Exploration des données pour la qualité de la production Amélioration à l'ère de l'industrie 4.0 : un focus sur les séries chronologiques, l'IA explicable, les chroniques Techniques de découverte et d'exploration de données

Abstract

Abstract : The advent of Industry 4.0 has brought an explosion of data in the manufacturing sector, leading to the emergence of new Ąelds in data analysis and artiĄcial intelligence. This thesis explores the areas of data mining, time series analysis, chronicles, explainable AI, and production quality prediction in the context of Industry 4.0. The Ąrst part of the thesis provides an introduction to the concepts of data mining and time series analysis, as well as the importance of explainable AI and its role in improving the interpretability of machine learning models. The second part of the thesis explores recent literature in the Ąelds of pattern discovery and chronicles recognition, comparing different approaches and methodologies. The thesis also focuses on the prediction of production quality, examining the use of machine learning algorithms in predicting and improving the quality of products or services. The results of this thesis highlight the importance of data mining, time series analysis, chronicles, and explainable AI in improving business performance and customer satisfaction. The use of these tools and techniques can lead to more accurate predictions of product quality, better decision-making, and improved understanding of complex data sets. By leveraging the power of data analysis and AI, businesses can gain a competitive advantage in the ever-evolving landscape of Industry 4.0. ***

Résumé. LŠavènement de lŠindustrie 4.0 a entraîné une explosion des données dans le secteur manufacturier, conduisant à lŠémergence de nouveaux domaines dans lŠanalyse des données et lŠintelligence artiĄcielle. Ce mémoire explore les domaines de la fouille de données, de lŠanalyse de séries chronologiques, des chroniques, de lŠIA explicable et de la prédiction de la qualité de production dans le contexte de lŠindustrie 4.0. La première partie du mémoire présente une introduction aux concepts de la fouille de données et de lŠanalyse de séries chronologiques, ainsi que lŠimportance de lŠIA explicable et de son rôle dans lŠamélioration de lŠinterprétabilité des modèles dŠapprentissage automatique. La deuxième partie du mémoire explore la littérature récente dans les domaines de la découverte de motifs et de la reconnaissance de chroniques, en comparant différentes approches et méthodologies. La mémoire se concentre également sur la prédiction de la qualité de production, examinant lŠutilisation dŠalgorithmes dŠapprentissage automatique pour prédire et améliorer la qualité des produits ou services. Les résultats de ce mémoire soulignent lŠimportance de la fouille de données, de lŠanalyse de séries chronologiques, des chroniques et de lŠIA explicable dans lŠamélioration des performances commerciales et de la satisfaction des clients. LŠutilisation de ces outils et techniques peut conduire à des prédictions plus précises de la qualité des produits, une meilleure prise de décision et une meilleure compréhension des ensembles de données complexes. En exploitant la puissance de lŠanalyse de données et de lŠIA, les entreprises peuvent obtenir un avantage concurrentiel dans le paysage en constante évolution de lŠindustrie 4.0.