Terminale générale · Sciences de l'ingénieur

Comprendre les entrées et sorties d’une application d’intelligence artificielle

Sur un convoyeur, une caméra photographie chaque pièce avant un aiguillage. Une rayure ressemble parfois à un reflet : comment décider quelle pièce isoler ? Nous allons suivre les données jusqu’à la commande, puis vérifier ce que le système

Lecture et activités : environ 45 minutes

Objectifs

  • Distinguer image acquise, données prétraitées, modèle entraîné, prédiction et commande.
  • Expliquer qualitativement apprentissage supervisé et inférence, sans calculer les paramètres du modèle.
  • Distinguer score de confiance, probabilité et règle de décision.
  • Interpréter une grille de confusion en indiquant la population de chaque taux.
  • Proposer un test sur des pièces distinctes et identifier des limites liées aux données, au délai et à la sûreté.
Sommaire du chapitre
  1. 1. De la pièce à une entrée numérique exploitable
  2. 2. Apprendre sur des exemples, puis effectuer une inférence
  3. 3. Distinguer score, classe prédite et décision de commande
  4. 4. Mesurer les erreurs avec une grille de confusion
  5. 5. Chercher les biais et les situations hors domaine
  6. 6. Vérifier le délai et raisonner sur la sûreté du système

Sur un convoyeur, une caméra photographie chaque pièce avant un aiguillage.

Sur un convoyeur, une caméra photographie chaque pièce avant un aiguillage. Une rayure ressemble parfois à un reflet : comment décider quelle pièce isoler ? Nous allons suivre les données jusqu’à la commande, puis vérifier ce que le système manque ou écarte à tort. Le cas est une maquette pédagogique de contrôle visuel ; toutes les valeurs numériques sont des données originales d’exercice, sans mesure sur une installation réelle.

Prérequis :

  • Identifier capteur, unité de traitement et actionneur dans une chaîne d’information.
  • Lire une condition « si… alors… sinon… » et un tableau à double entrée.
  • Calculer une proportion, un pourcentage et une durée à partir de d = v × t ; convertir secondes et millisecondes.

1. De la pièce à une entrée numérique exploitable

Le système étudié comprend la caméra, le calculateur, la commande et l’aiguillage. La pièce et l’éclairage interagissent avec lui. Pour le modèle, l’entrée n’est pas la pièce elle-même mais un tableau de nombres issu de sa photographie. Un capteur de présence peut déclencher la prise de vue ; il ne fournit pas à lui seul la classe de la pièce.

Nous limitons le cas aux défauts visibles dans la zone photographiée. D désigne une pièce portant un défaut visible défini par notre protocole ; C une pièce conforme à ce contrôle visuel. Une pièce classée C peut encore présenter un défaut interne non observable par la caméra. Cette taxonomie est propre au cas.

Le prétraitement prépare le format attendu : recadrer la zone utile, redimensionner l’image, éventuellement passer en niveaux de gris puis normaliser les valeurs. Dans notre convention, une image de 64 × 64 pixels en niveaux de gris comporte 4 096 valeurs. Une intensité entière p de 0 à 255 devient x = p/255, sans unité. Ce traitement n’invente pas une zone cachée et ne répare pas une photographie floue. Réduire trop l’image peut effacer une petite rayure.

Le même prétraitement doit être utilisé pour préparer l’apprentissage et pour traiter les images en utilisation. Un contrôle séparé signale image absente, saturation manifeste ou format incompatible. Une entrée techniquement valide n’est toutefois pas une garantie que la pièce ressemble à celles déjà étudiées.

À toi d'essayer

Remets dans l’ordre : commande de l’aiguillage, prétraitement, acquisition par caméra, inférence. Précise ce qui entre dans le modèle et si le modèle doit créer une image.

Coup de pouce : Étiquette chaque flèche « donnée », « prédiction » ou « ordre » ; ne mets pas la pièce matérielle directement à l’entrée du logiciel.

Voir la réponse

Acquisition → prétraitement → inférence → commande ; entrée : tableau de valeurs ; aucune image à générer. Correction détaillée : La caméra fournit l’image. Le prétraitement prépare le format. L’inférence associe les données aux scores et à la classe. Une règle produit ensuite l’ordre. Le modèle effectue une classification et non une génération.

À toi d'essayer

En test, 8 défauts sur 10 sont repérés sous éclairage faible et 18 sur 20 sous éclairage nominal. Calcule les rappels, puis propose une vérification d’un possible biais d’éclairage. Un score de 0,99 sur un nouveau matériau suffit-il ?

Coup de pouce : Annonce toujours effectif et population ; distingue observation d’un écart, hypothèse sur la cause et expérience pour la tester.

Voir la réponse

Rappels 80 % et 90 % ; comparer des conditions sur des pièces distinctes et mieux représentées. Le score élevé sur le nouveau matériau ne suffit pas. Correction détaillée : Faible : 8/10 = 80 % ; nominal : 18/20 = 90 %. L’écart observé est de 10 points de pourcentage ; les faibles effectifs et des défauts potentiellement différents empêchent d’en attribuer sûrement la cause à l’éclairage. Préparer un protocole avec mêmes familles de défauts, C et D sous les deux éclairages, suivi des identifiants et séparation des pièces de test et d’entraînement. Tester le nouveau matériau avant usage : le modèle peut être très confiant hors domaine.

2. Apprendre sur des exemples, puis effectuer une inférence

Dans un apprentissage supervisé, on fournit des images accompagnées d’une étiquette C ou D, établie selon un protocole de référence. Le modèle ajuste ses paramètres pour relier ces entrées aux étiquettes. Ici, il s’agit d’une classification, c’est-à-dire attribuer une catégorie à une entrée. Ce modèle ne rédige pas de texte et ne génère pas d’image. Aucune création de chatbot n’est nécessaire à cette étude.

Après l’entraînement, l’inférence consiste à appliquer le modèle fixé à une nouvelle image prétraitée. Les paramètres restent figés pendant nos essais : observer une nouvelle pièce ne signifie pas que le modèle réapprend automatiquement. Un mauvais résultat peut venir de l’image, du prétraitement, des étiquettes ou du modèle. Il faut localiser la cause avant de modifier un bloc.

On sépare les pièces servant à l’entraînement, celles servant à choisir les réglages et un jeu de test réservé à l’évaluation finale. Les photographies d’une même pièce restent dans un seul groupe : deux vues presque identiques réparties entre entraînement et test donneraient une évaluation trompeuse. Quand on veut vérifier une généralisation à de nouveaux lots, on sépare aussi les lots. Le test doit contenir des conformes, des défauts variés et les conditions d’éclairage prévues.

Un contrôle indépendant de référence, adapté au défaut recherché, établit la classe réelle. Si l’étiquette est incertaine, on l’indique et on fait examiner le cas ; on ne la remplace pas par la prédiction. Si le test final sert ensuite à modifier le seuil, ce jeu devient un jeu de réglage : il faut réserver un nouveau test pour évaluer la version modifiée.

Exemple résolu

Suivre une pièce, du pixel à l’aiguillage — Une pièce avance à vitesse constante. Identifier la sortie du modèle, appliquer la règle de commande et vérifier si le délai permet d’agir avant son arrivée. Données : Origine: Données pédagogiques originales, non mesurées en usine. Distance m: 0.12 Vitesse m s: 0.4 Image: 64 × 64 pixels en niveaux de gris ; image déclarée valide Intensite pixel: 196 Score d: 0.82 Score c: 0.18 Seuil d: 0.5 Delais ms: {"acquisition": 20, "pretraitement": 12, "inference": 28, "commande": 10, "actionneur": 40}

  1. Étape 1 : Préparer les données : le pixel considéré devient 196/255 ≈ 0,769. L’image entière contient 64 × 64 = 4 096 valeurs, pas une seule intensité.
  2. Étape 2 : Lire la sortie : sD = 0,82 et sC = 0,18. Comme 0,82 ≥ 0,50, la classe prédite est D. Ce score ne donne pas une preuve de probabilité calibrée.
  3. Étape 3 : Calculer le temps disponible : t = d/v = 0,12/0,40 = 0,30 s = 300 ms. Les unités donnent m/(m·s⁻¹) = s.
  4. Étape 4 : Additionner les délais jusqu’à la réponse de l’actionneur : 20 + 12 + 28 + 10 + 40 = 110 ms. La marge vaut 300 − 110 = 190 ms.
  5. Étape 5 : Appliquer la règle : image valide, résultat disponible à temps et classe D → commander l’isolement. Le déplacement exige un actionneur alimenté ; une prédiction seule ne prouve pas le bac atteint.
  6. Étape 6 : Vérification : 0,769 appartient à [0 ; 1] ; 0,82 + 0,18 = 1 ; 110 < 300. Avec la même classe mais une image invalide, la règle imposerait le contrôle. Le délai donné n’est pas une garantie sur les délais extrêmes d’un équipement réel.

Résultat : Classe prédite D ; ordre d’isolement ; réponse de l’actionneur prévue après 110 ms pour 300 ms disponibles, marge de 190 ms dans les hypothèses données.

Piège à éviter : Vérifier les hypothèses, signes et unités avant de conclure.

À toi d'essayer

Une image de 64 × 64 pixels en niveaux de gris est normalisée par x = p/255. Combien de valeurs comporte-t-elle ? Pour p = 102, calcule x. Cette valeur est-elle un score de défaut ?

Coup de pouce : Repère l’emplacement du nombre dans la chaîne : x est calculé avant l’inférence.

Voir la réponse

4 096 valeurs ; x = 0,40 ; ce n’est pas un score de défaut. Correction détaillée : 64 × 64 = 4 096. Le pixel vaut 102/255 = 0,40, sans unité, dans [0 ; 1]. Il décrit ici une intensité de l’entrée. Il faut appliquer le modèle à l’image pour obtenir des scores de classe.

À toi d'essayer

La caméra est à 0,09 m de l’aiguillage ; vitesse constante 0,50 m·s⁻¹. Acquisition 25 ms, prétraitement 20 ms, inférence 90 ms, commande 15 ms et réponse de l’actionneur 55 ms. Le score D vaut 0,97. Calcule le temps disponible et la marge ; décide selon la règle de base et nomme une autre vérification du tri physique.

Coup de pouce : Convertis toutes les durées en ms, additionne la réponse de l’actionneur, puis traite le délai avant le score.

Voir la réponse

180 ms disponibles, 205 ms nécessaires, marge −25 ms ; résultat trop tardif, contrôle selon la simulation. Vérifier le suivi de pièce et le bac atteint. Correction détaillée : t = 0,09/0,50 = 0,18 s = 180 ms. Somme = 25+20+90+15+55 = 205 ms. Marge = 180−205 = −25 ms : le délai est dépassé malgré le score de 0,97. La règle déclenche une demande de suspension et de contrôle dans la simulation ; elle ne prouve pas que la pièce déjà engagée est retenue. Il faut identifier cette pièce et prévoir son contrôle en aval si nécessaire. Sur une vraie machine, cette réaction devrait être conçue et validée par une analyse de risques. Observer l’ordre seul ne prouve ni l’identité de la pièce aiguillée ni sa destination.

3. Distinguer score, classe prédite et décision de commande

Pour notre maquette, le modèle fournit deux scores sans unité, sD et sC, compris entre 0 et 1 et de somme 1. Nous appelons sD score de confiance associé à D. La classe prédite est D si sD ≥ 0,50 et C sinon ; à égalité, notre convention donne D. Cette convention binaire est fixée pour toute la grille du cas résolu 2. Les architectures d’IA ne fournissent pas toutes de tels scores.

Un score est un nombre calculé par le modèle. Une probabilité décrit une incertitude dans un cadre précisé ; une fréquence de réussite est mesurée sur un ensemble d’essais. Même si un score ressemble à une probabilité, sD = 0,82 ne prouve ni 82 % de réussite globale, ni une probabilité de 82 % que la commande soit correcte. Une interprétation probabiliste demande une vérification de calibration : parmi beaucoup de cas comparables ayant un score proche de 0,82, environ 82 % devraient réellement être D, dans des conditions définies. Nous n’avons pas cette preuve ici.

La décision ajoute les contraintes du système. Dans la simulation de base : image invalide ou résultat trop tardif → suspendre le transfert et demander un contrôle ; sinon classe prédite D → commander l’isolement ; sinon C → poursuivre vers la sortie de contrôle visuel. Cette règle explicite transforme une information en ordre ; le score ne fournit pas l’énergie de déplacement de l’aiguillage. La chaîne de puissance et l’actionneur réalisent le mouvement.

Changer le seuil change les erreurs possibles. À scores inchangés, augmenter le seuil D réduit ou maintient le nombre de prédictions D ; des faux positifs peuvent disparaître mais des défauts auparavant détectés peuvent être manqués. Le choix dépend des conséquences et se règle sur un jeu prévu à cet effet. Il n’existe pas de seuil universel garantissant la sûreté.

À toi d'essayer

Règle de base : D si sD ≥ 0,50 ; C sinon. Une entrée invalide ou un résultat tardif demande un contrôle, sinon D est isolée et C poursuit. A : sD = 0,48, valide, à temps ; B : sD = 0,95, invalide ; C : sD = 0,50, valide, à temps. Donne les classes calculées et les décisions, puis discute « B est sûrement défectueuse à 95 % ».

Coup de pouce : Procède en deux colonnes, classe puis décision ; teste d’abord les conditions qui imposent le contrôle.

Voir la réponse

A : C, poursuite ; B : D calculée mais contrôle ; C : D, isolement. L’interprétation probabiliste de B n’est pas justifiée. Correction détaillée : Comparer les scores à 0,50 donne C, D, D ; l’égalité est incluse dans D. Appliquer ensuite les conditions : l’invalidité de B interdit de s’appuyer sur sa classe. Un score élevé n’annule pas cette invalidité et n’est pas une probabilité de vérité démontrée.

4. Mesurer les erreurs avec une grille de confusion

Nous choisissons comme classe positive D, « défaut visible ». La classe réelle vient du contrôle de référence ; la classe prédite vient du seuil fixé. Un vrai positif (VP) est un défaut prédit D. Un faux négatif (FN) est un défaut prédit C, donc manqué par le classificateur. Un faux positif (FP) est une pièce réellement C prédite D, donc une fausse alerte. Un vrai négatif (VN) est une pièce C prédite C. Positif ne signifie pas souhaitable : il désigne la présence du défaut recherché.

Pour éviter les erreurs de dénominateur, on commence par la question. « Quelle part des défauts est repérée ? » utilise VP/(VP+FN), le rappel de D. « Parmi les alertes D, quelle part est justifiée ? » utilise VP/(VP+FP), la précision des alertes. « Quelle part de toutes les prédictions est correcte ? » utilise (VP+VN)/N, l’exactitude globale. Les deux premiers rapports ne sont définis que si leur dénominateur est non nul.

Le taux de faux négatifs vaut FN/(VP+FN) et le taux de faux positifs FP/(FP+VN). Le taux de défauts parmi les pièces prédites C vaut FN/(FN+VN) : c’est une autre population que celle des défauts réels. On indique toujours le dénominateur, sans appeler tous ces taux « taux d’erreur ». Les résultats d’un lot de test ne garantissent pas les mêmes taux sur tous les lots futurs.

Dans le cas résolu 2, les images sont valides, les résultats arrivent à temps et les actionneurs sont supposés fonctionner. La commande suit donc directement la classe prédite. Si une pièce est retenue pour contrôle ou si l’actionneur échoue, il faut compter séparément ces événements ; la seule grille du classificateur ne mesure plus le tri physique complet.

Exemple résolu

Évaluer les prédictions sur 200 nouvelles pièces — Interpréter une grille de confusion obtenue sur des pièces réservées au test, au seuil D fixé à 0,50. La moyenne globale suffit-elle à juger le contrôle ? Données : Origine: Lot fictif original de 200 pièces, distinct des pièces d’entraînement et de réglage. Classe positive: D : défaut visible Seuil d: 0.5 Hypotheses: Images valides, résultats à temps, commande conforme à la prédiction et actionneur supposé sans défaut. Matrice: {"lignes": "classe réelle de référence", "colonnes": "classe prédite", "D": {"D": 34, "C": 6}, "C": {"D": 8, "C": 152}}

  1. Étape 1 : Lire les lignes réelles : 34 + 6 = 40 pièces D ; 8 + 152 = 160 pièces C ; total 200. Les colonnes prédites donnent 42 D et 158 C.
  2. Étape 2 : Identifier VP = 34, FN = 6, FP = 8, VN = 152. Vérifier 34 + 6 + 8 + 152 = 200.
  3. Étape 3 : Exactitude globale = (34 + 152)/200 = 186/200 = 93 %. Ce dénominateur comprend toutes les pièces.
  4. Étape 4 : Rappel de D = 34/40 = 85 % ; taux de faux négatifs = 6/40 = 15 %. Le dénominateur est la population réellement défectueuse.
  5. Étape 5 : Précision des alertes = 34/42 ≈ 80,95 % ; taux de faux positifs = 8/160 = 5 %. Les dénominateurs sont différents : prédictions D pour le premier, pièces réellement C pour le second.
  6. Étape 6 : Parmi les 158 pièces prédites C, 6 sont D : 6/158 ≈ 3,80 %. Ce n’est pas le taux de faux négatifs 6/40.
  7. Étape 7 : Conclure : 93 % de prédictions correctes laisse 6 défauts manqués sur ce lot. La décision d’accepter ces erreurs dépend des exigences et conséquences ; aucun seuil d’acceptation industriel n’est fourni.
  8. Étape 8 : Vérification : VP + FN = 40 ; FP + VN = 160 ; VP + FP = 42 ; FN + VN = 158. Le rappel 85 % et le taux de faux négatifs 15 % somment à 100 %. Le taux de défauts parmi les C prédits est bien calculé sur 158, et non sur 200.

Résultat : Sur ce seul test : 186 prédictions correctes sur 200, 6 défauts manqués sur 40, et 8 fausses alertes sur 160 pièces conformes. La performance de sûreté d’une machine réelle reste non évaluée.

Piège à éviter : Vérifier les hypothèses, signes et unités avant de conclure.

À toi d'essayer

Un nouveau test de 80 pièces donne, avec D positive : 16 défauts prédits D, 4 défauts prédits C, 3 conformes prédits D et 57 conformes prédites C. Construis la grille avec totaux ; calcule exactitude, rappel de D, précision des alertes et les deux taux FN et FP.

Coup de pouce : Avant chaque division, complète « parmi… ». Les défauts manqués restent dans la ligne D réelle, pas dans la colonne D prédite.

Voir la réponse

VP = 16, FN = 4, FP = 3, VN = 57. Exactitude 91,25 % ; rappel 80 % ; précision ≈ 84,21 % ; taux FN 20 % ; taux FP 5 %. Correction détaillée : Lignes réelles : D = (16, 4), total 20 ; C = (3, 57), total 60. Colonnes prédites : D = 19 ; C = 61 ; total 80. Exactitude = (16+57)/80 = 73/80 = 91,25 %. Rappel = 16/20 = 80 %. Précision = 16/19 ≈ 84,21 %. Taux FN = 4/20 = 20 % ; taux FP = 3/60 = 5 %. À titre de comparaison, les défauts parmi les C prédits donnent 4/61 ≈ 6,56 %, autre dénominateur.

5. Chercher les biais et les situations hors domaine

Un biais de données peut apparaître si les images D sont surtout prises sur un fond sombre et les images C sur un fond clair. Le modèle risque d’utiliser le fond au lieu du défaut. Une forte performance sur le même décor ne prouve alors pas la capacité à reconnaître des rayures. On teste des pièces C et D dans chaque éclairage et sur plusieurs fonds, avec des pièces distinctes des données d’apprentissage.

Il faut aussi chercher les cas difficiles : pièces brillantes, défauts minuscules, orientation inhabituelle, caméra déplacée ou nouveau matériau. On compare les résultats par condition en donnant les effectifs. Une moyenne peut masquer une famille de pièces mal contrôlée. Un petit échantillon donne une indication fragile ; un écart observé ne suffit pas à identifier sa cause.

Un modèle peut produire un score élevé sur une pièce inconnue. Le score seul ne détecte donc pas sûrement une sortie du domaine d’utilisation. Prévoir un contrôle des entrées, documenter les types de pièces et surveiller l’évolution des erreurs aide à repérer les limites. Une nouvelle version du modèle ou du prétraitement nécessite une nouvelle évaluation traçable.

À toi d'essayer

Activité dirigée de simulation sur papier : six pièces distinctes ont les couples (sD ; classe réelle) A (0,92 ; D), B (0,74 ; C), C (0,66 ; D), D (0,51 ; C), E (0,33 ; D), F (0,08 ; C). Prédis D si sD ≥ seuil. Compare les grilles aux seuils 0,50 et 0,70. Peut-on éliminer une erreur sans en créer une autre ?

Coup de pouce : Rejoue la condition sur chaque ligne avant de compter ; ne compare pas seulement l’exactitude globale.

Voir la réponse

À 0,50 : VP 2, FN 1, FP 2, VN 1 ; à 0,70 : VP 1, FN 2, FP 1, VN 2. Une fausse alerte disparaît, mais un défaut supplémentaire est manqué. Correction détaillée : Au seuil 0,50, A à D sont prédits D, E et F sont prédits C. Au seuil 0,70, seuls A et B restent prédits D : C devient FN et D devient VN. Les deux exactitudes valent 3/6 = 50 %, malgré des erreurs différentes. Ce petit lot sert à comprendre le réglage, pas à garantir un seuil industriel ; après choix du seuil, une évaluation sur un test réservé est nécessaire.

6. Vérifier le délai et raisonner sur la sûreté du système

La caméra doit identifier la bonne pièce avant qu’elle arrive à l’aiguillage. Si la distance caméra–aiguillage est d et si la vitesse v est constante, le temps disponible est d/v. Il faut comparer ce temps à la somme acquisition + prétraitement + inférence + transmission de commande + réponse de l’actionneur. Une moyenne faible ne suffit pas si certains délais dépassent la limite ; les essais doivent rechercher les délais défavorables prévus par le protocole.

La pièce et sa prédiction doivent rester associées, par exemple par un identifiant de suivi. Sinon une bonne classe peut commander l’isolement de la pièce suivante. La vérification doit observer le bac réellement atteint, et pas seulement l’ordre logiciel. Image absente, perte de suivi, retard et défaut d’actionneur demandent des essais dédiés, en simulation ou sur un dispositif pédagogique encadré.

Une erreur peut laisser passer un défaut, écarter une pièce conforme ou bloquer la ligne. Les conséquences déterminent le besoin de contrôles complémentaires. Dans notre simulation, une anomalie déclenche une demande de suspension du transfert et de contrôle. Cette réaction ne garantit pas de retenir une pièce déjà engagée ou passée : il faut alors identifier la pièce concernée et prévoir son contrôle en aval. Un résultat tardif ne doit pas être appliqué à la pièce suivante. Ce choix n’est pas une fonction de sécurité industrielle validée. La protection des personnes exige une analyse de risques et des dispositifs adaptés, indépendants de la confiance affichée par le classificateur. Aucun branchement ni pilotage d’une machine réelle n’est demandé ici.

La leçon permet d’expliquer des données, des sorties et des limites. Elle n’annonce aucun service de chat ou d’IA en production, ni aucun fonctionnement d’une offre commerciale.

À toi d'essayer

On dispose de 120 pièces, photographiées chacune trois fois. Un élève propose de mélanger les 360 images puis d’en réserver 60 pour le test. Explique le risque et propose un partage possible par pièces entre entraînement, réglage et test.

Coup de pouce : Dessine trois vues d’une même pièce et entoure-les : c’est ce groupe qu’il faut affecter à une seule partition.

Voir la réponse

Risque de vues d’une même pièce dans plusieurs groupes ; exemple : 80 pièces pour apprendre, 20 pour régler, 20 pour tester. Correction détaillée : Le partage proposé par images n’assure pas l’indépendance des pièces. Avec 80/20/20 pièces, on obtient 240/60/60 images, mais toutes les vues d’une pièce restent ensemble. Vérifier les identifiants, répartir C et D et diversifier les conditions. Pour viser de nouveaux lots, séparer aussi les lots. Ces nombres sont une proposition d’exercice, pas un ratio obligatoire.

Attention :

Erreurs fréquentes :

  • Confondre une intensité normalisée avec une probabilité de défaut. : Identifier d’abord ce que le nombre décrit : pixel en entrée, score du modèle, ou fréquence mesurée sur un lot.
  • Lire sD = 0,90 comme « la machine a raison dans 90 % des cas ». : Demander une évaluation sur données distinctes et une vérification de calibration avant toute interprétation probabiliste.
  • Diviser les faux négatifs par toutes les pièces pour calculer la part des défauts manqués. : Écrire la population visée : parmi les défauts réels, le dénominateur est VP + FN.
  • Mettre deux photographies de la même pièce dans entraînement et test. : Séparer par identifiant de pièce avant les transformations ; séparer par lot si le test vise un nouveau lot.
  • Assimiler l’ordre d’isolement à l’isolement physique réussi. : Vérifier le délai, le suivi de la pièce, l’actionneur et le bac atteint.

À retenir

  • L’entrée du modèle est une donnée préparée, ici un tableau de pixels ; sa sortie est une prédiction accompagnée de scores.
  • L’apprentissage règle des paramètres sur des exemples étiquetés ; l’inférence applique le modèle fixé à de nouvelles entrées.
  • Un score de confiance n’est pas, à lui seul, une probabilité calibrée ni une mesure de sûreté.
  • La commande applique une règle explicite à la prédiction et aux conditions de validité et de délai.
  • On évalue les erreurs sur des pièces distinctes en écrivant le dénominateur de chaque taux.
  • Le domaine des données, les biais, les retards et les pannes limitent la portée des résultats.

S'entraîner sur cette notion

Explorer les exercices SI

Fiche de révision

L’entrée du modèle est une donnée préparée, ici un tableau de pixels ; sa sortie est une prédiction accompagnée de scores.

L’apprentissage règle des paramètres sur des exemples étiquetés ; l’inférence applique le modèle fixé à de nouvelles entrées.

Un score de confiance n’est pas, à lui seul, une probabilité calibrée ni une mesure de sûreté.

La commande applique une règle explicite à la prédiction et aux conditions de validité et de délai.

On évalue les erreurs sur des pièces distinctes en écrivant le dénominateur de chaque taux.

Le domaine des données, les biais, les retards et les pannes limitent la portée des résultats.

Questions fréquentes

Puis-je nommer séparément l’entrée, la sortie et l’ordre pour la pièce du CAS-1 ?

Entrée : image prétraitée ; sortie : scores 0,82/0,18 et classe D ; ordre : isolement après contrôle de validité et délai.

Puis-je expliquer pourquoi 6/40 et 6/158 ne répondent pas à la même question ?

6/40 : défauts manqués parmi les défauts réels ; 6/158 : défauts parmi les pièces prédites C.

Puis-je citer deux raisons pour lesquelles un score élevé ne suffit pas à commander une machine ?

Exemples : image hors domaine ou invalide, résultat tardif, pièce mal suivie, actionneur en défaut ; score non calibré.

Et maintenant ?

Choisis la suite de ton parcours : approfondir la notion suivante, revoir le chapitre ou t’entraîner avec les exercices réellement disponibles.

Besoin d’une révision ? Revoir la leçon précédente : Programmer une interface et ses événements

Toutes les leçons de Terminale générale — Sciences de l’ingénieur

Scientia