{"id":346273,"date":"2020-07-01T10:03:08","date_gmt":"2020-07-01T08:03:08","guid":{"rendered":"https:\/\/iotworlds.com\/what-is-the-role-of-machine-learning-in-iot\/"},"modified":"2022-08-25T10:01:39","modified_gmt":"2022-08-25T08:01:39","slug":"what-is-the-role-of-machine-learning-in-iot","status":"publish","type":"post","link":"https:\/\/iotworlds.com\/fr\/what-is-the-role-of-machine-learning-in-iot\/","title":{"rendered":"Quel est le r\u00f4le de l’apprentissage automatique dans l’IoT?"},"content":{"rendered":"\n

Qu’est-ce que l’IdO? Et son avenir<\/strong>!<\/h2>\n\n

L'\u00a0\u00bbInternet des objets\u00a0\u00bb – IoT, d\u00e9crit techniquement comme un appareil \u00e9lectronique \u00e9quip\u00e9 de capteurs, qui envoie des donn\u00e9es et re\u00e7oit des instructions gr\u00e2ce \u00e0 la connexion Internet. Pour d\u00e9crire en termes non techniques, des milliards d’appareils physiques (avec capteur) connect\u00e9s \u00e0 Internet partout dans le monde. L’IdO a des applications diverses dans tous les secteurs, pour autonomiser et enrichir la vie humaine sur cette plan\u00e8te.<\/p>\n\n

Par exemple, prenons un smartphone, vous \u00e9coutez des chansons \u00e0 l’aide d’\u00e9couteurs connect\u00e9s au smartphone pendant que vous \u00eates occup\u00e9 par d’autres choses (conduire), il y a l’IoT aliment\u00e9 par (Intelligence Artificielle) AI. Imaginez des capteurs IoT dans les \u00e9couteurs, qui pourraient prendre vos donn\u00e9es de fr\u00e9quence cardiaque et avec l’aide de l’IA, ils pourraient pr\u00e9dire votre \u00e9motion.<\/a> Sur la base de cette \u00e9motion, votre smartphone pourrait choisir la meilleure chanson stock\u00e9e quelque part dans le monde. Il existe plusieurs millions de chansons dans le monde et votre smartphone n’a pas besoin d’un super stockage pour stocker toutes les chansons ou d’une super puissance de calcul pour le mod\u00e8le d’IA appliqu\u00e9 \u00e0 la d\u00e9tection des \u00e9motions. Tout ce dont il a besoin pour s’assurer, c’est qu’il est connect\u00e9 \u00e0 Internet.<\/p>\n\n

Selon Business Insider<\/a> , il y aura plus de 41 milliards d’appareils IoT d’ici 2027, contre environ 8 milliards en 2019. Cette enqu\u00eate a \u00e9t\u00e9 construite \u00e0 partir de 400 r\u00e9ponses de cadres sup\u00e9rieurs du monde entier. Ces soci\u00e9t\u00e9s incluent Alibaba, Alphabet, Amazon, Apple, VMWare, Verizon, etc. Il indique en outre que d’ici 2027, tous les appareils restants auront acc\u00e8s \u00e0 Internet et que le march\u00e9 de l’IoT atteindra plus de 2,4 billions de dollars par an.<\/p>\n\n

L’IoT combin\u00e9 \u00e0 la technologie la plus dynamique de l’intelligence artificielle (IA) pourrait \u00e9ventuellement rendre le syst\u00e8me IoT lui-m\u00eame plus intelligent et imiter facilement l’activit\u00e9 humaine.<\/p>\n\n

R\u00f4le de l’intelligence artificielle dans l’IoT<\/strong><\/h2>\n\n

\u00ab\u00a0IA + IdO = AIoT\u00a0\u00bb<\/em><\/p><\/blockquote>\n\n

L’IA est d\u00e9finie comme le processus consistant \u00e0 rendre les machines suffisamment intelligentes pour effectuer les t\u00e2ches sans aucune intervention humaine. Tous les appareils IoT collectent ensemble d’\u00e9normes donn\u00e9es et, d’autre part, pour construire un mod\u00e8le d’IA \u00e0 la pointe de la technologie, ils ont besoin d’\u00e9normes donn\u00e9es. Ainsi, la combinaison de ces deux techniques dynamiques fait de l’IoT monotone un IoT intelligent (t\u00e2ches intelligentes sans intrusion humaine). La puissante combinaison de l’IdO avec l’IA peut \u00eatre une \u00e9norme perc\u00e9e dans la vie des humains.<\/p>\n\n

Ainsi, lorsque nous parlons d’intelligence artificielle (IA), l’apprentissage automatique (ML) et l’apprentissage en profondeur (DL) jouent le r\u00f4le le plus vital puisque DL et ML sont les sous-ensembles de l’IA.<\/p>\n

\n
\"\"<\/figure>\n<\/div>\n

Apprentissage automatique (ML):<\/strong> l’apprentissage automatique comprend des algorithmes ou des techniques d’apprentissage automatique sous la forme d’un programme informatique qui apprend des informations \u00e0 partir de donn\u00e9es de mani\u00e8re it\u00e9rative, seule ou en utilisant l’ensemble de r\u00e8gles que nous mentionnons. Il existe trois principaux types d’algorithmes d’apprentissage automatique : l’apprentissage supervis\u00e9 et l’apprentissage non supervis\u00e9. Voyons quelques-uns des algorithmes ou mod\u00e8les d’apprentissage automatique utilis\u00e9s dans l’IoT.<\/p>\n\n

R\u00e9gression :<\/strong> La r\u00e9gression est le concept fondamental de l’apprentissage automatique. Il rel\u00e8ve de la cat\u00e9gorie de l’apprentissage supervis\u00e9 o\u00f9 le mod\u00e8le est form\u00e9 \u00e0 l’aide des donn\u00e9es d’entr\u00e9e (fonctionnalit\u00e9 ind\u00e9pendante) et des \u00e9tiquettes de sortie (fonctionnalit\u00e9 d\u00e9pendante). La r\u00e9gression est appliqu\u00e9e \u00e0 la nature continue des donn\u00e9es. Il existe deux types de r\u00e9gression qui sont la r\u00e9gression lin\u00e9aire et la r\u00e9gression non lin\u00e9aire.<\/p>\n\n

La r\u00e9gression lin\u00e9aire est appliqu\u00e9e lorsqu’il y a une lin\u00e9arit\u00e9 dans les donn\u00e9es d’entr\u00e9e. Par exemple, lorsque l’entr\u00e9e x est modifi\u00e9e, il devrait y avoir un changement possible dans une sortie y. L’\u00e9quation que le mod\u00e8le de r\u00e9gression lin\u00e9aire utilise pour former est donn\u00e9e par Y = \u03b8 1<\/sub> + \u03b8 2<\/sub> X 1<\/sub> . Par exemple, prenons les \u00e9missions de co 2<\/sub> dans les v\u00e9hicules en fonction de la taille du moteur et du nombre de cylindres. Le taux d’\u00e9mission a une relation lin\u00e9aire avec la taille du moteur et le nombre de cylindres.<\/p>\n

\n
\"TensorFlow
R\u00e9gression lin\u00e9aire<\/strong><\/figcaption><\/figure>\n<\/div>\n

R\u00e9gression non lin\u00e9aire, par exemple, consid\u00e9rons les donn\u00e9es d’un revenu int\u00e9rieur brut (RIB) chinois par an. Ici, la caract\u00e9ristique ind\u00e9pendante dans les donn\u00e9es est les ann\u00e9es et la caract\u00e9ristique d\u00e9pendante ou la variable pr\u00e9dite est le GDI. \u00c0 partir de ces donn\u00e9es, nous avons pu voir la relation non lin\u00e9aire entre les variables. L’\u00e9quation de la r\u00e9gression non lin\u00e9aire est donn\u00e9e par Y = \u03b8 1<\/sub> + \u03b8 2<\/sub> (X 1<\/sub> ) 2<\/sup> .<\/p>\n

\n
\"Premiers
R\u00e9gression non lin\u00e9aire<\/strong><\/figcaption><\/figure>\n<\/div>\n

Classification :<\/strong> La classification est une technique d’apprentissage supervis\u00e9. Il est utilis\u00e9 pour cat\u00e9goriser l’ensemble inconnu d’\u00e9l\u00e9ments dans un ensemble discr\u00e9\u00e9 de classes. L’algorithme de classification apprend la relation entre la variable caract\u00e9ristique d’entr\u00e9e et la variable cible d’int\u00e9r\u00eat. La variable cible est cat\u00e9gorielle avec des valeurs discr\u00e9es. Les c\u00e9l\u00e8bres algorithmes de classification largement utilis\u00e9s sont K-Nearest Neighbors, Decision tree, Logistic Regression et Support Vector Machine.<\/strong><\/p>\n\n

Clustering:<\/strong> le clustering signifie trouver les clusters dans un ensemble de donn\u00e9es, dans une technique non supervis\u00e9e. Le cluster est d\u00e9fini comme un groupe de points de donn\u00e9es ou d’objets dans un jeu de donn\u00e9es qui sont similaires aux autres objets d’un groupe et diff\u00e9rents des points de donn\u00e9es d’un autre cluster. Les algorithmes de clustering largement utilis\u00e9s sont le clustering K-means, le clustering hi\u00e9rarchique et le clustering bas\u00e9 sur la densit\u00e9.<\/strong><\/p>\n\n

Apprentissage en profondeur (DL):<\/strong> l’apprentissage en profondeur est un sous-domaine de l’apprentissage automatique, qui a \u00e9t\u00e9 con\u00e7u en s’inspirant du cerveau humain et appel\u00e9 r\u00e9seau de neurones artificiels (ANN). Ainsi, l’avancement des r\u00e9seaux de neurones profonds le rend plus sophistiqu\u00e9 pour r\u00e9agir dans un environnement r\u00e9el-complexe plus rapidement que les humains.<\/p>\n

\n
\"Perceptrons
Perceptron<\/strong><\/figcaption><\/figure>\n<\/div>\n

R\u00e9seau de neurones artificiels :<\/strong> Le r\u00e9seau de neurones artificiels a \u00e9t\u00e9 construit principalement avec trois couches, ce sont la couche d’entr\u00e9e, la couche cach\u00e9e, la couche de sortie.<\/strong> Les entr\u00e9es de la premi\u00e8re couche (couche d’entr\u00e9e) sont multipli\u00e9es par le poids et le biais ajout\u00e9. Le biais et les poids sont al\u00e9atoires au d\u00e9part. Ensuite, ces valeurs passent par une fonction d’activation (ReLU, Sigmoid, Tanh, etc.) puis passent \u00e0 la couche suivante jusqu’\u00e0 la couche de sortie. Cette it\u00e9ration du processus peut \u00eatre r\u00e9p\u00e9t\u00e9e jusqu’\u00e0 ce que nous obtenions la performance\/pr\u00e9cision optimale.<\/p>\n

\n
\"Apprentissage
<\/em> R\u00e9seau neuronal artificiel<\/strong><\/figcaption><\/figure>\n<\/div>\n

Applications de l’apprentissage automatique \u00e0 l’IoT<\/strong><\/h2>\n\n

Aujourd’hui, il existe plusieurs algorithmes ML appliqu\u00e9s dans l’IoT. Ces applications ML d\u00e9pendent fortement du domaine appliqu\u00e9. Il existe plusieurs raisons pour lesquelles l’apprentissage automatique influence l’IoT. Mais d’abord, que se passe-t-il si l’IoT est mis en \u0153uvre sans ML? L’IoT doit faire face aux cons\u00e9quences suivantes lorsqu’il est uniquement mis en \u0153uvre sans ML. Cela inclut l’int\u00e9gration de donn\u00e9es provenant de plusieurs sources, la gestion des appareils, la gestion d’un \u00e9norme volume de donn\u00e9es et le contr\u00f4le des versions des applications.<\/p>\n\n

L’IoT traite de l’interconnexion des appareils dans le but principal de partager les informations (donn\u00e9es). Ces donn\u00e9es \u00e9taient la raison standard qui rend le ML plus puissant, augmentant l’efficacit\u00e9 de l’IoT. Les facteurs cl\u00e9s que ML contribue \u00e0 l’IoT sont: analyser les donn\u00e9es et pr\u00e9dire les \u00e9v\u00e9nements futurs, convertir les donn\u00e9es brutes en un format compr\u00e9hensible par l’homme, syst\u00e8me de recommandation en temps r\u00e9el, maintenance des appareils (IoT), etc.<\/p>\n\n

Le processus de rendre l’IoT intelligent et d’analyser les m\u00e9gadonn\u00e9es produites par des milliards d’appareils de ce type trouve une application dans plusieurs domaines. Ces domaines sont les v\u00e9hicules autonomes, les appareils portables, l’automatisation industrielle, l’agriculture, les soins de sant\u00e9 et le commerce de d\u00e9tail.<\/p>\n\n

Automatisation industrielle :<\/strong> En ce qui concerne les lignes de production dans les industries, vous avez besoin de l’aide des robots automatis\u00e9s. Des robots qui travaillent aux c\u00f4t\u00e9s des humains appel\u00e9s robots collaboratifs ou cobots. Leur principal inconv\u00e9nient est qu’ils fonctionnent \u00e0 l’insu des obstacles (humains) pr\u00e9sents dans leur environnement. Cette situation pourrait potentiellement causer des blessures mortelles ou la mort au cas o\u00f9. Afin d’att\u00e9nuer les dommages physiques caus\u00e9s aux humains ou de rendre les robots suffisamment intelligents pour prendre conscience de leur environnement de travail, certains syst\u00e8mes de s\u00e9curit\u00e9 sont n\u00e9cessaires. Vient ensuite l’application des algorithmes ML\/DL avec l’IoT, dans le d\u00e9veloppement du syst\u00e8me de s\u00e9curit\u00e9 intelligent bas\u00e9 sur la vision par ordinateur pour les robots collaboratifs.<\/p>\n\n

Agriculture:<\/strong> La population mondiale continue de cro\u00eetre. Au cours des 80prochaines ann\u00e9es, 3,6milliards de personnes viendront s’ajouter \u00e0 la population actuelle. Il y aura donc une demande accrue pour la nourriture. Ainsi, l’IoT et l’IA am\u00e9liorent ensemble la production agricole avec les technologies suivantes,<\/p>\n\n