i

DÉDICACE
A mes très chers parents, vous qui êtes à la base de mon éducation et de mon histoire,
vous qui vous êtes sacrifié afin de m'offrir cette grande richesse qu'est la connaissance ; je
vous dédie ce présent travail.
Je pense spécialement à KYEMBE AUGUSTIN et KITANGA Francine qui a été
pour moi un modèle de courage et de détermination ; le parent qui n'a cessé de me soutenir et
de m'encourager d'autant qu'il le pouvait. Mes pensées vont aussi tout droit vers ma sœur
ILUNGA KESTHIA qui a été tout prêt de moi durant ce parcours académique.
Au travers ses prières et son soutient, j'ai pu réaliser cette œuvre qui, au début,
n'était qu'un rêve. MWAMBA FRANCOIS et TUBOYI VERONIQUE.
Je dédie également cette dissertation à mes frères et sœurs (KAPEMBA Naor,
KAPASOLA John, MUKINDA Ephraïm, MULWANI Keren, ILUNGA Chrinovic,
KAWILA Eran, MULUBWA Didier, MUJINGA JEMIMA, KYEMBE Offrancielle sans
oublier mes deux cousins BWALYA Godense et BADA obed.
Pour ne citer que ceux-là. Vous avez été une source de motivation pour moi et votre
existence m'a poussé à travailler encore pour notre avenir Esther INSODI, meilleur. A vous
mes frères, amis, collègues et connaissances de promotion intelligence artificielle, vous étiez
là dans les moments de lutte tout comme les moments de joies, vous qui étiez motivation loin
d'inspiration, de source prêt d'encouragement.
 ii

REMERCIEMENTS
Avant tout, nous remercions JEHOVAH Dieu, le commandant suprême de l’univers,
lui qui a permis que nous arrivions à ce stade. Le chemin n'a pas été facile mais jusqu'ici il n'a
cessé de nous secourir. Pour l'élaboration de ce travail, plusieurs personnes se sont associées
à nous, en nous apportant une aide tant matérielle, morale financière.
Nos remerciements s'adressent également au Professeur Botha qui malgré ses
innombrables occupations, nous a accepté près de lui et s'est donné la peine d’être directeur de
notre travail. Un mot de remerciement tout particulier à notre superviseur BOFANDO
BOLONGOLA SAMMY pour son apport combien louable sans lequel nous ne serions pas
arrivés au bout de ce travail.
Nos reconnaissances aux autorités académiques et administratives, ainsi qu'à tout le
corps professoral de l'institut supérieur d'informatique programmation et analyse, ISIPA en
sigle, qui nous ont accueilli jour pour jour afin de former en nous l'homme que nous sommes
devenu. Nous ne manquerons pas à nous souvenir de nos collègues MA, Olivier
KATANGA, et la liste est encore très longue.
Nous les remercions d'avoir rendu notre cursus académique un moment de joie et un
moment inoubliable. Nous remercions sincèrement notre tuteur, pour son soutien tant moral
que spirituel. A vous tous qui, de prêt ou de loin, nous avons soutenu dans ce parcours,
reçoivent notre reconnaissance la plus profonde.

KYEMBE NYONGOLO Barak

 iii

LISTE DES FIGURES

Figure 1.Un neurone avec son arborisation dendritique.............................................................8
Figure 2.Un neurone formel........................................................................................................8
Figure 3.Correspondance d’un neurone biologique et un neurone artificiel..............................9
Figure 4.La formule du Perceptron...........................................................................................10
Figure 5.La courbe illustrant la fonction sigmoïde...................................................................10
Figure 6.La courbe illustrant la fonction à seuil.......................................................................11
Figure 7.Définition des couches d’un réseau multicouche.......................................................11
Figure 8.Réseau à connexions locale........................................................................................12
Figure 9.Réseau à connexions récurrentes................................................................................12
Figure 10.Réseau à connexion complète..................................................................................12
Figure 11.La formule du Perceptron.........................................................................................12
Figure 12.La formule du Perceptron.........................................................................................13
Figure 13.Réseau de neurones à propagation arrière................................................................13
Figure 14.La formule du Perceptron.........................................................................................14
Figure 15.Graphe PERT ordonné.............................................................................................23
 iv

LISTE DES TABLEAUX

Tableau 1.Recensement des tâches...........................................................................................20
Tableau 2.Matrice booléenne....................................................................................................22
 v

LISTE DES EQUATIONS

 vi

LISTE DES CAPTURES D’ECRANS

 vii

SIGLE ET ABREVIATION
NTIC : Nouvelle Technologie de l’Information et de la Communication
IA : Intelligence Artificielle
RNA: Réseau de Neurone Artificielle
CPU: Central Processor Unit
PIC: Peripheral interface controller
 1

INTRODUCTION GENERALE
1. Problématique
La majeure partie des personnes agriculteurs ont des difficultés de chasser les
insectes dans leur plantation ils utiles les produits dans leurs champs d’une manière
manuelle, ils prennent de temps pour bien effectuer ce travail, raison pour laquelle leur
réinsertion dans la société cause problème.
Nous allons chercher comment concevoir un robot intelligent qui va nous permettre
de faire une détection des insectes les tués et semer les graines. L’objectif de notre
rédaction se résume dans une question :
Comment parvenir à réaliser une intelligence artificielle qui détecte les insectes
les tués et semer les graines ?
2. Revue de la littérature
3. Hypothèse du travail
Comme hypothèse, nous proposons une d’intelligence artificielle, qui pourrait faire
le choix de bien chasser les insectes via les composants bien précis.
Pour ce faire, des algorithmes d’apprentissages supervisé qui est une méthode
d’apprentissage automatique ; sous domaine d’intelligence artificielle pourrait détecter les
insectes (…………,).
4. Objectif de l’étude
Ce projet de fin d’études a comme objectif le développement d’une intelligence
artificielle qui permet aux agriculteurs, à mieux chasser les insectes sans pouvoir choisir les
graines d’une façon manuelle.
5. Intérêt du sujet
Le choix de ce thème nous a été dicté par le souci de comprendre la complexité de
l’intelligence artificielle qui sont parmi les plus grandes inventions du dernier siècle. Et aussi
pour nous familiarisé avec la communication homme-machine ou machine-machine peut être
considérée comme étant un nouveau type de dialogue possible.
6. Délimitation du travail
Comme tout travail scientifique, ce travail doit être délimité dans le temps et dans
l’espace. Par conséquent nos analyses et recherches n’iront pas en dehors de notre champ de
recherche.
Dans le temps, ce travail est la résultante des recherches menées durant la période
allant du mois de Novembre 2023 en juin 2024.
Dans l’espace notre travail consiste à réaliser une Intelligence artificielle qui fait
guidé les aveugles artificiellement. Le développement et la réalisation ont été faits au
laboratoire de la RKNB TECHNOLOGY.
 2

7. Méthodes et techniques
7.1. Méthode
7.1.1. Méthode Analytique
Elle nous a permis d'analyser en détail les données récoltées durant la période de
recherche, (KALONDA, R.,2020, p.16).
7.1.2. Méthode Descriptive
Elle nous a permis de montrer dans la problématique la description pure et simple
des problèmes que pose le système existant.
7.1.3. Méthode Technique
Elle nous a permis, de proposer en hypothèse, des solutions de manière à permettre
la disparition des différentes difficultés décriées dans la problématique.
7.2. Techniques
7.2. 1.Technique d’Observation
Elle nous a permis à faire une analyse personnelle après avoir observé et palpé le
fonctionnement du système existant. Grace à cette dernière, nous sommes descendus
personnellement sur terrain pour assimiler ce que font les acteurs afin de comprendre et tirer
les conséquences.
7.2. 2. Technique d’Interview
Elle nous a permis d'avoir des points de vue des différents acteurs qui œuvrent dans
le domaine de notre étude pour acquérir les informations dont nous avons besoin. Cette
technique nous a permis d'obtenir les renseignements sur l'étude de l'ancien système, par un
jeu des questions réponses.
7.2. 3. Technique Documentaire
Elle nous a permis de consulter la littérature scientifique existante, en vue
d'en tirer des idées en rapport avec notre travail et la consultation sur
Internet.
8. Subdivision du travail
Excepté l’introduction générale et la conclusion générale, ce travail est reparti en
quatre chapitres :
 CHAPITRE I : CONSIDERATIONS THEORIQUES dans lequel nous avons énoncer les
concepts de base relatif à l’étude ;
 CHAPITRE II : CADRAGE DU PROJET : ici nous allons dégager la spécificité, le temps
et le cout d’évaluation du projet à l’étude ;
 CHAPITRE III : ETUDE D’OPPORTUNITE : ici nous allons passer en revue tous les
aspects techniques liés à la conception et tous les composants en détails afin de mieux cerner
le système à l’étude ;
 CHAPITRE IV : ETUDE TECHNIQUE : à ce niveau il s’agit de dimensionner le système
afin de dégager les besoins et leurs implémentations.
3
 4

CHAPITRE 1. CONSIDERATIONS THEORIQUES

1.0. Introduction
Dans ce premier chapitre, nous allons expliquer les concepts de base autour de notre
sujet. Il va être question d’expliquer les notions intelligences artificielles, le neurone
artificiel et biologique, ainsi que sur la virtualisation.
1.1. Mots clés
1.1.1. Conception
La conception d’un système est un processus qui permet d'élaborer un plan ou un
schéma directeur quant à la manière dont la chaîne d'approvisionnement en vaccins doit
fonctionner, notamment la manière dont les différents composants du système de chaîne
d'approvisionnement (Isc.technet, consulté le 20 mars 2024 à 19h50).
1.1.2. Réalisation
La réalisation c’est la mise en œuvre des systèmes de développement informatique
(avenue-e-solutions,consulté le 20 mars 2024 à 20h01).
1.1.3. Intelligence
L’intelligence est l’ensemble des processus retrouvés dans des systèmes, plus au
moins complexes, vivants ou non, qui permettent de comprendre, d’apprendre ou de
s’adapter à des situations nouvelles (wikipedia, fr.wikipedia.org, consulté le 20 mars 2024 à
20h15).
1.1.4. Artificielle
Dans le contexte de l'intelligence artificielle, le terme "artificiel" fait référence à la
création ou à la simulation de comportements et de capacités normalement associés à
l'intelligence humaine. (wikipedia, fr.wikipedia.org, consulté le 10 decembre 2023 à 06h56).
1.1.5. Vision
La vision humaine est le processus par lequel les yeux captent la lumière et la
transforment en sensation visuelle interprétée par le cerveau :
I.1.6. Camera
Une caméra est un appareil électronique capable de prendre des photographies

I.1.7. Photo
 5

SECTION 1 : GENERALITES SUR INTELLIGENCE ARTIFICIELLE

1.2. Définition
1.1.2. CONCEPT INTELLIGENCE ARTIFICIELLE
Avant de nous immerger dans la profondeur du concept « intelligence artificielle »,
nous pensons avant tout qu’il est important de définir la notion d’intelligence afin d’éclairer
nos lanternes. Mais cela dépend aussi de celui à qui on pose la question :
 Selon le petit Larousse illustré « On définit l’intelligence comme la faculté de comprendre, de
saisir par la pensée ».

 Selon TURING « Ce qui rend difficile de la distinction entre une tâche réalisée par un humain
et celle réalisée par une machine ».

 Selon DARWIN « Ce qui permet la survie de l’individu le plus apte parfaitement adapté à
l’environnement ».

 Selon EDISON « Tout ce qui fait que cela fonctionne et produit plus de revenu pour
l’entreprise ».
En fait, le terme même « l’intelligence artificielle » est considérée par une portion
d’auteurs comme parfaitement absurde. Tandis que pour les autres comme :
FREIGENBAUM, SIMON, NEWELL, WINSTON, etc… L’intelligence artificielle apparaît
comme la science de l’avenir. (Gribaumont, C. (2020). Intelligence artificielle pour tous.)rev
Il est extrêmement difficile de donner de l’intelligence artificielle une définition
précise, tellement que les domaines qui recouvrent le terme sont vastes et les avis sont
divergents.
L’intelligence artificielle est définie comme l’ensemble des théories et des
techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence
humaine.
Le terme « intelligence artificielle », créé par John McCarthy, est souvent abrégé par
le sigle « IA » ou « AI » en anglais, pour Artificial Intelligence. Il est défini par l’un de ses
créateurs, Marvin Lee Minsky, comme « la construction de programmes informatiques qui
s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des
êtres humains car elles demandent des processus mentaux de haut niveau tels que :
l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique ».
On peut aussi dire que l’intelligence artificielle est une discipline qui systématise et
automatise les tâches intellectuelles pour créer des machines qui pensent et qui agissent
comme des humains (rationnellement).
Souvent classée dans le groupe des sciences cognitives, elle fait appel à la
neurobiologie computationnelle (particulièrement aux réseaux neuronaux), à la logique
mathématique (partie des mathématiques et de la philosophie) et à l'informatique. Elle
recherche des méthodes de résolution de problèmes à forte complexité logique ou
algorithmique. Par extension elle désigne, dans le langage courant, les dispositifs imitant ou
remplaçant l'homme dans certaines mises en œuvre de ses fonctions cognitives.
On y trouve donc le côté « artificiel » atteint par l'usage des ordinateurs ou de
processus électroniques élaborés et le côté « intelligence » associé à son but d'imiter le
comportement. Cette imitation peut se faire dans le raisonnement, par exemple dans les jeux
 6

ou la pratique des mathématiques, dans la compréhension des langues naturelles, dans la

perception : visuelle (interprétation des images et des scènes), auditive (compréhension du
langage parlé) ou par d'autres capteurs, dans la commande d'un robot dans un milieu inconnu
ou hostile.
1 .1.3 BUT DE L’INTELLIGENCE ARTIFICIELLE
L'intelligence artificielle (IA) consiste à créer des systèmes intelligents doté des
facultés humaines donc les comportements s’apparentent aux principaux composants d’un
système intelligent. Son but est de définir le fonctionnement du cerveau humain et la façon
dont les êtres humains apprennent à penser. Mais les résultats des recherches sur le traitement
cognitif de l’information servent de base au développement d’une série d’application
informatique en intelligence artificielle. (SULA BERTIN, INTELLIGENCE ARTIFICIELLE
FONDAMENTALE, ISIPA-KINSHASA, 2019-2020)
Bref, l’intelligence artificielle a pour but de concevoir des ordinateurs qui peuvent
penser, voir, parler et sentir.
1.1.4 TYPE D’INTELLIGENCE ARTIFICIELLE1
Depuis quelques années deux courants d’intelligence artificielle s’affrontent, il s’agit
de l’Intelligence Artificielle Traditionnelle (IAT) et de l’Intelligence Artificielle Nouvelle
(IAN), citons :
1. Intelligence Artificielle Traditionnelle se fonde sur tout ce qui tourne autour de la
logique des systèmes à règles, de la linguistique et du concept de rationalité. Ses racines sont
les langages de programmation comme LISP et PROLOLOG.
Les systèmes experts sont les plus grands exemples de réussite de ce paradigme. Malgré la
production de certains programmes aux performances remarquables, il est clair que l’IAT n’a
pas véritablement fait avancer la compréhension de l’intelligence naturelle ; ceci est dû au fait
que ces programmes ont été centrés sur la production des compétences isolées négligeant ainsi
le fait que les êtres vivants sont toujours situés dans un environnement avec lequel ils
interagissent en permanence.

2. Intelligence Artificielle Nouvelle ou Intelligence Artificielle Situé s’intéresse quant à

elle aux agents entiers et autonomes capables de s’interagir avec un environnement aussi
proche du réel possible, et dans lequel ces agents doivent poursuivre plusieurs buts parfois
contradictoires. Elle s’intéresse dont à l’acquisition et à la communication Homme-Machine.
L’Intelligence Artificielle Situé s’inscrit dans une perspective globale dans laquelle le
cerveau, le corps et l’environnement d’agent ne sont pas étendus séparément, mais au
contraire conçus comme les trois composantes essentielles déterminant l’intelligence d’un
système dynamique adaptif.
1.1.5 CARACTERISTIQUE D’UNE INTELLIGENCE ARTIFICIELLE
Soit des ordinateurs ou des programmes capables de performances habituellement
associées à l'intelligence humaine, et amplifiées par la technologie : Capacité de raisonner,
Capacité de traiter de grandes quantités de données, Faculté de discerner des patterns et des
modèles indétectables par un humain.

1
SULA BERTIN, INTELLIGENCE ARTIFICIELLE FONDAMENTALE, ISIPA-KINSHASA,
2019-2020
 7

1.1.6 PRINCIPAUX DOMAINES D’APPLICATION2

1. La modélisation cognitive
Elle s’intéresse à la simulation du processus cognitif pour expliquer le mécanisme intellectuel.
2. Le langage naturel
Le langage naturel permet de développer un système assurant le dialogue entre l’homme et la
machine. Il trouve ses racines dans l’informatique conversationnelle.
La compréhension du langage fait intervenir des processus ascendants, tels que ceux
permettant tout d’abord la transformation des stimulus à partir de l’encodage de ces derniers
puis des mots qu’ils forment à travers les éléments contenus dans la parole, au palier
supérieur. Il s’agit ensuite différencier ces mots des mots qui leur rassemble, d’analyser
l’ordre dans lequel ils se présentent et enfin, de déterminer le sens à donner à l’énoncé.
Toutes fois, cette dernière étape ne peut être franchie sans l’intervention de processus
descendant, associé au contexte dans lequel se déroule la communication, qui implique la
connaissance du monde dont fait preuve le destinataire, la découverte de l’intention du
locuteur, etc…
3. Le robotisme
C’est le domaine de développement des robots étant donné qu’un robot est un bras articulé se
terminant par une pince.
La robotique permet le traitement par machine automatiquement de l’information considérée
comme support des connaissances dans les domaines techniques, économique et social.
(Du tchèque robota = travail forcé) ensemble d’études et des techniques qui visent à mettre au
point des systèmes capables de remplacer l’être humain dans les différentes fonctions
sensorielles, motrices et intellectuelles.
La robotique n’est pas forcément de l’intelligence artificielle. Elle peut en être par l’aspect
reconnaissances des formes et résolution de problèmes. Il peut être nécessaire de faire face à
des situations imprévues.
Quelques applications sont particulièrement utilisées : travaux dangereux, réparations dans les
centrales nucléaires dans l’espace.
L’intelligence artificielle, l’ingénierie et la psychologie sont les disciplines de base de la
robotique.
4. Le système expert (ou système à base de connaissances)
C’est le domaine autour duquel gravitent tous les autres domaines d’application de
l’intelligence artificielle.
5. L’ingénierie (ou le pilotage automatique)
Elle s’occupe généralement du pilotage intelligent.
6. Traitement des sons et des images
Ce domaine utilise essentiellement la géométrie différentielle plus particulièrement les
invariants mathématiques.
2
SULA BERTIN, INTELLIGENCE ARTIFICIELLE FONDAMENTALE, ISIPA-KINSHASA,
2019-2020
 8

7. Programmation automatique
Il peut s’agir d’écrire des programmes qui écrivent des programmes résolvant des problèmes
décrits en langage mathématique ou langage naturel par exemple, ces programmes sont
souvent moins élégants que les nôtres mais peuvent être meilleurs.
Cette activité a été pendant un temps concurrencé par les systèmes experts. Elle en est
maintenant complémentaire de nombreuse base de connaissances, c’est-à-dire remplacé par
des connaissances compilées, par exemple un souci d’efficacité.
8. Reconnaissance des formes
La reconnaissance des formes est une branche de l’intelligence artificielle. Elle consiste à
identifier des fromes pré décrites dans une image numérique et par extension dans un flux
vidéo numérique.
Il s’agit, entre autres, de la compréhension de la parole, de la lecture d’un manuscrit, de
l’analyse de scène et par exemple les robots pour la construction d’un automobile. Par contre
la reconnaissance et la saisie d’une vis dans un tas en vrac peut leur causer du tort.
9. Etc…
I.1.7 FONCTIONS DE L’INTELLIGENCE ARTIFICIELLE (SULA BERTIN,
2020)
1. Fonction d’utilisation : Elle exprime des besoins d’aide à la décision et consomme de
l’expertise ;
2. Fonction du domaine : Elle détient et entretient les connaissances et les modes de
raisonnement que l’on cherche à reproduire, et qui les diffuses auprès des utilisateurs sous
forme d’avis, de conseils, des consultations, d’instructions ou d’enseignements ;
3. Fonction de la direction de projet : C’est une fonction qui identifie les applications
potentielles, décide les ressources à allouer, planifie, anime les développements, en évalue les
résultats, et prépare l’insertion du futur système expert dans son environnement d’utilisation ;
4. Fonction cognitive : C’est une fonction qui acquiert la connaissance utile auprès des experts,
la modélise et l’implante sur l’ordinateur ;
5. Fonction d’outils : C’est une fonction qui procure au cogniticien les matériels spécialisés
nécessaires à l’exercice de sa fonction ;
6. Fonction expertise : C’est une fonction en intelligence artificielle dont la vocation est de
fournir des concepts de des méthodes pour faire progresser les deux précédentes.
I.1.8 LA CONNAISSANCE
La connaissance (SULA BERTIN, 2020) ou la compétence, c’est ce qui permet la
résolution d’un problème.
La connaissance étant une activité intellectuelle visant à savoir la compétence de
quelque chose qui doit être reliée à des informations formelles alors le résultat est appelé «
connaissance ». En d’autres termes, elle est une information reliée à d’autres, elle implique la
compréhension et l’appréhension des certains faits.
Par ailleurs, il existe plusieurs sortes des connaissances parmi lesquelles nous citons
ci-dessous celles qui sont plus utilisées en intelligence artificielle.
9
 10

SECTION 2 : LE RESEAUX DE NEURONES ARTIFICIELS (RNA)

I.2.1 LE NEURONE BIOLOGIQUE
Le neurone est une cellule (PLACIDE, 2021) composée d’un corps cellulaire et d’un
noyau. Le corps cellulaire se ramifie pour former ce que l’on nomme les dendrites. Celles-ci
sont parfois si nombreuses que l’on parle alors de chevelure dendritique ou d’arborisation
dendritique. C’est par les dendrites que l’information est acheminée de l’extérieur vers le
soma, corps du neurone.
L’information traitée par le neurone chemine ensuite le long de l’axone (unique)
pour être transmise aux autres neurones. La transmission entre deux neurones n’est pas
directe. En fait, il existe un espace intercellulaire de quelques dizaines d’Angstrom (10 -9m)
entre l’axone du neurone afférent et les dendrites (on dit dendrite) du neurone efférent. La
jonction entre deux neurones est appelée la synapse.

Figure 1.Un neurone avec son arborisation dendritique

I.2.2 LE NEURONE FORMEL

Le neurone formel qui représente la brique de base des Réseaux de Neurones
Artificiels est un automate dont le modèle s'inspire de celui d'un neurone biologique. On peut
le décrire par les éléments suivants, pour un neurone d'indice i :
 Son état aussi appelé activation ai, qui peut être une valeur réelle ou booléenne. Cet état est
généralement également choisi comme valeur de sortie du neurone ;
 Ses connexions d'entrée auxquelles sont associés des poids w ij (j est l'indice du neurone
partageant la connexion) ;
 Sa fonction d'entrée réalisant un prétraitement, généralement une somme pondérée des entrées
;
 Sa fonction d'activation ou de transfert gi(x), qui calcule à partir du résultat de la fonction
d'entrée l'activation du neurone.

Figure 2.Un neurone formel

 11

I.2.3 CONCEPT RESEAU DE NEURONES ARTIFICIEL

Le concept des réseaux de neurones artificiels (PLACIDE, 2021) est né dans les
années 40 à partir d'une analogie avec le système nerveux humain, or le cerveau humain se
compose d’environ 1012 neurones (mille milliards) avec 1000 à 10000 synapses (connexions)
par neurone. En fait un réseau de neurones artificiels est basé sur un modèle simplifié de
neurone.
On considère généralement qu’un réseau de neurones est constitué d’un grand
ensemble d’unités ou neurones, ayant chacune une petite mémoire locale. Ces neurones sont
reliés par des canaux de communication (les connexions, aussi appelées synapses d’après le
terme biologique correspondant), qui transportent des données numériques. Les neurones
peuvent uniquement agir sur leurs données locales et sur les entrées qu’elles reçoivent par
leurs connexions.
Le terme désigne aujourd'hui un très grand nombre de modèles, ces modèles
permettent certaines fonctions du cerveau, comme la mémorisation, l’apprentissage, la
reconnaissance de formes, le traitement du signal, la généralisation, etc…, mais le neurone
artificiel est loin de posséder toutes les capacités du neurone biologique. Les réseaux de
neurones biologiques sont ainsi beaucoup plus compliqués que les modèles mathématiques et
informatiques.
Certains réseaux de neurones sont des modèles de réseaux biologiques, mais d’autres
ne le sont pas. Historiquement l’inspiration pour les réseaux de neurones provient cependant
de la volonté de créer des systèmes artificiels sophistiqués, voire « intelligents », capables
d’effectuer des opérations semblables à celles que le cerveau humain effectue de manière
routinière, et d’essayer par-là d’améliorer la compréhension du cerveau.
La plupart des réseaux de neurones ont une certaine capacité d’apprentissage. Cela
signifie qu’ils apprennent à partir d’exemples, de même que les enfants apprennent à
distinguer les chiens des chats à partir d’exemples de chiens et de chats. Le réseau peut
ensuite dans une certaine mesure être capable de généraliser, c’est-à-dire de produire des
résultats corrects sur des nouveaux cas qui ne lui avaient pas été présentés au cours de
l’apprentissage.
C’est à partir de l’hypothèse que le comportement intelligent émerge de la structure
et du comportement des éléments de base du cerveau que les réseaux de neurones artificiels se
sont développés.

Figure 3.Correspondance d’un neurone biologique et un neurone artificiel

I.2.4 FONCTIONNEMENT
Avant d’aborder le comportement collectif d’un ensemble de neurones, nous allons
présenter le perceptron en phase d’utilisation (fonctionnement-des-reseaux-neurones, 2024).
Selon la règle d’apprentissage du Perceptron, l’algorithme apprend automatiquement les
coefficients de poids optimaux. Les caractéristiques des données d’entrée sont multipliées par
 12

ces poids, afin de déterminer si un neurone s’allume ou non. Le Perceptron reçoit de multiples
signaux d’entrée. Si la somme des signaux excède un certain seuil, un signal est produit ou au
contraire aucun résultat n’est émis.
Dans le cadre de la méthode d’apprentissage supervisé de Machine Learning, c’est ce
qui permet de prédire la catégorie d’un échantillon de données. Il s’agit donc d’un élément
essentiel.

Figure 4.La formule du Perceptron

En réalité, le Perceptron est une fonction mathématique qui s’illustre par l’expression
suivante : a = ∑ (wi x xi). Les données d’entrée (x) sont multipliées par les coefficients de
poids (w). Le résultat produit est une valeur (a) qui peut être positive ou négative, à partir de
cette valeur une fonction de transfert (activation) calcule la valeur de l’état du neurone. Le
neurone artificiel s’active si la valeur est positive. Il ne s’active donc que si le poids calculé
des données d’entrée dépasse un certain seuil. Le résultat prédit est comparé avec le résultat
connu. En cas de différence, l’erreur est rétro propagée afin de permettre d’ajuster les poids.
Il existe de nombreuses formes possibles pour la fonction de transfert. Voici
quelques fonctions couramment utilisées comme fonctions d’activation :
 La fonction sigmoïde (encore appelé fonction logistique) :

Figure 5.La courbe illustrant la fonction sigmoïde

 La fonction à seuil :

Figure 6.La courbe illustrant la fonction à seuil

On remarquera qu’à la différence des neurones biologiques dont l’état est binaire, la
plupart des fonctions de transfert sont continués, offrant une infinité de valeurs possibles
comprises dans l’intervalle [0, +1] ou [-1, +1].
 13

Nous constatons que les équations décrivant le comportement des neurones artificiels
n’introduisent pas la notion de temps. En effet, et c’est le cas pour la plupart des modèles
actuels de réseaux de neurones, nous avons à faire à des modèles à temps discret, synchrone,
dont le comportement des composants ne varie pas dans le temps. Le Comportement collectif
d’un ensemble de neurones permet l’émergence de fonctions d’ordre supérieure par rapport à
la fonction élémentaire du neurone.
I.2.5 STRUCTURE D’INTERCONNEXION
Les connexions entre les neurones qui composent le réseau décrivent la topologie du
modèle. Elle peut être totale, tous les neurones sont connectés (PLACIDE, 2021) entre eux ou
organisée par couche. Il existe des réseaux monocouches ou multicouches.
Elle peut être quelconque, mais le plus souvent il est possible de distinguer une
certaine régularité.
1. Réseau multicouche : les neurones sont arrangés par couche. Il n’y a pas de connexion entre
les neurones d’une même couche et les connexions ne se font qu’avec les neurones des
couches avales.

Figure 7.Définition des couches d’un réseau multicouche

Habituellement, chaque neurone d’une couche est connecté à tous les neurones de la
couche suivante et celle-ci seulement. Ceci nous permettra d’introduire la notion de sens de
parcours de l’information (de l’activation) au sein d’un réseau et donc définir les notions de
neurone d’entré, neurone de sortie.
Par extension, on appelle couche d’entrée l’ensemble des neurones d’entrée, couche
de sortie l’ensemble des neurones de sortie. Les couches intermédiaires n’ayant aucun contact
avec l’extérieur sont appelées couches cachées.
2. Réseau à connexions locales : Il s’agit d’une structure multicouche. Chaque neurone entretient
des relations avec un nombre réduit et localisé de neurones de la couche avale.

Figure 8.Réseau à connexions locale

Réseau à connexions récurrentes : les connexions récurrentes ramènent l’information

en arrière par rapport au sens de propagation défini dans un réseau multicouche. Ces
connexions sont le plus souvent locales.
 14

Figure 9.Réseau à connexions récurrentes

Réseau à connexion complète : c’est la structure d’interconnexion la plus générale, chaque

neurone est connecté à tous les neurones du réseau.

Figure 10.Réseau à connexion complète

1.2.6 TYPE DE RESEAUX DES NEURONES

1. Réseaux de neurones à propagation avant3
Les perceptrons sont des réseaux propagation avant (feed-foward) signifie tout
simplement que la donnée traverse le réseau d’entrée à la sortie sans retour en arrière de
l’information.
Typiquement, dans la famille des réseaux à propagation avant, on distingue les
réseaux monocouches (perceptron simple) et les réseaux multicouches (perceptron
multicouche)
Le perceptron simple est dit simple parce qu’il ne dispose que de deux couches ; la
couche en entrée et la couche en sortie. Le réseau est déclenché par la réception d’une
information en entrée. Le traitement de la donnée dans ce réseau se fait entre la couche
d’entrée et la couche de sortie qui sont toutes reliées entre elles. Le réseau intégral ne dispose
ainsi que d’une matrice de poids. Le fait de disposer d’une seule matrice de poids limite le
perceptron simple à un classificateur linéaire permettant de diviser l’ensemble d’informations
obtenues en deux catégories distingues.

Figure 11.La formule du Perceptron

Le perceptron multicouche se structure de la même façon. L’information entre par

une couche d’entrée et sort par une couche de sortie. À la différence du perceptron simple, le
perceptron multicouche dispose entre la couche en entrée et la couche en sortie une ou
plusieurs couches dites « cachées ». Le nombre de couches correspond aux nombres de
3
https://www.juripredis.com/fr/blog/id-19-demystifier-le-machine-learning-
partie-2-les-reseaux-de-neurones-artificiels, Consulté : 7 - Avril - 2021,
08h30
 15

matrices de poids dont disposent le réseau. Un perceptron multicouche est donc mieux adapté
pour traiter les types de fonctions non-linéaires.

Figure 12.La formule du Perceptron

2. Réseaux de neurones à propagation arrière4

Dans un réseau de neurones à propagation arrière, l’algorithme d’apprentissage a
deux phases. Un ensemble d’entrées d’entraînement est présenté au niveau d’entrée. Le réseau
propage ces entrées niveau par niveau jusqu’à ce qu’une (ou des) sortie soit générée. Si la
sortie est différente de la sortie voulue, une erreur est calculée et puis propagée dans le réseau
de la sortie vers l’entrée. Les poids sont ajustés au fur et à mesure que l’erreur se propage.

Figure 13.Réseau de neurones à propagation arrière

3. Réseaux de neurones récurrents5

Les réseaux de neurones récurrents (RNN) ou Recurrent Neural Networks sont
des réseaux de neurones dans lesquels l’information peut se propager dans les deux sens, y
compris des couches profondes aux premières couches. En cela, ils sont plus proches du vrai
fonctionnement du système nerveux, qui n’est pas à sens unique. Ces réseaux possèdent des
connexions récurrentes au sens où elles conservent des informations en mémoire : ils peuvent
prendre en compte à un instant t un certain nombre d’états passés.
Pour cette raison, les réseaux de neurones récurrents sont particulièrement adaptés
aux applications faisant intervenir le contexte, et plus particulièrement au traitement des
séquences temporelles comme l’apprentissage et la génération de signaux, c’est à dire quand
les données forment une suite et ne sont pas indépendantes les unes des autres.
Néanmoins, pour les applications faisant intervenir de longs écarts temporels (typiquement
la classification de séquences vidéo), cette « mémoire à court-terme » n’est pas suffisante.

Figure 14.La formule du Perceptron

4
GABRIEL COMIER, SYSTEMES INTELLIGENTS-RESEAUX DE NEURONES, UNIVERSITE DE
MONCTON, P88.
5
https://dataanalyticspost.com/Lexique/reseau-de-neurones, Consulté : 7 -
Avril - 2021, 10h00
 16

En effet, les réseaux de neurones récurrents « classiques » simples ou Vanilla ne sont

capables de mémoriser que le passé dit proche, et commencent à « oublier
» au bout d’une cinquantaine d’itérations environ. Ce transfert d’information à double sens
rend leur entrainement beaucoup plus compliqué, et ce n’est que récemment que des
méthodes efficaces ont été mises au point comme les LSTM (Long Short Term Memory). Ces
réseaux à large « mémoire court-terme » ont notamment révolutionné la reconnaissance de la
voix par les machines (Speech Recognition) ou la compréhension et la génération de texte
(Natural Langage Processing).
D’un point de vue théorique, les réseaux de neurones récurrents ont un potentiel bien
plus grand que les réseaux de neurones classiques : des recherches ont montré qu’ils sont
« Turing-complet », c’est à dire qu’ils permettent théoriquement de simuler n’importe
quel algorithme.
I.2.7 L’APPRENTISSAGE ARTIFICIEL6
L’apprentissage artificiel en anglais : machine learning, « apprentissage machine »,
apprentissage automatique ou apprentissage statistique est un champ d’étude de l’intelligence
artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux
ordinateurs la capacité d’apprendre à partir de données, c’est-à-dire d'améliorer leurs
performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus
largement, il concerne la conception, l’analyse, l’optimisation, le développement et
l’implémentation de telles méthodes.
L’apprentissage artificiel étant vraisemblablement la notion la plus intéressante des
réseaux neuronaux qui enrichissent l’intelligence artificielle, elle ne concerne cependant pas
tous les modèles, mais le plus utilisés. L’apprentissage est considéré comme une phase du
développement d’un réseau de neurones durant laquelle le comportement du réseau est
modifié jusqu’à l’obtention du comportement désiré.
L’apprentissage neuronal fait appel à des exemples de comportement, dans le cas des
réseaux de neurones artificiels, on ajoute souvent à la description du modèle l’algorithme
d’apprentissage. Le modèle sans apprentissage présente peu d’intérêt.
Dans la majorité des algorithmes actuels, les variables modifiées pendant
l’apprentissage sont les poids des connexions. L’apprentissage est la modification des poids
du réseau dans l’optique d’accorder la réponse du réseau aux exemples et à l’expérience. Il est
souvent impossible de décider à priori des valeurs des poids des connexions d’un réseau pour
une application donnée. A l’issu de l’apprentissage, les poids sont fixes.
L’apprentissage automatique comporte généralement deux phases. La première
consiste à estimer un modèle à partir de données, appelées observations, qui sont disponibles
et en nombre fini, lors de la phase de conception du système. L’estimation du modèle consiste
à résoudre une tâche pratique, telle que traduire un discours, estimer une densité de
probabilité, reconnaître la présence d’un chat dans une photographie ou participer à la
conduite d’un véhicule autonome. Cette phase dite « d’apprentissage » ou « d’entraînement »
est généralement réalisée préalablement à l’utilisation pratique du modèle. La seconde phase
correspond à la mise en production : le modèle étant déterminé, de nouvelles données peuvent
alors être soumises afin d’obtenir le résultat correspondant à la tâche souhaitée.
En pratique, certains systèmes peuvent poursuivre leur apprentissage une fois en
production, pour peu qu’ils aient un moyen d’obtenir un retour sur la qualité des résultats

6
http://www.gdt.oqlf.gouv.qc.ca/apprentissage-automatique, Consulté : 12 -
Avril - 2021, 16h15
 17

produits. Selon les informations disponibles durant la phase d’apprentissage, l’apprentissage

est qualifié de différentes manières.
Si les données sont étiquetées, c’est-à-dire que la réponse à la tâche est connue pour
ces données, il s’agit d’un apprentissage supervisé. On parle de classification ou de
classement si les étiquettes sont discrètes, ou de régression si elles sont continuées.
Si le modèle a appris de manière incrémentale en fonction d'une récompense reçue
par le programme pour chacune des actions entreprises, on parle d’apprentissage par
renforcement. Dans le cas le plus général, sans étiquette, on cherche à déterminer la structure
sous-jacente des données (qui peuvent être une densité de probabilité) et il s’agit alors
d’apprentissage non supervisé. L’apprentissage automatique peut être appliqué à différents
types de données, tels des graphes, des arbres, des courbes, ou plus simplement des vecteurs
de caractéristiques, qui peuvent être des variables qualitatives ou quantitatives continues ou
discrètes.
I.2.7.1 TYPE D’APPRENTISSAGE
Les algorithmes d’apprentissage peuvent se catégoriser selon le mode
d'apprentissage qu’ils emploient.
1. Apprentissage supervisé
Si les classes sont prédéterminées et les exemples connus, le système apprend à
classer selon un modèle de classification ou de classement ; on parle alors d’apprentissage
supervisé ou d'analyse discriminante. Un expert doit préalablement étiqueter des exemples. Le
processus se passe en deux phases.
Lors de la première phase (hors ligne, dite d'apprentissage), il s’agit de déterminer un
modèle à partir des données étiquetées.
La seconde phase (en ligne, dite de test) consiste à prédire l’étiquette d’une nouvelle
donnée, connaissant le modèle préalablement appris.
Parfois il est préférable d'associer une donnée non pas à une classe unique, mais une
probabilité d'appartenance à chacune des classes prédéterminées (on parle alors
d’apprentissage supervisé probabiliste).
Les coefficients synaptiques sont évalués en minimisant l’erreur entre la sortie
souhaitée et la sortie obtenue sur une base d’apprentissage.
2. Apprentissage non supervisé
Quand le système ou l’opérateur ne dispose que d’exemples, mais non d’étiquette, et
que le nombre de classes et leur nature n’ont pas été prédéterminées, on parle d'apprentissage
non supervisé ou clustering en anglais. Aucun expert n’est requis.
L'algorithme doit découvrir par lui-même la structure plus ou moins cachée des
données.
Le partitionnement de données, data clustering en anglais, est un algorithme
d’apprentissage non supervisé.
Le système doit ici dans l’espace de description (l’ensemble des données) cibler les
données selon leurs attributs disponibles, pour les classer en groupes homogènes d'exemples.
La similarité est généralement calculée selon une fonction de distance entre paires
d’exemples. C’est ensuite à l’opérateur d’associer ou déduire du sens pour chaque groupe et
pour les motifs (patterns en anglais) d'apparition de groupes, ou de groupes de groupes, dans
leur « espace ».
Divers outils mathématiques et logiciels peuvent l’aider. On parle aussi d’analyse des
données en régression, ajustement d'un modèle par une procédure de type moindres carrés ou
autre optimisation d’une fonction de coût. Si l'approche est probabiliste, c’est-à-dire que
 18

chaque exemple, au lieu d'être classé dans une seule classe, est caractérisé par un jeu de
probabilités d'appartenance à chacune des classes, on parle alors de « soft clustering » par
opposition au « hard clustering ». Cette méthode est souvent source de sérendipité.
Les coefficients synaptiques sont déterminés par rapport à des critères de
conformité : spécifications générales.
3. Apprentissage par renforcement
L’algorithme apprend un comportement étant donné une observation. L’action de
l’algorithme sur l'environnement produit une valeur de retour qui guide l’algorithme
d’apprentissage.
4. Apprentissage par transfert
L’apprentissage par transfert peut être vu comme la capacité d’un système à
reconnaître et appliquer des connaissances et des compétences, apprises à partir de tâches
antérieures, sur de nouvelles tâches ou domaines partageant des similitudes.
I.2.7.2 ALGORITHMES UTILISÉS
Les algorithmes se classent en quatre familles ou types principaux : la régression, la
classification, le partitionnement de données et la réduction de dimensions.
Plus précisément : la régression linéaire, la régression logistique, les machines à
vecteur de support, les réseaux de neurones, dont les méthodes d’apprentissage profond pour
un apprentissage supervisé ou non supervisé, la méthode des k plus proches voisins pour un
apprentissage supervisé, les arbres de décision : méthodes à l'origine des Random Forest par
extension également du boosting notamment xgboost, les méthodes statistiques comme le
modèle de mixture gaussienne, l’analyse discriminante linéaire, les algorithmes génétiques et
la programmation génétique, le boosting, le bagging, l’analyse en composantes principales.
Ces méthodes sont souvent combinées pour obtenir diverses variantes
d’apprentissage. Le choix d’un algorithme dépend fortement de la tâche à résoudre
(classification, estimation de valeurs…), du volume et de la nature des données. Ces modèles
reposent souvent sur des modèles statistiques.
 19

CHAPITRE DEUXIEME : CADRAGE DE PROJET

2.1 INTRODUCTION
Après avoir défini le sens et acquis les connaissances autour de notre travail (projet),
nous pensons qu’il Il est nécessaire de passer par une bonne formalisation afin de donner vie à
notre projet selon les différentes contraintes de réalisation d’un projet.
2.2 DEFINITION
Un projet est un ensemble d’activités ou d’éléments inter relié dans le but d’obtenir
un résultat unique pendant une période de temps déterminée et à l’aide d’un budget préétabli
des ressources.
La gestion de projet doit être envisagée comme un système à la recherche d’équilibre
entre les éléments ou activités d’un projet.
Cette gestion doit se concrétiser sur les points essentiels suivants :
 La spécification du système ;
 Le temps de développement ;
 Le coût de développement.

Pour atteindre les objectifs assignés, tout concepteur d’un projet devra donc définir
une programmation des différentes tâches ou opérations successives à réaliser de telle sorte
qu’un ordre soit respecté dans un délai nominal.
(Https://home.cern/fr/science/computing/birth-web, consulté le 15/01/2024 à 06h40’)
2.3 MODELE D’ORDONNANCEMENT
L’ordonnancement d’un projet C’est l’ensemble des décisions que supposent toutes
les actions qui concourent à la réalisation du projet.
Ce modèle est apparu au départ dans la planification de grands projets. Le but est de
gagner du temps sur leur réalisation. De tels projets sont constitués de nombreuses étapes,
également appelées tâches. maders.h.p, et les autres, conduire un projet d’organisation, ed.
D’organisation, année 2000. p.88
Pour définir ce modèle, il faut :
 Décomposer le problème en tâches élémentaires ;
 Une tâche doit commencer à une date précise ;
 Un certain nombre de tâches doivent être terminées pour pouvoir en démarrer une autre ;
 Préciser les contraintes qui s’opposent à ce que les tâches soient exécutées arbitrairement ;
2.3.1 TECHNIQUE D’ORDONNANCEMENT
C’est l’ensemble de méthodes qui permettent au responsable du projet de
prendre des décisions nécessaires dans des meilleures conditions possibles. Cette technique
permet :
 D’analyser le projet en profondeur, le décomposer en tâche ;
 De mettre sur pied un plan d’action, contribuant à réaliser le projet tout en respectant les
contraintes, c’est-à-dire de déterminer les meilleurs temps nécessaires à la réalisation de
l’ensemble de l’ouvrage entrepris ;
 20

 De contrôler le bon déroulement du projet c’est-à-dire localiser les tâches critiques ou celles
qui ne peuvent être ni retardées, ni ralenties, sans que la fin des travaux soit déclarée du temps
correspondant.
2.4 METHODE D’ORDONNANCEMENT
Il existe plusieurs méthodes d’ordonnancement dans la gestion de projet, parmi
elles nous pouvons lister :
 Méthode de type diagramme de GANTT : C’est un diagramme de planning et de prévision
ayant pour but de mettre en évidence les durées et de permettre ainsi le contrôle à tout
moment de l’évolution du projet, par comparaison des réalisations aux prévisions. Il se
présente sous forme d’un tableau quadrillé dans lequel une colonne correspond à un temps et
une ligne à une tâche ou opération.
 Méthode PERT : « Program Evaluation and Review Technic » ou méthode d’évaluation et de
révision de programme. C’est une méthode américaine de modélisation qui consiste à mettre
en ordre sous forme de réseau à plusieurs tâches qui grâce à leurs dépendances et à leur
chronologie permettent d’avoir un produit fini.
 Méthode MPM « Méthode des potentiels Métra » : Planning sous forme de réseau
représentant graphiquement l’ordonnancement des opérations d’un projet.
2.5 METHODE PERT
Dans le cadre de notre projet, nous avons opté pour la méthode PERT « Program
Evaluation and Review Technic ». Elle nous a permis de mettre en ordre sous forme d’un
graphe, plusieurs tâches qui grâce à leurs dépendances et à leurs chronologies concourent tous
à la réalisation de notre projet. Cette méthode nous a également permis de calculer le meilleur
temps de réalisation de notre projet.
PERT est une méthode d’ordonnancement des tâches qui permet notamment de déterminer le
chemin critique d’un projet, c’est-à-dire d’identifier les tâches sur lesquelles le moindre retard
entraine un ralentissement sur l’ensemble du projet.
(Https://home.cern/fr/science/computing/birth-web, consulté le 15/01/2024 à 06h43’)
Parmi les méthodes d’ordonnancement existantes, la méthode PERT est l’une des
plus performantes. Elle consiste à créer un réseau qui prend en compte la chronologie des
tâches et leurs dépendances afin de parvenir à l’étape finale, c’est-à-dire au produit fini.
2.5.1 PRINCIPE DE LA METHODE PERT
Le principe de la méthode PERT est de découper un projet en un ensemble
d’actions appelées tâches et de les représenter sous forme graphique selon un graphe de
dépendances.
Grâce à la chronologie et l’indépendance de chacune des tâches, on structure ainsi
l’ensemble du projet et on peut alors planifier la réalisation de chacune des tâches les unes par
rapport aux autres, afin de minimiser les délais, ainsi que réduire l’impact des retards lors de
l’exécution des différentes tâches.
2.5.2 QUELQUES CONCEPTS DE BASE
a) Projet
C’est l’ensemble de tâches ou opérations permettant d’atteindre un objectif
clairement exprimable présentant un certain caractère d’unicité ;
 21

b) Tâche ou activité
La tâche est le déroulement d’une action dans le temps. Une tâche est toujours
caractérisée par une durée.
Elle est symbolisée par un vecteur ou arc orienté sur lequel sont indiqués l’action
à effectuer et le temps estimé de réalisation de cette tâche.

Lettre référençant tâche

A
3
r Durée d’exécution de la
ér tâche
fé
éf
ré Figure II.1 Représentation d’une tâche
c) Etape ou Nœud er
ne
Une étape indique
çn le début ou la fin d’une tâche. Contrairement à une tâche,
une étape n’a pas de durée. Elle
aç est représentée par un identificateur au début et à la fin d’une
activité. na
tn
1 t (A 2 (B 3
t) )
ât
câ
Etape de début hc Etape de fin de Etape de fin de
de la tâche eh la tâche (A) et la tâche (B)
(A) début pour la
e
tâche (B)
Figure II.2 Représentation d’une étape
d) Tâche fictive

C’est une activité qui a comme durée Nulle. Elle est créée pour éviter que deux arcs
ou vecteurs aient une même origine et une même extrémité. Une tâche fictive est représentée
par une flèche en pointillé.

e) Durée optimiste

C’est la durée minimale (plus petite) ;

f) Durée probable

Elle est la durée entre la durée pessimiste et optimiste ;

g) Durée pessimiste

Elle est la durée extrême.

 22

2.6 IDENTIFICATION DES TACHES

Voici la série des activités que nous avons identifiées pour la réalisation de notre
projet :
(A) Etude préalable ;
(B) Récolte des données ;
(C) Conception du nouveau système ;
(D) Achat des matériels ;
(E) Programmation et entrainement ;
(F) Assemblage du nouveau système et test ;
(G) Optimisation ;
(H) Déploiement.
2.7 CONTRAINTE DE REALISATION
Nous identifions dans cette partie la tâche qui doit être terminée immédiatement
avant qu’une autre ne commence et la tâche qui doit suivre celle terminée.
Avant que la tâche suivante commence il faudrait nécessairement que la tâche
première commence avant tout, et ce processus suivra le même rythme jusqu’au dernière
tâche.
Nous pouvons présenter les diverses contraintes de notre projet :
(A) Avant (B)
(B) Avant (C)
(C) Avant (D)
(D) Avant (E)
(E) Avant (F)
(F) Avant (G)
(G) Avant (H)
2.8 RECENSEMENT DES TACHES
Tableau 1.Recensement des tâches

Activité Durée Durée Durée

N° Activité Coût
antérieure optimiste pessimiste probable

A Etude préalable _ 8 15 10 120

B Récolte des données A 8 10 9 80

Conception du
C B 20 28 22 190
nouveau système

D Achat des matériels C 21 32 28 300

Programmation et
E D 23 29 25 250
entrainement

F Assemblage du E 6 12 9 70
nouveau système et
 23

test

G Optimisation F 4 9 7 40

H Déploiement G 1 3 2 20

Le type de méthode que nous avons choisi est la méthode d’estimation triple ou
autrement appelée méthode PERT à trois points, pour avoir une meilleure précision dans la
détermination de la durée de notre projet. Cette méthode se base sur trois durées estimées :
durée optimiste, durée pessimiste et durée probable. Elle se base également sur l’écart type.
2.9 CALCULS DES DUREES MOYENNES
La durée moyenne d’une activité dans une estimation triple est donnée par la
formule :
a i+ bi+ 4 mi
x i=
6
Avec : a :la durée optimiste
b :la durée pessimiste
m : la durée probable
8+15+ 4.10 8+ 15+40
x 1= = =11
6 6
8+10+ 4.9 8+ 10+36
x 2= = =9
6 6
20+28+ 4.22 20+28+ 88
x 3= = =23
6 6
21+32+ 4.28 21+32+112
x4= = =28
6 6
23+29+ 4.25 23+ 29+100
x 5= = =25
6 6
6+12+ 4.9 6 +9+36
x 6= = =9
6 6
4 +9+ 4.7 4+ 9+28
x 7= = =7
6 6
1+3+4.2 1+3+8
x 8= = =2
6 6
Équation 1.Calculs des durées moyennes

2.10 GRAPHE PERT

Dépendant aux contraintes illustrées ci-haut, nous allons établir le graphe PERT.
Ce moyen a pour fin, de présenter sans ambigüité un plan d’exécution d’un ensemble des
tâches à effectuer.
 24

Le PERT (program of évaluation and review technique) est une méthode

consistant à mettre en ordre sous forme de réseau, plusieurs tâches qui, grâce à leur
dépendance et à leur chronologie, concourent toutes à l’obtention d’un produit fini.
2.10.1 MATRICE BOOLEENNE
La matrice booléenne est une matrice constituée d’une suite de 1 et 0, comme
ligne et colonne. Ça nous permet d’ordonner le graphe PERT tout en se rapportant à notre
projet.

Tableau 2.Matrice booléenne

1 2 3 4 5 6 7 8 9

1 0 1 0 0 0 0 0 0 0

2 0 0 1 0 0 0 0 0 0

3 0 0 0 1 0 0 0 0 0

4 0 0 0 0 1 0 0 0 0

5 0 0 0 0 0 1 0 0 0

6 0 0 0 0 0 0 1 0 0

7 0 0 0 0 0 0 0 1 0

8 0 0 0 0 0 0 0 0 1

9 0 0 0 0 0 0 0 0 0

2.10.2 CALCULE DE RANG

Le calcul de rang permet de trouver la disposition à laquelle sera ordonné le graphe.
Rn ={ 9 } ; Rn−1= { 8 }; Rn−2= {7 }; Rn−3= { 6 }; Rn−4 =5 }; Rn−5= { 4 }; Rn−6 ={ 3 }; Rn−7 ={ 2 };
Rn−8 ={ 1 } et Rn−9 =R 0
Posons : Rn-9 = Ro, n-9 = 0, n = 9 D’où nous aurons :
R0 ={ 1 }; R1= {2 }; R2= {3 }; R3= { 4 }; R4 ={ 5 }; R5= { 6 } ; R6 ={ 7 } ; R7 ={ 8 } et R8 ={ 9 }
 25

2.10. 3 GRAPHE PERT ORDONNE

(A) (B) (C) (D) (E) (F) (G) (H)

1 2 3 4 5 6 7 8 9

R0 R1 R2 R3 R4 R5 R6 R7 R8
Figure 15.Graphe PERT ordonné

2.10.4 CALCUL DE LA DUREE OPTIMAL

1. Date au plus tôt (DTO)

C’est la date la plus rapprochée durant laquelle il est possible de réaliser une étape.
C’est-à-dire, la date à laquelle la tâche est réalisée promptement, sans que ses précédentes ne
prennent du retard dans leur exécution.
La date au plus tôt est donnée par la formule :
DTO(y) =max {DTO(x) + d (i)} ∀ x ∈ Г y−1
Avec:
DTO(y) : la date au plus tôt de la tâche désignée ;
DTO(x) : la date au plus tôt de la tâche antérieure ;
d(i) : la durée de la tâche ciblée.
 DTO(1)= 0
 DTO(2)= max {DTO(1) + d(1)} = {0+10} = 10
 DTO(3)= max {DTO(2) + d(2)} = {10+9} = 19
 DTO(4)= max {DTO(3) + d(3)} = {19+22} = 41
 DTO(5)= max {DTO(4) + d(4)} = {41+28} = 69
 DTO(6)= max {DTO(5) + d(5)} = {69+25} = 94
 DTO(7)= max {DTO(6) + d(6)} = {94+9} = 103
 DTO(8)= max {DTO(7) + d(7)} = {103+7} = 110
 DTO(9)= max {DTO(8) + d(8)} = {110+2} = 112
2. Date au plus tard (DTA)
C’est une date à laquelle, il faut absolument entamer une tâche si l’on veut vraiment
achever le projet dans le plus bref délai. C’est-à-dire, la date à laquelle la tâche doit finir au
plus tard sans la compromission du délai du projet.
La date au plus tard est donnée par la formule :
DTA (x) = min {DTA(y) - d(i)} ∀ y ∈ Гx +1
Avec :
DTA(x) : la date au plus tard de la tâche ciblée ;
DTA(y) : la date au plus tard de la tâche postérieure ;
d(i) : la durée de la tâche ciblée.
 26

 DTA(9)= DTO(h) =112

 DTA(8)= min {DTA(9) - d (8)} = {112-2} = 110
 DTA(7)= min {DTA(8) - d (7)} = {110-7} = 103
 DTA(6)= min {DTA(7) - d (6)} = {103-9} = 94
 DTA(5)= min {DTA(6) - d (5)} = {94-25} = 69
 DTA(4)= min {DTA(5) - d (4)} = {69-28} = 41
 DTA(3)= min {DTA(4) - d (3)} = {41-22} = 19
 DTA(2)= min {DTA(3) - d (2)} = {19-9} = 10
 DTA(1)= min {DTA(2) - d (1)} = {10-10} = 0
2.10.5 CALCUL DES MARGES
1. Marge libre
La marge libre d’une activité i est donnée par la formule ci-dessous :
ML (I) = {DTO(y)-DTO(x)-d (I)}
Avec :
ML(i) : marge libre recherchée de la tâche ciblée (i) ;
DTO(x) : date au plus tôt de la tâche postérieure ;
DTO(i) : date au plus tôt de la tâche ciblée (i) ;
d(i) : la durée de la tâche désignée (i).
 ML (A) ={DTO(2) - DTO(1) - d(A)} = {10-0-10} = 0
 ML (B) ={DTO(3) - DTO(2) - d(B)} = {19-10-9} = 0
 ML (C) ={DTO(4) - DTO(3) - d(C)} = {41-19-22} = 0
 ML (D) ={DTO(5) - DTO(4) - d(D)} = {69-41-28} = 0
 ML (E) ={DTO(6) - DTO(5) - d(E)} = {94-69-25} = 0
 ML (F) ={DTO(7) - DTO(6) - d(F)} = {103-94-9} = 0
 ML (G) ={DTO(8) - DTO(7) - d(G)} = {110-103-7} = 0
 ML (H) ={DTO(9) - DTO(8) - d(H)} = {112-110-2} = 0

2. Marge totale
La marge totale d’une activité i est donnée par la formule ci-dessous :
MT(I) = {DTA(y)-DTO(x)-d(I)}
Avec :
MT(I) : marge totale de la tâche (i) ;
DTA(y) : date au plus tard de la tâche ciblée ;
DTO(x) : date au plus tôt de la tâche ciblée.
d(i) : la durée de la tâche désignée.

 MT (A) = {DTA(2) - DTO(1) - d(A)} = {10-0-10} = 0

 MT (B) = {DTA(3) - DTO(2) - d(B)} = {19-10-9} = 0
 MT (C) = {DTA(4) - DTO(3) - d(C)} = {41-19-22} = 0
 MT (D) = {DTA(5) - DTO(4) - d(D)} = {69-41-28} = 0
 MT (E) = {DTA(6) - DTO(5) - d(E)} = {94-69-25} = 0
 MT (F) = {DTA(7) - DTO(6) - d(F)} = {103-94-9} = 0
 MT (G) = {DTA(8) - DTO(7) - d(G)} = {110-103-7} = 0
 27

 MT (H) = {DTA(9) - DTO(8) - d(H)} = {112-110-2} = 0

2.10.6 DETERMINATION DES ACTIVITES ET CHEMINS CRITIQUES

1. Tâche critique
Une tâche critique est une tâche qui n’admet aucun retard dans son exécution. Sa
marge totale est nulle (0). En ce qui concerne notre travail les activités critiques se présentent
comme suit :
(A), (B), (C), (D), (E), (F), (G), (H).

2. Tâche non critique

Contrairement à l’activité critique, une tâche non critique peut admettre le retard
dans son exécution et sa marge totale est différente de zéro.
Pour ce qui est de notre étude, nous n’avons pas de tâche non critique.
3. Chemin critique
Le chemin critique indique quelle sont les tâches successivement observer au cours
de la mise en œuvre du projet dont les marges sont nulles. Dans le cadre de notre travail, nous
avons comme chemin critique :
(A), (B), (C), (D), (E), (F), (G), (H).
2.11 COUT TOTAL DU PROJET
Il se calcul en faisant l’évaluation de tous les coûts des différentes tâches (les coûts
sont évalués en dollars américains).
Le coût total du projet est donné par la formule suivante :
C  C i
Soit C = 120 + 80 + 190 + 300 + 250 + 70 + 40 + 20 = 1070$
2.12 INTERVALE DE CONFIANCE DE LA DUREE OPTIMALE
2.12.1 VARIANCE
La variance d’une activité est donnée par la formule suivante :

σ 2i =( b−a
6 )
2

Avec : a : la durée optimiste

b : la durée pessimiste
2
( 15−8
σ 1=
6 ) ( 6 ) 36
=
7 49
2
= 2

σ =( ) =( ) = =
2 10−8 2 2 4 1 2
2
6 6 36 9

σ =( ) =( ) = =
2 28−20 8 16 4
2 2
3
6 6 36 9

σ =(
6 ) ( 6 ) 36
2 32−21 11 121
2 2
4 = =
 28

( 29−23
σ 25=
6 ) =( ) = =1
6 36
2
6 36
2

σ =(
6 ) ( 6 ) 36
2 12−6 6 36
2 2
6 = = =1

σ =( ) =( ) =
2 9−4 2 5 25 2
7
6 6 36

σ =( ) =( ) = =
2 3−1 2 2 4 1 2
8
6 6 36 9
2.12.3 L’ECART TYPE DU PROJET
L’écart type du projet est donné par la formule suivante :

   i2
Avec i appartenant au chemin critique
Nous aurons :

σ=
√ 49 1 4 121
+ + +
36 9 9 36
25 1
+1+1+ + =1,047
36 9
2.12.3 DUREE MOYENNE DU PROJET
La durée moyenne du projet est donnée par la formule suivante :
X X i Avec i appartenant au chemin critique

Nous aurons :
x = 11 + 9 + 23 + 28 + 25 + 9 + 7 + 2 = 114
2.12.4 L’INTERVALLE DE CONFIANCE
L’intervalle de confiance I de la durée optimale d’un projet est donné par la formule
suivante :
I  X  t 3 . , X  t 3 .  Avec t3=3 et à 99,9% de chance, nous aurons :
I= [114-3.1,047 ;114+3.1,047] = [114-3,141 ; 114+3,141] = [111,118]
Donc la durée optimale du projet est comprise entre 111 et 118 jours à 99,9% de
chance.
 29

CONCLUSION PARTIELLE
Enfin, voici la fin de ce chapitre intitulé cadrage projet qui a été question de calculer
les différentes étapes et meilleur temps pour aboutir à la réalisation de notre projet.
Dans ce chapitre nous avons montré la manière dont nous avons déterminé toutes les
activités nécessaires et possibles pour l’élaboration de notre projet, en commençant par
l’identification des activités qui nous ont permis de construire notre réseau PERT.
Apprès avoir effectuer plusieurs évaluations (calculs), nous avons trouvé comme
durée optimale, l’intervalle entre 111 et 117 jours à 99,9% de chance, avec un budget total de
1070$.
Pour clore, tel a été l’importance de ce chapitre de cadrage projet, dont nous avons
coché pour la méthode PERT à estimation triple vu sa précision, elle nous a permis de cadrée
notre projet et nous pouvons encore dire que notre projet n’a pas des retards donc il est
critique.
Donc vu son importance nous avons parcouru les notions essentielles comme les
méthodes, l’ordonnancement et autres. Nous avons coché pour la méthode PERT à estimation
triple vu sa précision elle nous a permis de cadre notre projet et nous pouvons encore dire que
notre projet n’a pas des retards donc il est critique.
 30

CHAPITRE III : ÉTUDE D’OPPORTUNITÉ

III.0. Introduction
L’étude d’opportunité est un ensemble des actions permettant d’apprécier
objectivement un système d’information, intégré des méthodes de récolte des informations
liés aux différentes contraintes afin d’améliorer leurs qualité et rapidité dans leur traitement.
SECTION 1 : ETUDE PREALABLE
Dans cette section du travail sera une étude approfondie sur le système existant afin
d’en détecter des faiblesses et déterminer notre part de chose ou domaine d’intervention, puis
proposer notre solution utile à ce service.
III.1. Description de l’existant

III.2. Critique de l’existant

L’étude de notre système existant nous amène à comprendre comment une

personne qui s’exprime verbalement, peut échanger, parler ou communiqué avec une
personne qui s’exprime gestuellement (muet), et d’en tirer les difficultés, en fin de juger par
ou notre apport dans ce domaine se rendrait utile en facilitant la communication.

Comme on ne cesse de le dire, le but majeur de notre rédaction est d’optimiser

la communication entre une personne qui s’exprime verbalement et gestuellement, c’est
ainsi qu’on a ressortis les difficultés ou insuffisance suivantes :

III.3. Proposition des solutions

Malgré les nombreux problèmes que rencontre le monde, il existe toujours une
solution ou une série de solution applicable par l’homme au travers différents domaine de la
vie.
Comme on vient de le dire précédemment que communiquer avec une
personne muet(e) est difficile, ici nous allons proposer quelques solutions afin de rendre la
communication très facile avec une personne muet(e).
Pour ce faire, nous proposons des solutions comme :
 Avoir un interprète de signe gestuelle : cette solution est bonne pour la traduction des
expressions gestuelle en expression orale mais avec cette proposition l’interprète peut
ou ne pas traduire ou mentir pour des intérêts personnels.
Je prends l’exemple d’un muet qui veux passer un message confidentiel ou un mot de passe
pour aller retirer l’argent à la banque a une personne qui ne comprend pas les signes
gestuels, dans ce cas l’interprète peut mal traduire le message pour détourner l’argent.
 31

 Apprendre à traduire les expressions gestuelles : une bonne solution pour bien
échanger avec une personne muette, mais s’habituer avec cette solution deviens un
problème si cela ne fait pas parti de ta vie de chaque jour comme le muet.

 Une intelligence artificielle basé sur un réseau artificiel : avoir une intelligence
artificielle comme un dispositif de traduction des images en discours orale est aussi
l’un de meilleur solution pour faciliter la compréhension lors d’un échange avec un
sourd-muet ou une sourde-muette.

III.4. Choix de la solution

Dans le but de rendre la communication très facile et compréhensible avec
une personne muette, dans notre travail nous avons jugé bon d’utiliser une intelligence
artificielle qui va nous permettre de traduire des expressions gestuelles en discours orale
pour bien facilité la communication avec un muet ou une muette.

Cette solution choisie sera utile dans certain domaine comme dans la
médecine ou les docteurs avait du mal à comprendre les explications du patient muet mais
grâce à notre AI, le médecin n’aura pas du mal à comprendre ce que le patient veut exprimer,
notre intelligence artificielle va traduire les expressions gestuelles en texte et en discours
orale via les haut-parleur d’un smartphone.
Avec notre intelligence artificielle les personnes muettes vont se sentir alaise
dans la société et ils peuvent s’intégrer dans d’autre domaine qui était réserver seulement aux
personne qui s’exprime oralement.
 32

SECTION 2 : ETUDE DÉTAILLÉE

C’est dans cette section qu’intervient la conception de notre système. Elle contient
donc la description complète et détaillée du système, c’est ici que l’on va faire l’étude
permettant de ressortir toutes les exigences de la réalisation de notre système.
III.5. Étude structurelle
Dans cette partie, nous allons concevoir notre système de traduction des expressions
gestuelle en orale. Comme la première tâche, celle-ci se divise en 4 phase suivantes :
 Phase de définition fonctionnelle
 Phase de définition conceptuelle
 Phase de définition physico-morphologique
 Phase de définition détaillée
III.5.1. Phase de définition fonctionnelle
L’étude de notre travail de traduction des expressions commence par un schéma
synoptique, représentant en bloc les grandes parties du système. Ainsi nous allons faire une
étude détaillée de chacune des parties.
III.5.1.a Schéma synoptique

III.1.1 Schéma de bloc

 33

III.5.1.b. Phase de définition conceptuelle

Dans cette phase il est question d’indiquer les caractéristiques que doivent avoir les
différents modules qui seront utilisés dans ledit système.
Pour que ce système d’intelligence artificielle réponde aux besoins des utilisateurs,
l’interface de commande doit être adaptable à tout type de terminal et doit être en mesure de
faciliter l’interaction entre l’homme et la machine.
Toujours dans le même optique, le système doit être capable d’exécuter rapidement
des instructions données par l’utilisateur, le centre de traitement de ces instructions ne doit
pas être trop gourmand en énergie et doit être en mesure de fonctionner 24h/24.
Les modules de programmations qui constituerons notre système doivent être
accessible dans les environnements pour enfin d’éviter d’incompatibilité, et doivent être
légers pour faciliter la mobilité de la console
III.5.1.c. Phase de définition physico-morphologique
Cette phase permet de préciser quels éléments physiques sont requis pour la
réalisation du système. C’est dans cette partie que survient l’étude du système en fonction de
son schéma de procédés. Ainsi, dans cette phase nous allons étudier les éléments physiques
suivants :
 OV7670
 Servomoteurs
 Ultrason
 Carte Arduino Uno
 Pompes à vide
 Moteur pas a pas
 Raspberry pi pico

III.5.1.d. Schéma de procédé

Kit voiture
 34

III.7. Conclusion partielle

Par conclusion, ce chapitre nommé étude d’opportunité, fait part de la présentation
du système existant, de ses failles, des possibilités ainsi ouvrir la porte à la solution choisie.
Ensuite nous avons aborder les concepts pouvant nous permettre de comprendre la structure
interne ou détaillée de notre système.
 35

CHAPITRE IV. ETUDE TECHNIQUE

IV.0. Introduction
Dans le précèdent chapitre, nous avons mené une étude approfondie sur la nouvelle
solution intelligente, dans celui-ci, nous allons faire une étude technique qui concerne
l’aspect de sa réalisation.
Pour ce faire, nous allons détailler la marche à suivre en montrant les différentes
configurations nécessaires à faire sur nos composants, dimensionner les différents
composants, montrer les programmes utilisés, effectuer des mesures référentielles ainsi
qu’évaluer le coût total nécessaire pour cette réalisation.
 36

IV.1. Analyse des besoins

N° Description Caractéristique Quantité

1. 1

2. Capteur utrason
1

3 Kit voiture 1

5 Alimentation 1
ESP 32 CAM

Bibliothèque opensource
7 OpenCV 1

8 Numpy Bibliothèque opensource 1

9 pickle module standard de Python 1

11 pyttsx3 Bibliothèque opensource 1

12 Python Langage de programmation 1

Tableau IV.1. Analyse des besoins

 37

IV.2. Schéma de réalisation

Dans l’étape précédente, nous avons présenté un tableau dans lequel nous avons
cités tous les éléments nécessaires pour la réalisation de notre système.

Présentement dans ce point nous allons présenter le schéma de la réalisation de notre

travail.

Schéma de la réalisation
IV.2. Description du schéma de la réalisation
Dans cette étape du travail, nous parlerons des différents étages constituants le
montage de notre système.
IV.2.1.

IV.2.2. Ultrason

 a.
IV.2.3.

IV.2.4.
IV.2.5. Alimentation
L’alimentation fournie l’énergie nécessaire pour faire fonctionner tout le système.
 38

A cet effet, la partie principale (traitement) du montage fonctionne uniquement avec une
tension continue stable de l’ordre de 5 volts supportée par la carte ARDUINO.

IV.2.6.

IV.2.7. OpenCV
OpenCV est une bibliothèque open source pour le traitement d'images et de vidéos.
Elle fournit une large gamme de fonctions pour la détection d'objets, le suivi de
mouvement, la reconnaissance faciale et d'autres tâches de traitement d'images.

Dans ce travail, OpenCV est utilisé pour les tâches suivantes :

 Détection des mains : OpenCV est utilisé pour détecter les mains dans une image ou
une vidéo. Cela permet de localiser les gestes de la langue de signe dans l'image.
 Suivi des mains : OpenCV est utilisé pour suivre le mouvement des mains dans le
temps. Cela permet de suivre l'évolution des gestes de la langue de signe.
 Extraction des caractéristiques des gestes : OpenCV est aussi utilisé pour extraire des
caractéristiques des gestes, telles que la position des mains, des doigts et du visage.
Ces caractéristiques peuvent ensuite être utilisées pour entraîner un modèle
d'apprentissage automatique à reconnaître les gestes.
IV.2.9. Pickle

Pickle est une bibliothèque Python pour la sérialisation et la dé sérialisation d'objets

Python.
Elle permet de sauvegarder des objets Python dans un format binaire compact, qui
peut ensuite être chargé dans une autre instance de Python.
 39

Dans CE travail, Pickle est utilisé pour les tâches suivantes :

 Sauvegarde du modèle d'apprentissage automatique : Pickle est utilisé pour

sauvegarder le modèle d'apprentissage automatique entraîné. Cela permet de
sauvegarder le modèle pour une utilisation ultérieure ou pour le partager avec d'autres
personnes.
 Chargement du modèle d'apprentissage automatique : Pickle est utilisé pour charger le
modèle d'apprentissage automatique sauvegardé. Cela permet d'utiliser le modèle
d'apprentissage automatique sans avoir à le pré entraîner.
 40

IV.2.11.
IV.2.12. ALGORITHME D’APPRENTISSAGE AUTOMATIQUE
L'algorithme d'apprentissage automatique joue un rôle central dans notre travail. Il
est utilisé pour entraîner un modèle qui peut apprendre à reconnaître les tous les insectes.
L’algorithme d'apprentissage automatique utilisé pour donner la diversité des
insectes c’est l’algorithme de classification. Cet algorithme est capable de classer les
données dans des catégories. Dans le cas de la traduction de la langue de signe, les données
à classer sont les caractéristiques des gestes, telles que la position des mains, des doigts et
du visage.
Notre algorithme d'apprentissage automatique est entraîné sur un ensemble de
données de gestes de langue de signe. Cet ensemble de données comprend des exemples de
gestes et leurs traductions en texte. Et il apprend à reconnaître les gestes en examinant les
caractéristiques des gestes dans les exemples de l'ensemble de données.
Une fois que l'algorithme est formé, il peut être utilisé pour traduire les gestes de langue de
signe. Il suffit de fournir à l'algorithme les caractéristiques des gestes à traduire.
L'algorithme utilisera ensuite ses connaissances pour identifier le geste et fournir la
traduction en texte.
Les algorithmes d'apprentissage automatique sont un outil puissant qui peut être utilisé
pour la traduction de la langue de signe
IV.2.11. Ordinogramme
 41

IV.2.12. Programmation
La programmation est le processus de création d'un programme informatique. Un
programme informatique est un ensemble d'instructions qui sont données à un ordinateur
pour lui dire ce qu'il doit faire.
Dans le cadre de notre travail nous avons développé notre intelligence artificielle avec
plusieurs API et un langage de programmation que nous venons de citer ci-haut.

IV.2.13. Python
Python est un langage de programmation de haut niveau, ce qui signifie qu'il est
proche de la langue naturelle. Cela le rend plus facile à apprendre et à utiliser que les
langages de bas niveau, qui sont plus proches de la machine.

Python est un langage interprété, ce qui signifie qu'il n'est pas compilé en code machine
avant d'être exécuté. Cela le rend plus portable que les langages compilés, qui doivent être
compilés pour chaque architecture matérielle.

Fonctions Python utiles en intelligence artificielle

Python offre un large éventail de fonctionnalités qui le rendent utile en intelligence

artificielle. Voici quelques possibilités qu’il nous a donné pour réaliser notre travail:

Bibliothèques scientifiques et d'apprentissage automatique : Python dispose d'une large

gamme de bibliothèques scientifiques et d'apprentissage automatique, telles que NumPy,
SciPy et quatre cités dans le tableau. Ces bibliothèques fournissent des outils et des
fonctions pour l'analyse de données, le machine learning et l'apprentissage profond.
Fonctionnalités de traitement du langage naturel : Python dispose d'un certain nombre de
fonctionnalités de traitement du langage naturel, telles que la reconnaissance de formes et
la traduction automatique. Ces fonctionnalités peuvent être utilisées pour développer des
applications d'IA qui interagissent avec les humains par le biais du langage.
 42

IV.2.14. Réalisations
Dans le point précèdent nous avons décrit le langage de programmation
qu’on a utilisé dans ce travail, et dans ce dernier, nous allons parler brièvement
comment vous avons concrétisé cette intelligence artificielle. Sur ce, nous
procéderons par décrire étape après étape pour bien clarifier notre description :
 La collecte de données : la première étape consiste à collecter un ensemble de données
de langue de signe. Ces données peuvent être collectées à partir de vidéos, de
transcriptions ou de données d'interactions humaines.
 La préparation des données : les données collectées doivent ensuite être préparées
pour l'apprentissage de l'IA. Cela peut impliquer la normalisation des données, la
suppression des données bruitées ou la segmentation des données en unités
d'apprentissage.
 L'apprentissage de l'IA : l'IA est ensuite entraînée sur l'ensemble de données préparé.
L'IA apprend à identifier les modèles dans les données et à les utiliser pour traduire la
langue de signe.
 L'évaluation de l'IA : l'IA doit ensuite être évaluée pour déterminer sa précision. Cela
peut être fait en utilisant un ensemble de données de test indépendant.
 L'amélioration de l'IA : l'IA peut être améliorée en collectant plus de données, en
utilisant des techniques d'apprentissage plus avancées ou en modifiant la conception
de l'IA.

IV.2.15. Les fonctionnements de cette intelligence artificielle

Notre IA fonctionne généralement en deux étapes :
La reconnaissance : l'IA reconnaît d'abord les gestes et les expressions faciales de la langue
de signe.
La traduction : l'IA traduit ensuite les gestes et les expressions faciales en texte ou en
langue parlée.

La reconnaissance de la langue de signe est une tâche complexe qui nécessite de

prendre en compte de nombreux facteurs, tels que la position des mains, la position du
corps, les expressions faciales et la prosodie.

La traduction de la langue de signe est également une tâche complexe qui nécessite de
connaître la grammaire et la syntaxe de la langue de signe, partant de la complexité de ce
système, nous avons fait appel aux experts de deux domaines ;
 Langue nationale : pour la gestion de linguistique (Lingala, Swahili,kikongo
Tshiluba) pour la traduction écrite.
 La langue de signe : personne chargée de fournir la langue de signe pour nous aider
à créer notre dataset.
 43

IV.3. Dimensionnement des composants

Ici, nous allons déterminer les caractéristiques des différents éléments ainsi que le
calcul de celles d’autres composants, de telle sorte à pouvoir accomplir différents procédés
déterminés dans la partie théorique (BOFANDO, 2020).

IV.4. Estimation du cout

Composants Quantité Prix Unitaire Prix Total

Camera 3 50$ 150$

Haut parleur 2 10$ 20$

Ecran-Tft raspberry Pi 1 20$ 20$

Programmation 100$ 400$

Entrainement 1 100$ 100$

Alimentation 1 10$ 10$

Total 870$
Tableau IV.2. Cout prévisionnel
Calcul de l’Imprévu

• Imprévu (10%) : $ ;
• Mains d’œuvre (30%) : $ ;
• Total Générale : $

IV.8. Conclusion partielle

Dans ce dernier chapitre, il a été question de parler des aspects techniques liés à la
réalisation de la solution intelligente. Nous avons évoqué les différentes configurations à
faire en passant par le dimensionnement et les mesures de référence jusqu’à évaluer le coût
de la réalisation
 44

CONCLUSION GENERALE
Dans notre travail, nous avons parlé de la conception et réalisation d’une
intelligence artificielle permettant de traduire la langue de signe Congolaise
La majeure partie des personnes muettes sont au chômage vu qu’ils ont des
difficultés de se faire comprendre aux personnes qui parlent oralement, raison pour laquelle
leur réinsertion dans la société cause problème. L’objectif de notre rédaction était de savoir
comment faire pour entendre et comprendre ce que les muets expriment à travers les gestes,
comment les personnes muettes vont-elle parler, et enfin comment parvenir à réaliser une
intelligence artificielle qui fait parler les muets artificiellement.
Dans l’hypothèse nous avions proposé une intelligence artificielle qui pourrait faire
qu’un muet puisse se faire entendre et comprendre à travers les haut-parleurs, et aussi grâce à
des algorithmes d’intelligence artificielle qui pourraient faire que les personnes muettes
parlent artificiellement en convertissant les gestes de main en discours orale via les haut-
parleurs d’un smartphone, et pour la troisième question nous avions proposé un gant équipé
des capteurs pour détecter les articulations des mains et un algorithme d’apprentissage
automatique pour convertir les signaux des mains et une application dans un smartphone
pour faire sortir le son.
Nous avions utilisé la méthode analytique pour analyser en détail les données
récoltées durant la période de recherche, et aussi la méthode descriptive, cette méthode nous
a permis de montrer dans la problématique la description pure et simple des problèmes que
pose le système existant, et enfin la méthode technique qui nous a permis de proposer en
hypothèse des solutions de manière à permettre la disparition des différentes difficultés
décriées dans la problématique.
Comme technique nous avons utilisé la technique d’observation, elle nous permit
de faire une analyse personnelle après avoir observé et palpé le fonctionnement du système
existant. Grace à cette dernière, nous sommes descendus personnellement sur terrain pour
assimiler ce que font les acteurs afin de comprendre et tirer les conséquences, nous avions
aussi utilisé la technique d’interview, cette technique nous a permis d’avoir des points de vue
des différents acteurs qui œuvre dans le domaine de notre étude pour acquérir les
informations dont nous avons besoin. Cette technique nous a permis encore d’obtenir les
renseignements sur l’étude de l’ancien système par un jeu de question réponse, et enfin la
technique documentaire qui nous a permis de consulter la littérature scientifique existante, en
vue d’en tirer des idées en rapport avec notre travail et consultation sur internet.
Excepté l’introduction générale et la conclusion générale, ce travail est reparti en
quatre chapitres.
Dans le premier chapitre nous avons énoncé les concepts de base relatifs à l’étude ;
le second dégage la spécificité, le temps et le cout d’évaluation du projet ; le troisième met
en revue tous les aspects techniques liés à la conception et tous les composants en détails
afin de mieux cerner le système ; et enfin le dernier dimensionne le système afin de dégager
les besoins et leurs implémentations.
Notre système va aider à la communauté sourde-muette à bien communiquer et va
leur faciliter la réinsertion dans la société et diminuera le taux de chômage.
A cet effet, nous ne sommes pas prêts de dire même une seule fois que nous venons
de faire un exploit en plein 21ème siècle. Mais plutôt, nous disons que, nous sommes ouverts
à attendre vos propos et critiques sur le dispositif mise en œuvre.
 45

Ainsi, nous avons donc la certitude que les observations et suggestions de nos
lecteurs, nous permettront à optimiser les imperfections et à corriger les omissions et
insuffisances de cette rédaction au fur et mesure que nous avancerons.