Répondre aux circonstances en constante évolution à l’aide de systèmes d’auto-apprentissage adaptatifs

Qu’il s’agisse de l’efficacité des batteries des véhicules électriques ou de la fiabilité des communications de données à haut débit, dans les deux cas, des circonstances imprévues peuvent perturber les performances. C’est pourquoi les moyens de mieux répondre à ces circonstances en constante évolution sont ardemment recherchés. Les algorithmes d’auto-apprentissage, capables de relier les connaissances existantes et une grande quantité de données collectées, peuvent jouer un rôle crucial à cet égard. Dans le cadre du programme de recherche AutoAdapt, l’Organisation néerlandaise pour la recherche scientifique appliquée (TNO) étudie le potentiel de cette technologie innovante prometteuse.

Frank Willems, professeur à l’Université de technologie d’Eindhoven (TU/e) et chercheur principal au TNO dans l’unité Trafic et transport, ainsi que Gert Witvoet, professeur d’université à la TU/e ​​et spécialiste senior au TNO dans l’unité Industrie, ont entamé une conversation il y a un an et demi.

Systèmes d’auto-apprentissage

Selon Willems, l’objectif de la recherche au sein d’AutoAdapt est de combiner les connaissances existantes avec les données. Vous pouvez poser des questions telles que : Comment un véhicule se comportera-t-il dans dix ans ? Comment sera-t-il utilisé pendant cette période ? Malgré des usages très variés, est-il encore possible de garantir des coûts d’exploitation les plus bas possibles ? Pour répondre à ces questions et à d’autres, vous auriez à faire énormément de tests en laboratoire en ce moment.

Voici une vidéo parlant de ce type de système en anglais :

Les systèmes adaptatifs, selon Willems, permettent non seulement de faire de bonnes prédictions sur toutes sortes de conditions basées sur les données disponibles, mais aussi sur les moyens de les anticiper. En incorporant les résultats d’autres travaux qu’ils ont effectués auparavant en plus de suivre l’évolution des performances réelles, ces algorithmes adaptatifs seront également capables d’apprendre. Cela leur permettra de réduire considérablement le temps nécessaire au développement et aux tests, et les nouveaux produits pourront arriver sur le marché beaucoup plus rapidement. Le potentiel de ces systèmes d’auto-apprentissage est énorme. Cela est particulièrement vrai pour les systèmes complexes. Cependant, ils constatent également que l’écart entre la situation en laboratoire et l’application industrielle est assez important. C’est cet écart qu’ils veulent combler avec AutoAdapt.

Démonstration en pratique

L’objectif est de démontrer dans la pratique au cours des prochaines années comment l’auto-apprentissage, les méthodes adaptatives et la mise en relation des connaissances existantes avec des données de grande valeur qualitative peuvent être utilisés pour accélérer le rythme de l’innovation.

L’une de ces technologies innovantes et prometteuses est la communication optique par satellite, grâce à laquelle de très grandes quantités de données peuvent être transmises à l’aide de faisceaux laser. Les algorithmes d’auto-apprentissage sont utiles ici lorsqu’il s’agit de configurer un faisceau laser. Cela garantit des performances optimales. En d’autres termes : beaucoup de vitesse, mais sans compromettre la stabilité et la disponibilité de la connexion.