Retour au numéro
Partager sur :
Vue 231 fois
09 novembre 2021

Amiral Technologies : La prédiction de pannes industrielles sans données historiques de pannes

Publié par Katia HILAL-GROS (Ingénieur, 1990) | N° 202 - INDUSTRIE 4.0 ET PRIX DES TECHNOLOGIES NUMÉRIQUES

La problématique de la prédiction de pannes d’équipements industriels réside dans l’hétérogénéité des données générées (données d’état, données physiques diverses, contexte, etc.), ainsi que dans la rareté des occurrences de pannes exploitables pour entraîner un modèle prédictif de type Machine Learning. Dans ce contexte, est-il possible de construire des solutions de prédiction de pannes performantes ?


Amiral Technologies est un spin-off du CNRS de Grenoble. Son innovation est le résultat de plus de 10 années de recherche académique en Intelligence Artificielle, automatique et théorie du contrôle.

Sa technologie révolutionne le traitement des données issues des équipements industriels et permet de pallier la rareté de données d’apprentissage pour un traitement de type Machine Learning.

Le cœur de l’innovation repose sur un ensemble d’algorithmes de génération automatique d’indicateurs de santé...

Cet article est réservé aux cotisants ou aux abonnés à la revue

Auteur

Katia HILAL-GROS (Ingénieur, 1990)
DEA Paris XI (Orsay)(1990), Docteur ENST (1993), MBA (2005)

Parcours :

- 2018 : Founder and COO, Amiral Technologies

- 2015 : COO, RedCloud Technologies

- 2008 : VP Produit et Marleting, eServGlobal

- 2000 : Manager Business Développement, Lucent Technologies

- 1994 : Ingénieur, Orange



Formation :

- 2005 : MBA, Open University Business School (UK)

- 1994 : Doctorat en Traitement du Signal, Télécom ParisTech

- 1990 : Diplôme d’ingénieur, Télécom ParisTech
  Article précédent Article suivant  

Articles du numéro


Derniers numéros publiés
Articles les plus lus
Tags les plus utilisés