Recherche
Recherche
Une prévision n’est vraiment utile que si l’on peut comprendre sur quoi elle repose. C’est la question de mon mémoire de Master, appliquée aux modèles Transformer qui prévoient des séries temporelles.
Le problème
Une série temporelle est une suite de mesures prises au fil du temps : une consommation, une température, un trafic. Les modèles Transformer prévoient très bien ce type de données, mais ils fonctionnent comme des boîtes noires : ils donnent une valeur sans dire pourquoi. Or celui qui doit décider à partir d’une prévision a besoin de savoir s’il peut lui faire confiance.
Mon approche : SEATTS
SEATTS est un module d’explicabilité que l’on place en sortie d’un modèle Transformer. Il ne remplace pas le modèle : il explique chacune de ses prévisions selon quatre concepts, choisis pour parler à un humain plutôt qu’à un spécialiste.
- Niveau
- La valeur de base autour de laquelle la série évolue.
- Tendance
- La direction de fond, à la hausse ou à la baisse.
- Contexte
- L’influence des observations récentes sur la prévision.
- Calendrier
- Les effets liés au jour, à la semaine ou à la saison.
Méthodes
- Modèles entraînés sous PyTorch et comparés aux architectures de référence du domaine : PatchTST, Informer, Autoformer et TFT.
- SHAP, une méthode qui mesure la contribution de chaque entrée à une prédiction.
- Les cartes d’attention, qui montrent sur quels instants passés le modèle s’est appuyé.
Statut
- Mémoire de Master
- Soutenu à l’Université de Dschang, 2026
- Article scientifique
- En préparation
Les résultats chiffrés seront publiés ici avec l’article.
Ce que j’aimerais explorer en thèse
l’IA explicable, la prévision de séries temporelles, et les modèles à l’interface entre l’IA et la physique.