Défense de mémoire de Monsieur Julien Mernier

Explainable AI and Visualization for Multi-Label Classification in Predictive Maintenance

 

Ce mémoire explore l’utilisation des techniques d’intelligence artificielle explicable (XAI) dans le contexte de la classification multi-étiquette pour la maintenance prédictive (PdM). Il est fréquent, dans les environnements industriels, qu’une même instance de données soit associée à plusieurs types de défaillances, ce qui nécessite des modèles de classification capables de gérer plusieurs étiquettes simultanément. L’objectif principal est d’améliorer l’interprétabilité de ces modèles, mais aussi d’accroître la transparence et la confiance des utilisateurs. De nombreuses méthodes de classification ont été implémentées et évaluées, telles que Binary Relevance, Label Powerset, Classifier Chains, MLkNN et BRkNN. Afin d’expliquer ces modèles, nous avons utilisé SHAP et LIME pour fournir des explications à la fois globales et locales. La thèse examine également différentes implémentations de LIME dans un contexte multi-label, y compris des modifications de la fonction predict_proba afin d’obtenir de meilleures explications des algorithmes de classification multilabel. Les résultats obtenus dans cette étude ont montré que SHAP combiné à Binary Relevance fournit des explications cohérentes, tandis que des modèles comme MLkNN présentent de faibles performances tant en prédiction qu’en interprétabilité. Ce travail met en évidence les difficultés liées à l’explicabilité dans la maintenance prédictive multi-étiquette et propose des améliorations réalisables pour renforcer la transparence des modèles.

Mots-clés : maintenance prédictive, classification multi-étiquette, intelligence artificielle explicable, SHAP, LIME

 

Contact : Benjamine Lurquin - secretariat.info@unamur.be
Télecharger : vCal