IA comportementale sur IoT

1.Introduction

C'est dans le cadre des smartcities que le besoin d'anticiper en l'occurrence la consommation d'énergie, d'eau, de maintenir opérationnellement les infrastructures IoT qui mesurent les débits de fluides, que les outils RN sont mis à profits pour prédire, détecter les contradictions des mesures faites par les IoTs, remplir les données aberrantes ou manquantes. Au bout du bout, il s'agit de déterminer quel type d'habitats et d'habitants qui sont présents et ainsi leur offrir les meilleurs conseils sur les usages des bâtiments.

2.Méthodologie

Des machines learning encapsulées sur gros volumes de données vont pouvoir décrire les flux d'information au niveau d'un IoT, au niveau de plusieurs IoT (une salle), d'un ensemble de salles (ou gateway = habitations), niveau immeuble etc qui vont s'autocorriger et ainsi maintenir, prédire la masse des flux 'informations. Selon la typologie des salles et des habitations, les comportements remarquables des machines learning vont classifier les lieux et déterminer leurs aractéristiques. Ce besoin apparait quand les industriels cherchent à corriger et conseiller les occupants pour garder le cap de la diminution de l'empreinte carbone.

3.Originalité / perspective

Nous présenterons l'architecture des machines learning et son originalité ainsi que les différents tests réalisés en grandeur nature. En outre, cette technique dans des environnements edge permettra de ne délivrer que l'information utile et ainsi diminuer le coût carbone des IoT tout en préservant par extrapolation non linéaire, la qualité des informations reçues.

Télécharger les slides

Revoir le live :

SESSION 1.4 - IA comportementale sur IoT - Chauvin - MyDataBall https://t.co/cCS805mB5Q

— Bordeaux Data Science (@BordeauxData) February 13, 2020