neural network through smartphones

Utiliser un réseau neuronal à travers les smartphones

neural network through smartphones

En utilisant les réseaux neuronaux, les possibilités technologiques sur les smartphones sont infinies comme celle de reconnaître un visage. Chez MyFit Solutions, nous avons développé un réseau neuronal de prise de mesure digitale d’une partie du corps humain (buste, main, pied, oreille…) permettant la recommandation sans erreur d’une taille d’orthèses, d’oreillettes ou de bijoux. Mais alors comment ça marche ? Dans cet article, nous vous livrons tout ce qu’il y a à savoir sur l’utilisation d’un réseau de neurones avec votre smartphone.

Qu’est-ce qu’un réseau neuronal ? 

Avant de vous parler du réseau neuronal by MyFit Solutions, voici quelques explications génériques quant aux réseaux neuronaux. 

C’est quoi un réseau de neurones en IA ?

Les réseaux de neurones, Neuronal Network (NN) en anglais, nommés également réseaux neuronaux artificielsArtificial Neural Network (ANN) sont des systèmes capables de traiter des informations en imitant le fonctionnement du cerveau humain. Les neurones artificiels copient le mode des neurones biologiques pour reconnaître des modèles et résoudre des problèmes très rapidement.

Les applications de cette technologie sont infinies :

  • automatiser des tâches,
  • classer, filtrer et regrouper des données,
  • générer un texte,
  • identifier des objets et détecter une forme (une oreille par exemple),
  • reconnaître des visages pour un système de sécurité,
  • recommander une taille de produit dans un catalogue en ligne,
  • etc.

Quel est le lien entre machine learning, deep learning et intelligence artificielle ?

Les réseaux de neurones s’inscrivent dans les domaines de l’Intelligence Artificielle (IA), de l’apprentissage automatique (machine learning) et de l’apprentissage profond (deep learning), dont voici les définitions :

L’Intelligence Artificielle (IA) ou (AI) pour Artificial Intelligence regroupe toutes les techniques informatiques qui cherchent à reproduire le fonctionnement de l’intelligence humaine.

Le machine learning (apprentissage automatique) est un domaine de l’IA où un système est programmé pour apprendre à réaliser des tâches en étudiant un ensemble de vastes données (Big Data). Des algorithmes d’apprentissage et d’optimisation sont utilisés pour ajuster en permanence les résultats du système. L’objectif est de minimiser les erreurs entre le modèle fourni par la machine et les données d’entrée.

Le Deep learning (apprentissage profond) s’inscrit dans le machine learning. En effet, il a le même but qui est de développer le meilleur modèle à partir de données. Mais, le deep learning utilise un réseau de neurones à la place des algorithmes de programmation classique, ce qui lui permet de traiter des tâches beaucoup plus complexes.

Quelle est la différence entre machine learning et deep learning ?

La différence entre le Machine Learning et le Deep Learning réside dans les algorithmes et les données utilisés. Alors que les algos de Machine Learning analysent des données structurées, ceux de Deep Learning exploitent un réseau de neurones pour traiter des données comme le son, le texte, l’image.

Quels sont les composants d’un réseau artificiel ?

composants d'un réseau artificiel

Les composants d’un réseau de neurones sont :

  • une couche de plusieurs neurones artificiels ou noeuds à l’entrée du système (input  layer),
  • une ou plusieurs couches cachées (hidden layers),
  • et une couche de sortie (output layer).

Les couches sont liées entre elles.

Comment fonctionne le réseau de neurones ?

Les réseaux de neurones artificiels sont conçus sur le même principe que les biologiques.

Dans notre cerveau, les synapses constituent les points de contact entre les neurones. L’information arrive au neurone par plusieurs dendrites et repart par un axone. Chaque neurone analyse l’intensité électrique reçue en pondérant et additionnant tous les signaux entrants. Lorsque le résultat obtenu est supérieur à un certain seuil (le seuil d’activation), il s’active et envoie à son tour une décharge vers d’autres neurones.

De la même façon, les programmeurs conçoivent des réseaux de neurones reliés les uns aux autres et s’articulant en couches de nœuds. Chaque nœud, ou neurone formel reçoit plusieurs informations pondérées qu’il traite selon une fonction mathématique prédéfinie. Si le résultat de son calcul est supérieur à son seuil d’activation, il envoie des données à la couche suivante. Ainsi chaque neurone possède un poids et un seuil associés qui sont ajustés pendant « l’entraînement » du réseau.

Quels sont les différents types de réseau neuronal ?

Les MLP

Multilayer perceptron ou perceptrons multicouches qui sont les réseaux composés d’une ou plusieurs couches cachées.

Les CNN

Convolutional neural networks ou réseaux neuronaux convolutifs qui sont généralement utilisés dans le traitement des images. 

Les RNN

Récurrent Neural networks ou les réseaux de neurones récurrents (RNN) qui sont des réseaux spécifiques employés pour des applications prédictives.

Les LSTM

Long Short-Term Memory qui font partie des RNN. Ce sont des réseaux utilisés pour le traitement de textes.

Comment créer un réseau neuronal ? 

Les clés de la réussite 

À la création du réseau, les différents poids des neurones ne sont pas connus. C’est pourquoi, il faut entraîner l’Intelligence Artificielle (IA) pour ajuster les paramètres et minimiser les écarts. Pour cela, le programmeur dispose de données initiales, pour lesquelles il connait le résultat attendu en sortie. Il procède alors à une série d’optimisation.

Dans le cas de la reconnaissance d’un objet ou d’une partie du corps, comme une main, un pied ou une oreille, il s’agit d’entraîner la machine sur des milliers d’images. Pour ce faire, un ensemble de points de repère (landmarks) est réparti sur chaque image. L’ensemble de ces points d’annotation crée le jeu de données qui est envoyé au serveur pour faire fonctionner de façon réplicable le réseau neuronal.

Une fois le programme bien entraîné, vous obtenez les premiers résultats quant à l’identification des sujets scannés, MAIS il peut toujours survenir des erreurs : cela reste des machines. Il faut continuer à les faire apprendre. Le but est que l’IA reconnaisse l’image proposée en entrée (oreille, main, pied, buste…) et l’annote sans erreur.

Les 3 étapes de la création d’un réseau neuronal

Il y a 3 étapes dans la création d’un réseau de neurones.

  • Etape 1 : L’apprentissage (appelé aussi entraînement)

    À partir d’une base de données d’images annotées, deux ensembles sont créés : 

    La première série de photos annotées sert à l’entraînement du réseau de neurones artificiel. Pendant cette étape, l’algorithme apprend la logique de placement des landmarks (points d’annotation) sur les images d’entraînement et crée le modèle.

    La deuxième série d’images est utilisée pour la validation du réseau. En parallèle de l’apprentissage, nous testons le modèle sur l’ensemble des images de validation pour voir comment il réagit. Puis, nous ajustons le modèle en conséquence.

    Voici concrètement comment nous entraînons nos modèles chez MyFit Solutions avec l’exemple d’un scan de la main : 

    Nous effectuons un scan 3D de la main avec notre technologie développée sur smartphone. Cette étape nous permet de capturer des images de mains.

    Nous annotons ces images avec différents points d’annotation ou landmark.

    Toutes les images annotées forment un jeu de données que nous envoyons sur notre serveur. Les images sont divisées en deux groupes (entraînement et validation).

    Nous ajustons le modèle pour que l’Intelligence Artificielle (IA) apprenne ce qu’est une main et là où elle doit placer les points d’annotation.

  • Etape 2 : L’inférence

    Dans cette étape, le modèle n’est pas modifié puisque nous ne sommes pas dans une phase d’apprentissage (ou d’entraînement). L’idée ici est de soumettre une image aléatoire à notre système et d’observer comment il réagit. Pour cela, nous prenons un visuel d’une personne ou d’un objet qui ne peut jamais avoir été vu par le modèle avant. Ce dernier place alors les landmarks sur l’image proposée.

  • Etape 3 : La mise à jour du modèle

    En fonction des résultats de la phase d’inférence, le modèle est ajusté ou pas. 

    Lorsqu’une image a été mal comprise par l’Intelligence Artificielle (IA), les points d’annotation ne sont pas placés correctement. Il s’agit alors d’annoter de nouvelles images puis de refaire la phase d’apprentissage jusqu’à avoir un modèle qui ne fait plus d’erreur. 

    Le but est d’entraîner au mieux son Intelligence Artificielle (IA) pour qu’elle soit le plus performante possible. Nous recommandons de :

    diversifier les images sur lesquelles elle est entraînée,

    et d’utiliser les dérives pour qu’elle soit toujours plus fine. La bonne pratique serait de refaire un entraînement toutes les 100 images dérivées.

Les limites et avantages des réseaux neuronaux

Les limites

Le deep learning nécessite :

  • Une action humaine. En effet, même si les algorithmes tendent à s’adapter et se corriger seul voire même parfois être aussi performant que le cerveau humain, il reste toujours une part d’action humaine.
  • Une grande quantité de données. Pour avoir un modèle robuste, il faut utiliser un nombre d’images conséquent  ainsi qu’une grande diversité. Par conséquent, vous devez disposer d’une hétérogénéisation importante des données d’entrée : couleur de peau / luminosité / zoom…

Les avantages

Utiliser un réseau neuronal permet d’obtenir une technologie :

  • innovante,
  • rapide,
  • robuste,
  • et précise.

Les réseaux neuronaux sont des outils extrêmement performants qui offrent de belles perspectives pour les entreprises. Voyons maintenant comment vous pouvez exploiter ce potentiel pour proposer des solutions innovantes sur smartphone.

Le réseau neuronal via les smartphones chez MyFit Solutions 

Pourquoi créer un réseau de neurones sur les smartphones ? 

Avec le développement du e-commerce et du m-commerce, s’équiper d’une solution mobile permet de booster votre business. En effet, le smartphone est inconditionnellement l’outil clé pour améliorer l’expérience client

D’une part parce que c’est un objet du quotidien facile à utiliser par tout le monde, n’importe où, et cela 24h/24. Et d’autre part, car le smartphone est un concentré de technologie capable d’embarquer des solutions novatrices comme les réseaux de neurones. 

Comment tirer parti des Neuronal Network sur smartphone ?

Chez MyFit Solutions, nous avons exploité la puissance des réseaux de neurones pour offrir une expérience utilisateur unique et cela à partir d’un smartphone.

Comment ça marche ?

Tout d’abord, le scan 3D MyFit Solutions permet la capture numérique d’une partie du corps (visage, main, pieds, buste, poignet…). Cette acquisition 3D est réalisée à partir des optiques disponibles sur n’importe quel smartphone. Donc, accessible par tout le monde n’importe où et n’importe quand. Il n’y a pas besoin d’investir dans un scanner coûteux et encombrant.

Ensuite, au-delà de l’acquisition 3D que procure le scan MyFit via les smartphones, nous avons rendu cette techno « intelligente ». En effet, notre réseau de neurones entraîné détecte les formes et reconnaît un visage, une oreille, une main ou un pied. La partie du corps scannée est automatiquement annotée. 

Puis, notre technologie est capable de sortir les mesures précises du membre concerné afin d’obtenir des reconstructions à l’échelle. Ce qui permet in fine de faire de la recommandation de taille. C’est-à-dire d’aider le client ou le patient à se procurer l’article correspondant à sa morphologie. 

Ce n’est pas tout ! Le réseau sert également à améliorer les reconstructions 3D issues de nos scans pour le sur mesure. En nous basant sur la reconnaissance d’une partie du corps et l’annotation, nous améliorons le modèle scanné en 3D.

Une technologie innovante, fiable et reproductible

Afin d’obtenir les meilleurs résultats, nous tenons à limiter les images dites « dérives » (celles dont les résultats obtenus ne sont pas ceux attendus). Ainsi, nous entraînons notre Intelligence Artificielle (IA) sur un très grand nombre d’images diversifiées en mixant différentes couleurs de peau, tailles, luminosité…

De plus, nous veillons à fournir un cadre complet à l’utilisateur à travers l’UI/UX de notre application pour éviter toutes images incompatibles avec l’apprentissage de l’Intelligence Artificielle (IA). En effet, une mauvaise donnée d’entrée est toujours possible lorsque la solution est mise dans les mains de monsieur tout le monde. C’est pourquoi, Myfit solutions a structuré et systématisé la capture d’image pour s’assurer d’avoir un réseau neuronal fonctionnel. 

Notre solution est replicale à grande échelle, de n’importe où par n’importe qui !

Pour quels cas d’usage ? 

Initialement, les mesures digitales automatiques sont nées chez MyFit solutions pour la réalisation d’embout d’écouteur d’oreilles sur mesure. Aujourd’hui, notre expertise s’est étendue pour satisfaire les  besoins des industriels de la santé, du luxe ou encore des hautes technologies. Nous les accompagnons dans leur projet de mesures à distance sans contact pour la recommandation de la taille de leurs produits à leurs clients, et ce depuis les smartphones. 

Par exemple, MyFit Solutions a développé une technologie qui permet à la marque de Alpaca US – SoundBe, filiale de Sonova aux États-Unis,  de recommander la bonne taille de bouchons d’oreille à ses clients. Sur la base du réseau neuronal développé par MyFit Solutions, 15 points de mesure sont enregistrés pour savoir  si l’oreille scannée nécessite une taille XS, S, M ou L de bouchon d’oreille SoundBe.

Ce process a été dupliqué sur différentes parties du corps comme l’oreille, la main, le poignet, le torse, le pied afin de pouvoir recommander une taille de prothèse auditive, d’orthèse, de bijoux, de vêtements, de chaussures… 

Offrir à vos clients la possibilité de prendre leurs mesures à distance est capital ! Plus vous êtes en capacité de recommander la bonne taille de produit, plus vous assurez la satisfaction client et évitez les retours coûteux de produits.

Vous avez des questions sur la technologie MyFit Solutions ou vous souhaitez mettre en place un système de recommandation de taille à distance ?

Vous souhaitez en savoir plus sur nos solutions de scan 3D et nos applications ?