Qu’est ce que la data science ?
La sciences des données (data science), combine plusieurs disciplines (traitement du signal, probabilité et statistiques, analyse, algorithmie) pour résoudre des problèmes ou améliorer la compréhension des phénomènes à l’aide de données. La palette de méthodes disponibles est très large et permet de s’adapter à des contextes variés en terme de type de données et de quantité de données.
L’apport des data sciences n’est ainsi pas réservé aux industriels disposant de grands volumes de données
La data science, pourquoi faire ?
En quelques années, le monde de l’industrie (entre autre) a changé de paradigme : alors que les données étaient souvent rares ou difficilement accessibles, elles sont désormais disponibles en très (parfois trop ?!) grand volume… Mais quelle plus-value en tirer en pratique ? Voici quelques exemples.
- La modélisation des incertitudes ou variabilités à prendre en compte dans les simulations pour améliorer la robustesse ou la fiabilité de vos conceptions;
- Une amélioration des process de production, de leurs performances et/ou de leur qualité;
- Une réduction des coûts d’exploitation;
- La construction de nouvelles offres ou de nouveaux services pour vos clients.
Et l’intelligence artificielle (IA) ?
L’intelligence artificielle, IA pour les intimes, n’a pas de définition précise. On parle d’IA dès lors qu’une machine est capable de faire quelque chose dont on pensait qu’il ne pouvait être fait que par le cerveau humain : reconnaitre un objet dans une image, reproduire un comportement, etc…
De même que l’intuition humaine, pour être efficaces les algorithmes d’IA, le plus souvent basés sur des techniques d’apprentissage statistique (Machine Learning), doivent :
- être construits sur un grand nombre d’observations existantes (les data);
- disposer de retours précis pour chacune des observations d’apprentissage;
- être utilisés dans des conditions similaires à celles dont sont issues les observations d’apprentissage.
Ces algortihmes sont très efficaces, dès que le nombre d’observations d’apprentissage est suffisant, du fait de leur capacité à prendre en compte un grand nombre de paramètres, voir de combinaison de paramètres, ainsi que par leur vitesse d’évaluation. Ils ont aussi l’avantage de prendre en compte toutes les données fournies sans à priori, de façon multi-variée, et faire ainsi ressortir des liens parfois non pressentis. Tout cela les rend pertinent en contexte industriel pour de la reconnaissance d’images comme pour exploiter les données issues des process de fabrication (données qualité, données de capteurs, …) ou pour bien d’autres sujets…
Accéder à nos publications
Vous partagez notre curiosité et notre intérêt pour la recherche scientifique et la création de connaissances nouvelles ? Retrouvez l’intégralité de nos publications et le suivi de nos projets sur Research Gate !
Nous rejoindre
Vous vous retrouvez dans nos valeurs et souhaitez embarquer pour l’aventure Phimeca ? N’hésitez pas à nous le faire savoir !
Vous avez un projet ?
N’hésitez pas à nous contacter pour toutes demandes concernant vos différents projets. L’équipe PHIMECA analysera votre besoin et reviendra vers vous afin de vous proposer l’accompagnement nécessaire.