Évaluer la performance des modèles d’IA hybride

L’un des grands défis auxquels répond la plateforme LIPS est la mise en exergue des forces et faiblesses des simulateurs augmentés comparés, afin de révéler leur potentiel et leurs axes d’amélioration. Elle propose une évaluation de ces modèles basée sur quatre catégories de critères d’évaluation : leur précision, leur capacité à généraliser sur des configurations non-observées lors de l’entraînement des modèles, à satisfaire des prérequis nécessaires (par example le passage à l’échelle) pour leur industrialisation et et à respecter les contraintes physiques propres à chaque application.

Pour une prise en main rapide, LIPS s’appuie sur trois cas d’usage préintégrés, menés en partenariat avec RTE, Michelin et Ansys, et offre à ses utilisateurs un catalogue de modèles hybrides. Ces modèles proviennent des travaux de recherche menés par l’institut et des compétitions internationales organisées autour de la plateforme.

Suite aux différentes expérimentations menées, les premiers résultats de mise en situation de la plateforme sont prometteurs de par leur valeur ajoutée sur :

• L’expérience utilisateur optimisée : l’interface intuitive et la conception ergonomique de la plateforme ont assuré une prise en main rapide par les participants aux différentes compétitions s’appuyant sur LIPS, favorisant une adoption fluide, même pour les nouveaux utilisateurs.
• L’architecture modulaire et flexibilité d’intégration : la plateforme LIPS offre plusieurs niveaux d’intégration des modèles hybrides dans le pipeline d’évaluation :
  • Niveau débutant : utilisation des modèles et fonctionnalités existants sans modification.
  • Niveau intermédiaire : personnalisation des modèles en s’appuyant sur les fonctionnalités natives de la plateforme.
  • Niveau avancé : personnalisation complète des modèles et des composants sous-jacents pour une optimisation fine des performances.
• L’évaluation multi-critères pour une comparaison approfondie des modèles :
  • portée industrielle accrue : les modèles hybrides surpassent les baseline basées uniquement sur la simulation physique, offrant un meilleur compromis entre précision et temps de calcul.
  • l’identification des forces et faiblesses : l’analyse détaillée des performances met en lumière les points forts et les axes d’amélioration des modèles soumis.
  • la diversité des approches d’optimisation : les résultats révèlent différentes stratégies pour optimiser une ou plusieurs catégories de critères d’évaluation, enrichissant ainsi la diversité des solutions explorées.

La plateforme LIPS incarne une nouvelle ère pour l’hybridation IA physique, ouvrant la voie à des solutions toujours plus performantes et adaptées aux défis industriels de demain. L’une de ses vocations futures sera d’effectuer des recommandations sur les pistes d’amélioration des modèles.