Geneva - Switzerland +41 78 930 26 37
Machine Learning

Pour certains systèmes très changeants ou tout simplement pour un grand nombre de capteurs hétérogènes, il peut être laborieux de définir systématiquement une alarme spécifique pour chaque capteur.
Pour cette raison, nous avons développé des algorithmes de Machine Learning pour que notre solution soit capable de trouver les anomalies d’elle même. 

A quoi sert le Machine Learning ?

Dans ebeewan nous utilisons des algorithmes de Machine Learning afin de réaliser des actions automatiques qui nécessitent aujourd'hui la présence systématique d'analyste.
Maintenance Prédictive
Etre capable de prédire quand la maintenance d'une machine devra être effectuée permet d'énormes économies.
Détection d'anomalies
On ne peut pas penser à tous les dysfonctionnements qui peuvent survenir, nos algorithmes sont capables de reconnaitre les données incohérentes.
Optimisation des performances
Détection des zones de déperditions de chaleur. Analyse de la consommation électrique...
  • Text Hover

Les chiffres clés de nos algorithmes

Nos différents services de Machine Learning ont été testés avec soin et  nous ont permis de réaliser des statistiques sur leurs taux de réussite depuis leurs déploiements.
Précision
0%
Erreur moyenne
0%
Dysfonctionnement détecté
0%

Example de processus de prédiction

Ce processus permet de déterminer à un instant T si une valeur envoyée 
par un capteur est cohérente.



1

Création du modèle de données

Initialisation d'un modèle de données en s'appuyant sur l'historique des données déjà reçues ou de capteurs similaires

2

Prédiction de la prochaine valeure

Notre modéle va permettre de prédire la prochaine valeur que devrait envoyer le capteur

3

Calcul de la différence moyenne

Nous calculons la différence moyenne qui existe pour ce capteur à un instant T (ex: -+ 2°C)

4

Contrôle des valeurs

Test de la donnée reçue en comparaison à celle prédite en tenant compte de la différence moyenne.

5

Déclenchement d'alarme

Si le contrôle signale une valeur anormale, nous alertons l'utilisateur qu'un comportement anormal a été détecté

Algorithmes célèbres utilisés

Nos processus de Machine Learning sont basés sur des algorithmes éprouvés 
que nous avons adaptés pour nos clients.

K-Nearest Neighbour

Il permet de façon relativement rapide de determiner si une valeur reçue est correcte par rapport à un ensemble de données.

Feedforward Neural Network

Ces algorithmes sont lourds et doivent être entrainés (supervised learning) mais permettent avec une fiabilité incomparable de determiner si des données sont correctes .

K-Means Clustering

Les K-Means clustering permettent de comparer des segments de données afin d'identifier les changements globaux de comportements d'un capteur.