Module Quantique
Q-PGM
Notre module quantique Q-PGM, en cours de développement, vous permettra d’aller plus loin dans la compréhension des événements rares. Pour cela Q-PGM utilise une approche quantique pour l’élaboration de modèles graphiques probabilistes.
L’élaboration de la structure d’un modèle graphique probabiliste est un problème complexe. Elle nécessite d’explorer toutes les solutions possibles d’interconnexions entre les variables du graphe, afin d’identifier la combinaison qui représente le mieux les relations d’indépendances conditionnelles entre les variables du problème à résoudre.
En raison de la complexité de la résolution de ce problème, les modèles graphiques probabilistes sont souvent délaissés pour la détection d’événements rares. Cela est dû au grand nombre de variables qu’il faut prendre en compte pour atteindre des performances satisfaisantes. À la place, d’autres méthodes, bien que moins explicables, et nécessitant des techniques de rééquilibrage des jeux de données, leur sont préférées car elles offrent l’avantage d’atteindre des performances de détection satisfaisantes pour les industriels en des temps de calcul raisonnables.
Notre module quantique Q-PGM vise à surmonter la complexité du calcul de la structure des modèles graphiques probabilistes, afin de rendre leur utilisation plus accessible. Cela permettra aux futurs utilisateurs de ce module de tirer parti de leur capacité d’explicabilité, qui représente une valeur ajoutée significative dans de nombreux processus de détection d’événements rares.
Quels bénéfices pouvez-vous tirer en utilisant le module quantique Q-PGM ?
Grâce à une reformulation novatrice, notre module Q-PGM permet de tirer le meilleur parti des caractéristiques des architectures matérielles quantiques pour optimalement résoudre le problème de la recherche de la structure d’un modèle graphique probabiliste.
Un gain en explicabilité
Par sa nature, notre approche de modèles graphiques probabilistes possède l’avantage d’être explicite. La visualisation des dépendances conditionnelles entre les variables facilite la compréhension des relations complexes qu’il existe entre elles.
Un gain en précision
Conscients de l’importance de l’équilibre entre le nombre d’événements signalés par l’algorithme, pour un traitement par les experts, et le nombre d’événements rares potentiels non détectés, notre approche est conçue pour apporter un soin particulier au respect de cet équilibre.
Une représentation plus complète des relations entre les variables
L’apprentissage de la structure des modèles graphiques probabilistes devient extrêmement complexe à résoudre sur des ordinateurs classiques lorsqu’on augmente le nombre de variables à prendre en compte. Pour remédier à cette difficulté, il est nécessaire de réduire le nombre de variables prises en compte ou de limiter les relations entre elles lors de l’utilisation d’approches classiques. Nos premiers résultats obtenus laissent présager de la possibilité d’augmenter le nombre de connexions entre les variables, tout en limitant l’impact sur le temps de calcul de la structure du modèle, grâce à l’utilisation de l’informatique quantique.
Exemples de cas d’usage de notre module Quantique Q-PGM
Détection de fraudes à l’assurance
Sécurité informatique
Détecter des intrusions
Maintenance prédictive
Détecter des pannes éventuelles avant qu’elles ne se produisent
Surveillance de transactions bancaires
Détecter des transactions frauduleuses ou inhabituelles