Contribution to causality analysis by machine learning for decision support, in the context of system supervision for industry 4.0

Avec l’avènement de l’industrie 4.0, l’accélération des processus qui l’accompagne, et la prolifération des données, l’enjeu pour les processus décisionnels évoluant dans un tel contexte est d’assurer des prises de décisions rapides et fiables. Les indicateurs clé de performances (KPI) sont étroitement liés à la prise de décision : ils en sont aussi bien déclencheurs que pilotes. Ceci nous persuade que pour améliorer les processus décisionnels, une attention particulière devrait être portée sur les KPIs. Lorsqu’un KPI révèle une situation anormale, la compréhension de l’origine de cette déviation est indispensable pour rechercher des solutions, et pour en sélectionner une parmi plusieurs. Dans ces travaux de thèse, nous nous intéressons à cette compréhension, en particulier à l’identification des liens causaux entre un KPI d’intérêt et les variables contextuelles manipulables, et à la quantification de ces liens causaux. À cette fin, nous proposons un système d’aide à la décision orienté causalité, répondant à trois fonctions : l’identification des variables contextuelles liées causalement à un KPI sous forme structure causale ; la hiérarchisation de ces variables selon leurs forces respectives d’association au KPI d’intérêt ; et la possibilité de prédiction du KPI pour des fins de proactivité. La première fonction a pour objectif de permettre une meilleure compréhension des déviations du KPI. Elle est mise en œuvre grâce à un algorithme d’apprentissage des réseaux Bayésiens causaux. La deuxième fonction permet une meilleure sélection de la meilleure solution, et est implémentée grâce un calcul que nous proposons de faire sur les poids finaux d’un réseau de neurones ayant un bon pouvoir de prédiction du KPI d’intérêt. La troisième fonction permettant de prendre de décision de façon proactive, est rendue possible grâce à ce même réseau de neurones. La méthode a été validée en utilisant deux jeux de données étalons, puis comparée à d’autres techniques ayant les mêmes objectifs.With the advent of Industry 4.0 and the accompanying acceleration of processes and data proliferation, the challenge for decision-making processes is to ensure rapid and reliable decision making. Key Performance Indicators (KPIs) are closely linked to decision making : they are both triggers and drivers. Thus, in order to improve decision-making processes, focus should be on KPIs. When a KPI reveals an abnormal situation, understanding the origin of the deviation is essential to look for solutions, and to select one among several. In this thesis, we are interested in this understanding, in particular in identifying the causal links between a KPI of interest and the manipulatable contextual variables, and in quantifying these causal links. To this end, we propose a causality-oriented decision support system that fulfils three functions : the identification of contextual variables causally linked to a KPI in the form of a causal structure ; the prioritisation of these variables according to their respective strengths of association with the KPI of interest ; and the possibility of predicting the KPI for proactive purposes. The first function aims to provide a better understanding of KPI deviations. It is implemented through a causal Bayesian network learning algorithm. The second function allows a better selection of best solutiond. It is implemented thanks to a computing that we propose to make on the final weights of a neural network having a good predictive power of the KPI. The third function, allows proactive decision making, it is made possible by the same neural network. The method was validated using two benchmarks and compared to other techniques with the same objectives