Comparaison de l'apprentissage automatique hybride et conventionnel

Le bon fonctionnement de l’apprentissage automatique exige de grandes quantités de données. En revanche, si la quantité de données disponibles est faible en raison de ressources limitées – qu’il s’agisse de capteurs, de temps ou de budget –, l’approche traditionnelle de l’apprentissage automatique peut aboutir à de piètres résultats, voire échouer. Dans ces cas-là, une approche hybride, combinant diverses méthodes, peut s’avérer plus probante. C’est ce que révèle une étude publiée récemment par l’Institut des systèmes industriels intelligents I3S de la Haute école spécialisée bernoise BFH. Cette étude indique notamment que des connaissances physiques ont en outre été appliquées à l’ensemble des données sous forme de formules, ce qui a permis d’améliorer incontestablement les performances de l’algorithme. Les conclusions de l’étude se révèlent particulièrement encourageantes dans la perspective de la numérisation dans l’industrie, car les données disponibles dans ce contexte demeurent souvent limitées. Une requête pour réaliser un projet de recherche à plus grande échelle, dans lequel l’approche hybride de l’apprentissage automatique sera étudiée plus en détail, a déjà été déposée.

L’article est paru dans la revue Applied Sciences du Multidisciplinary Digital Publishing Institute (MDPI), une maison d’édition de revues scientifiques en libre accès.