Hélène Flourent

Construction et analyse d'outils de Statistical Learning biomimétiques, basés sur des systèmes d'Equations aux Dérivées Partielles, pour l'Assimilation de Données d'élevage

Résumé

Un des objectifs de ces travaux de thèse a été de montrer que les Equations aux Dérivées Partielles (EDP) pouvaient être des outils intéressants pour construire d'efficientes Intelligences Artificielles, tout particulièrement pour traiter des problématiques liées à l'élevage de précision. L'Assimilation de Données semble être l'outil qui permettra de piloter les élevages de demain. Or pour réaliser de l'Assimilation de Données d'élevage il est nécessaire de disposer d'outils ayant une très forte capacité d'apprentissage et capables de prédire l'évolution de variables biologiques. Pour atteindre ces objectifs nous avons construit des outils de Statistical Learning biomimétiques basés sur des systèmes d'EDP embarquant l'expression mathématique de processus biologiques. Ces équations permettent d'embarquer une modélisation synthétique de la dynamique interne du corps de l'animal. Elles contiennent des paramètres, associés à des facteurs biologiques, qui peuvent être appris sur des données. Au cours de ces travaux de thèse nous avons montré que ces outils de Statistical Learning se distinguent des outils existants par leur capacité à s'ajuster sur très peu de données, sans surajuster les données d'apprentissage et leur capacité à intégrer des informations au cours du temps. Les outils construits se distinguent également par leur capacité à apprendre une dynamique sur une période donnée et d'appliquer cette dynamique apprise en dehors de la gamme de données d'apprentissage. Au cours de ces travaux de thèse nous avons également réalisé des études relatives à l'existence, à l'unicité et à certaines propriétés qualitatives de la solution de notre modèle d'EDP principal.