Images, mouvements, phénomènes physiques ou séquences d’événements : les données synthétiques enrichissent l’apprentissage des robots. Pour être utiles, elles doivent toutefois représenter les situations réelles avec une diversité et une fidélité adaptées aux usages.
Des données fabriquées, des usages bien réels
Les données synthétiques sont générées par des programmes informatiques pour compléter ou remplacer des données réelles. Elles peuvent prendre la forme d’images, de vidéos, de sons, de phénomènes physiques ou de séquences d’événements, et servir à entraîner des modèles d’apprentissage automatique.
Associées aux données réelles, elles peuvent contribuer à protéger les informations sensibles, à atténuer les biais ou à fournir des données impossibles à collecter.
La simulation permet également de maîtriser leur diversité et leur qualité. Elle peut, par exemple, générer différents environnements intérieurs ou extérieurs pour l’apprentissage de la navigation des véhicules autonomes.
Le réalisme ne se juge pas seulement à l’œil
Une question centrale demeure : dans quelle mesure ces données reflètent-elles le monde réel ?
Leur évaluation doit prendre en compte leur représentativité, leur nouveauté, leur réalisme, leur diversité et leur cohérence avec les données d’origine. Plusieurs mesures peuvent être mobilisées : la log-vraisemblance négative (NLL), la log-vraisemblance moyenne (ALL) ou la divergence moyenne maximale (MMD).
D’autres indicateurs dépendent des architectures ou des domaines concernés, comme le score d’Inception (IS), fondé sur un classificateur pour évaluer des images synthétiques. Leur usage doit être adapté aux modèles d’IA générative considérés.
Le jumeau numérique, terrain d’entraînement
La génération de données repose sur un environnement de simulation, ou jumeau numérique, utilisé pour entraîner les modèles d’IA et évaluer leurs performances. Il doit refléter la variabilité des situations rencontrées au cours des opérations.
Produire de nombreuses simulations dans un temps limité conduit souvent à recourir à des modèles d’ordre réduit qui conservent les principes physiques nécessaires. Une autre approche associe des modèles physiques à des modèles fondés sur des données issues de capteurs, d’objets connectés et d’autres sources, afin de représenter une partie de la dynamique du système.
Accélérer les calculs sans oublier la physique
L’apprentissage profond offre des possibilités de reconnaître des modèles complexes et de reproduire des dynamiques non linéaires. Ces modèles peuvent être plus rapides que les solveurs numériques classiques, parfois de plusieurs ordres de grandeur, notamment parce qu’ils peuvent utiliser des pas d’espace ou de temps plus grands.
Leurs prédictions ne respectent cependant pas nécessairement les lois de la physique et ne généralisent pas toujours correctement les phénomènes.
L’apprentissage guidé par la physique vise à répondre à cette difficulté. Il peut aider à résoudre les équations ou contraindre l’apprentissage à intégrer certaines lois, notamment grâce aux réseaux neuronaux informés par la physique, les PINN, ou à une régularisation adaptée de la fonction de perte. Ces approches hybrides permettent de développer des simulations de processus complexes et des représentations réalistes de la physique.
IA et automatique ont des choses à se dire
Une intégration plus étroite de l’apprentissage automatique, des jumeaux numériques et de l’expertise humaine pourrait améliorer le pilotage et le contrôle des systèmes physiques.
L’IA apporte des méthodes pour modéliser les phénomènes complexes, apprendre et identifier des paramètres, optimiser les commandes ou planifier des trajectoires. L’automatique contribue à l’étude des boucles fermées associant l’IA aux procédés physiques, à la compréhension des processus d’apprentissage, à la certification de l’IA et au développement de commandes fondées sur les données.
Associer données, modèles et connaissances constitue ainsi une piste pour rapprocher l’entraînement virtuel du fonctionnement réel des robots.