Arkane-Tech
Contact

Focus Technologie 2

IA explicable et de confiance : un levier stratégique pour l’aérospatial

Dans l’aérospatial, chaque système de communication embarqué doit fonctionner sous des contraintes extrêmes, soumis à des niveaux de criticité élevés et à des exigences de certification strictes. Leur fiabilité est donc un impératif, car chaque satellite, aéronef ou système de défense engage des enjeux majeurs de sécurité et de performance.

 Chez Arkane, nous développons des solutions d’IA embarquée pensées pour répondre à ces défis, avec un principe fort : nos modèles doivent être explicables, vérifiables et de confiance.

Comprendre pour mieux maîtriser

 L’intelligence artificielle ouvre de nouvelles perspectives dans le traitement du signal et l’optimisation des communications. Mais face au risque de “boîte noire”, il est indispensable de comprendre pour mieux maîtriser ses décisions. Dans l’aérospatial, où la criticité est élevée et les systèmes embarqués fonctionnent de façon autonome, l’IA doit rester explicable, vérifiable et de confiance.

 
 

Qu’est-ce que l’IA de confiance dans l’aérospatial ? 

Une IA de confiance, appliquée à l’aérospatial, doit répondre à des exigences uniques de sûreté, de certification et de robustesse en conditions extrêmes.

• Fiabilité et cohérence : 
Une IA embarquée doit fournir des résultats constants et prédictibles, même en conditions extrêmes (brouillage, bruit, perte de signal). Dans un système radar ou de communication, la fiabilité se mesure par la stabilité des performances (PDR, détection de cibles, estimation de trajectoires).

• Sécurité et confidentialité :
Les communications aérospatiales traitent des données sensibles. Une IA de confiance doit garantir la protection de ces informations et résister aux cyberattaques, tout en respectant les normes de sûreté.

• Criticité et certification :
Dans un environnement où la moindre défaillance peut compromettre une mission, l’IA doit être certifiable. Cela implique des algorithmes explicables, traçables et auditables, conformes aux standards aéronautiques et spatiaux (DO-178C, ECSS…).

• Adaptabilité et robustesse :
Les environnements radio sont dynamiques (interférences, mobilité, brouillage). Une IA fiable doit s’adapter en temps réel et rester robuste face aux imprévus.

 

Comment développer une IA de confiance : l’exemple du Deep Learning pour les systèmes de communications et les radars

Dans le domaine des communications et radars, bâtir une IA de confiance implique de maîtriser chaque étape du cycle : données, entraînement, bornage de l’usage, traçabilité, explicabilité et certification.

• Qualité et diversité des données :
Des jeux de données représentatifs couvrant divers scénarios de propagation, de brouillage et de détection radar.

• Annotation et validation rigoureuses :
Garantir la précision des labels (signaux, cibles, interférences) pour fiabiliser l’entraînement.

• Correction des biais :
Identifier et corriger les biais afin d’assurer des performances homogènes en situation réelle.

• Bornage de l’usage :
Une bonne IA locale n’est pas une IA qui sait tout faire, mais une IA qui sait bien faire une tâche spécifique.
→ Exemple : une IA de communication peut être certifiée pour optimiser l’allocation spectrale dans une gamme de fréquences donnée et sous des scénarios de charge définis, mais pas pour toute situation inconnue.
→ Exemple : un réseau de Deep Learning radar peut être validé pour la détection de cibles dans une plage de distances et d’angles spécifique, mais pas extrapoler à des cas extrêmes non testés.

• Traçabilité et explicabilité :
Assurer que chaque décision prise par le réseau de neurones puisse être retracée et justifiée. Cela passe par la journalisation des inférences, l’analyse des poids et activations internes, et l’usage de méthodes d’Explainable AI (XAI) comme les saliency maps, l’attribution de caractéristiques ou l’analyse de sensibilité.

• Évaluation continue et certification :
Tester les modèles en simulation et en conditions opérationnelles, pour assurer leur validité, leur stabilité et leur conformité aux normes.

 

Des systèmes robustes dans des environnements changeants

Nos recherches s’appuient sur le traitement de signal hybride, qui combine la rigueur des méthodes classiques et la puissance de l’intelligence artificielle. Cette approche permet de tester la sensibilité des algorithmes et d’évaluer leur robustesse face à des conditions en constante évolution.
 
Résultat : une IA embarquée plus fiable, qui sait s’adapter localement, tout en offrant aux opérateurs la confiance nécessaire quant au fonctionnement autonome borné du système.
 
 

Applications stratégiques : communications et radars IA pour l’aérospatial

Parmi les applications majeurs de nos travaux figurent les radars intelligents et les systèmes de communication aérospatiale.  Essentiels pour la détection, la navigation et la sécurité des communications, ces systèmes doivent fonctionner de manière fiable et explicable, y compris dans des environnements fortement perturbés.
 


En résumé

Arkane développe des solutions d’IA embarquée conçues pour l’aérospatial. Nos travaux reposent sur des principes techniques concrets qui assurent fiabilité, robustesse et conformité aux première exigences de certification des modèles de Deep learning:
 
• IA embarquée et locale, adaptée aux contraintes critiques de l’aérospatial.
• Traitement de signal hybride, combinant méthodes classiques et Deep Learning. Intégration progressive du Deep Learning dans les chaines de traitement de signal classique pour une meilleure maitrise des prédictions des modèles. 
• Validation rigoureuse sur des données représentatives (propagation, brouillage, détection radar).
• Bornage de l’usage, pour garantir des modèles spécialisés et certifiables.
• Explicabilité et traçabilité intégrée, pour comprendre et justifier chaque décision.
• Robustesse éprouvée face aux environnements changeants et perturbés.
• Applications stratégiques : communications et radars aérospatiaux fiables et sûrs.
 
 
Cet article est le deuxième de notre série focus sur les quatre piliers de la technologie Arkane. Le premier article est à découvrir sur notre site : Deep Learning pour le traitement du signal et radar
 
 

Pour aller plus loin

Pour en savoir plus sur les 4 piliers de notre solution, rendez-vous sur la page dédiée à la technologie Arkane


Ces articles pourraient vous intéresser