Détecter une anomalie avec peu de données étiquetées consiste à apprendre le fonctionnement habituel, mesurer l’écart et faire vérifier les alertes avant de les transformer en action.
La détection d’anomalies cherche un comportement qui s’écarte de ce qui est habituel, sans forcément connaître à l’avance toutes les pannes possibles.
La réduction de dimension résume de nombreuses mesures en quelques axes visibles, ce qui aide à explorer les régimes d’un robot sans perdre tout le contexte statistique.
On choisit une méthode de regroupement selon la forme attendue des groupes, le bruit, le nombre d’observations et le besoin d’identifier les cas atypiques.
L’apprentissage non supervisé cherche des structures dans des données de robot sans étiquette fournie à l’avance, par exemple des comportements ou des situations qui se ressemblent.
Une réduction de dimension linéaire cherche des axes qui résument au mieux la variation des données, comme le fait l’analyse en composantes principales.
La détection d’anomalies signale qu’un comportement est inhabituel ; le diagnostic cherche ensuite la cause probable et l’action de remise en état.
Choisir un seuil de détection d’anomalie consiste à équilibrer fausses alertes et anomalies manquées selon le coût et la gravité de chaque erreur.
Après une anomalie critique, un robot doit mettre la mission dans un état sûr, prévenir l’opérateur, conserver les données utiles et attendre une décision autorisée.
L’apprentissage non supervisé est insuffisant pour piloter un robot quand il faut une consigne garantie, une classe connue ou une réaction sûre face à l’inconnu.
Normaliser les données avant un clustering robotique évite qu’une variable mesurée sur une grande échelle écrase les autres dans la comparaison.
L’apprentissage non supervisé détecte une anomalie robotique en apprenant le comportement habituel puis en signalant un écart suffisamment net et contextualisé.