmes d'apprentissage automatique et intelligence artificielle pour la surveillance du contrôle technique automobile. La recherche portera sur l'élaboration de méthodes non supervisées de type détection d'anomalies pour identifier les centres atypiques et déceler de nouvelles mauvaises pratiques. Ce travail contribuera à la réduction du délai de détection des mauvaises pratiques qui permettrait de repérer au plus tôt une situation anormale et générer une alerte qui pourra déclencher une analyse plus approfondie et des niveaux de supervision supérieurs. Plus largement, la thèse permettra d'investiguer et de développer l'identification de centres atypiques, avec idéalement une notion de temporalité, c'est-à-dire la dynamique d'apparition des événements, des analyses à l'aide de séries temporelles ou réseaux de neurones récurrents pourront être envisagées, et permettre un suivi par anticipation, c'est-à-dire identifier les centres dont le comportement pourrait conduire à une atypie. Une attention particulière sera portée à l'aspect explicatif et l'interprétabilité des modèles proposés.

The objective of the thesis is the research of statistical analysis methods and machine learning and artificial intelligence algorithms for the monitoring of the vehicle technical inspection. The research will focus on the development of unsupervised methods of anomaly detection to identify atypical stations and detect new bad practices. This work will contribute to reduce the time to detect bad practices, which would allow to identify as soon as possible an abnormal situation and generate an alert that could trigger a more in-depth analysis and higher levels of supervision. More broadly, the thesis will investigate and develop the identification of atypical stations, ideally with a notion of temporality, i.e. the dynamics of the appearance of events, analyses using time series or recurrent neural networks could be considered, and allow for monitoring by anticipation, i.e. identifying stations whose behavior could lead to atypia. Particular attention will be paid to the explainable and interpretability aspect of the proposed models.