L'Encodeur de Contraintes

Q: Qu'est-ce que l'IA sous contrainte physique ?

L'IA sous contrainte physique est une approche où les lois de la physique (thermodynamique, neutronique, cinétique chimique) sont encodées comme des contraintes de premier rang dans l'architecture de l'algorithme — et non comme de simples post-traitements. L'IA ne peut pas proposer de résultat qui viole les lois physiques du domaine. Chez Qognito.io, cela se traduit par un Knowledge Graph métier qui encode l'ontologie physique de l'installation et contraint tout raisonnement IA en aval.

Q: Pourquoi les LLM hallucinent-ils dans l'industrie critique ?

Les LLM généralistes sont des modèles probabilistes entraînés sur du langage. Ils ne connaissent pas les lois physiques d'une installation spécifique : ils ne savent pas quel capteur correspond à quel paramètre, quelle règle de cohérence s'applique, ni quelles corrélations physiques sont pertinentes. Sans contrainte métier, ils produisent des réponses plausibles linguistiquement mais fausses physiquement. La solution : contraindre le LLM par un graphe de connaissances qui encode la physique du domaine, de sorte que l'IA n'ait accès qu'aux faits validés.

Q: Qu'est-ce que le Filtre CAP ?

Le Filtre CAP est une méthodologie de qualification de projets Data & IA développée par Qognito.io. Chaque projet doit satisfaire trois critères avant engagement : Contraint (le problème est borné par une loi physique), Aride (le sujet est techniquement négligé et pas encore commoditisé), Prouvable (un prototype fonctionnel est livrable en moins de 3 mois). Si le projet ne passe pas les trois critères, il n'est pas pris.

Q: Qu'est-ce qu'un Knowledge Graph métier pour l'industrie ?

Un Knowledge Graph métier est un graphe de connaissances qui modélise l'ontologie d'une installation industrielle : équipements, capteurs, paramètres physiques, règles de cohérence, corrélations quantifiées entre variables. Chez Qognito.io, ce graphe est implémenté sur Neo4j et sert de socle de vérité qui contraint tout raisonnement IA. Par exemple, pour le nucléaire : 11 réacteurs, 10 paramètres physiques, 9+ capteurs par réacteur, 5 règles physiques, 5 corrélations quantifiées, avec des requêtes en moins de 100 ms.

Q: Comment valider physiquement des données de capteurs nucléaires ?

La validation physique des données capteurs nucléaires passe par un pipeline ETL structuré en couches (Bronze, Silver, Gold). Chaque transformation est contrainte par la physique du réacteur : bornage des valeurs selon les limites physiques connues, détection d'impossibilités neutroniques, vérification de cohérence chimique, recalage du boremètre par assimilation de données chimistes. L'imputation respecte la dynamique propre de chaque variable : inertie thermique pour les températures, cinétique lente pour le bore, mouvement discret par crans pour les grappes de contrôle. Chez Qognito.io, cette approche a résolu automatiquement 96,4 % des incohérences physiques sur 11 réacteurs du parc français.

Q: Quelle est la différence entre un prototype fonctionnel et un démonstrateur ?

Un démonstrateur prouve un concept mais n'est généralement pas conçu pour être intégré en production. Un prototype fonctionnel selon l'approche Qognito.io est conçu avec une exigence de production dès le départ : tests unitaires (270+), validation physique systématique, architecture pérenne et documentée. L'objectif est que l'équipe de delivery qui l'intègre dans le produit final parte d'une base solide — pas d'un démonstrateur jetable. C'est une preuve de valeur mesurable livrée en moins de 3 mois.

Q: Qu'est-ce qu'un Physics-Informed VAE (PI-VAE) ?

Un Physics-Informed Variational Auto-Encoder (PI-VAE) est un modèle génératif qui produit des données synthétiques en respectant les contraintes physiques du domaine. Contrairement à un VAE classique évalué sur l'erreur de reconstruction, un PI-VAE est évalué sur la conservation des corrélations physiques dans les données générées. L'architecture combine un encodeur GRU (pour capturer les dépendances temporelles longues et courtes), un échantillonnage MCMC dans l'espace latent (pour la continuité physique), et une validation physique de la génération. L'application visée : générer des données nucléaires synthétiques pour l'entraînement de modèles ML sans accès aux données réelles sensibles.

Q: Pour quelles industries l'IA sous contrainte physique est-elle pertinente ?

L'IA sous contrainte physique est pertinente pour tout secteur où l'erreur algorithmique a un coût physique réel : le nucléaire (surveillance de réacteurs, données de capteurs), l'énergie (réseaux électriques, optimisation de production), la chimie (procédés, cinétique de réaction), l'aéronautique (systèmes embarqués critiques), et plus largement toute industrie dont les données capteur doivent respecter des lois physiques avant d'alimenter un modèle prédictif ou un outil d'aide à la décision.

L'Encodeur de Contraintes

Le problème que personne ne résout

L'IA généraliste ne connaît pas les lois de votre domaine. Votre expert métier ne sait pas les écrire dans un pipeline. Le data engineer sait construire le pipeline, mais pas quelles règles y mettre. Trois compétences nécessaires — zéro profil qui les couvre simultanément.

Résultat : l'IA est déployée sans contrainte physique, puis corrigée en boucle quand la recette métier échoue. Ou pire : elle est déployée avec des contraintes approximatives que personne n'a validées.

Ce que fait l'Encodeur de Contraintes

Je prends le savoir tacite de vos experts métier et je l'encode dans des systèmes qui contraignent l'IA. Concrètement :

Ce que votre expert sait	Ce que j'en fais
"Cette concentration est physiquement impossible"	Règle de bornage dans le pipeline de validation
"Dans cette phase, le comportement change"	Arbre de décision des phases opérationnelles, constantes calibrées par état
"Ce capteur dérive par rapport à la référence"	Recalage par assimilation de données dans la couche de nettoyage
"Quand cet équipement est à l'arrêt, cette mesure est un artefact"	Règle de cohérence physique codée comme contrainte de premier rang
"Ce signal est corrélé à celui-là dans cette configuration"	Corrélations quantifiées dans le Knowledge Graph

L'expert ne sait pas écrire ces règles dans un pipeline. Le data engineer ne sait pas quelles règles écrire. L'IA ne sait pas qu'il y a des règles à écrire. Mon rôle est le pont entre les trois.

Pourquoi ce profil est rare

Ce n'est pas une compétence unique — c'est une intersection.

La traduction entre physique industrielle, ingénierie des données et IA cognitive est elle-même tacite, contextuelle, forgée par l'expérience. On ne forme pas un traducteur physique-data-IA en bootcamp.

Chacun des trois domaines a ses experts. Mais l'expert en neutronique ne parle pas en DataFrames. Le data engineer ne parle pas en phénomènes. Le spécialiste IA ne parle pas en bornes physiques. Le travail de traduction — savoir quoi encoder, comment l'encoder, et pourquoi cette contrainte est non négociable — c'est une compétence de niveau architecte qui ne s'apprend que par la pratique sur des systèmes réels.

Ce que ça change pour le client

Sans encodage de contraintes :

L'IA produit des résultats statistiquement corrects mais physiquement faux
L'expert métier valide manuellement chaque sortie — le gain d'automatisation disparaît
Le turnover consultant remet le compteur à zéro : chaque nouveau profil redécouvre les règles du domaine

Avec encodage de contraintes :

Les lois physiques sont codées dans l'architecture — l'IA ne peut pas les violer
L'expert métier supervise le système, il ne le compense plus
Les règles survivent au turnover : elles sont dans le code, pas dans la tête du consultant

L'encodage de contraintes est une forme d'investissement : le savoir tacite de vos experts devient un actif technique transférable. Ce que je livre — prototype fonctionnel, architecture documentée, tests — reste exploitable après mon départ.

La preuve par l'exemple

Depuis mi-2024, j'applique cette approche sur la surveillance des réacteurs nucléaires du parc français :

55 constantes physiques encodées comme bornes inviolables dans le pipeline de validation
3 règles de cohérence (bornage, impossibilité neutronique, cohérence chimique) automatisant 96,4 % des validations
7 phases opérationnelles classifiées par arbre de décision calibré — pas par heuristique statistique
1 Knowledge Graph encodant l'ontologie métier : réacteurs, capteurs, paramètres, règles, corrélations quantifiées
1 assistant IA qui ne peut répondre qu'à travers les faits validés par le graphe — zéro hallucination sur le domaine

Chaque règle, chaque constante, chaque corrélation a été extraite d'un dialogue avec les experts métier, puis encodée dans un système testable (270+ tests unitaires).

→ Résultats détaillés : voir La Preuve

Pour qui

Ce positionnement est pertinent si votre projet coche trois cases :

Contraint — Le problème est borné par une loi physique. Thermodynamique, neutronique, cinétique chimique, mécanique des fluides — si la réalité impose une borne que l'algorithme ne peut pas ignorer.
Aride — Le sujet est techniquement négligé. La valeur se cache dans les problèmes ingrats : nettoyage de séries temporelles, recalage de capteurs, validation de cohérence physique.
Prouvable — La faisabilité est démontrable par un prototype fonctionnel en moins de 3 mois.

C'est le Filtre CAP. Si le projet ne passe pas les trois, je ne le prends pas.

Un système critique où l'IA doit respecter la physique de votre domaine ? → [email protected]