Tài liệu Classification de station de base pour viettel network

UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL ROC NAïL CLASSIFICATION DE STATION DE BASE POUR VIETTEL NETWORK Phân loại tự động các trạm phát trong mạng truyền thông của Viettel MÉMOIRE DE FIN D’ÉTUDES DE MASTER INFORMATIQUE HANOI – 2020 UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL ROC NAïL CLASSIFICATION DE STATION DE BASE POUR VIETTEL NETWORK Phân loại tự động các trạm phát trong mạng truyền thông của Viettel Spécialité : Systèmes Intelligents et Multimédia Code : Programme pilote MÉMOIRE DE FIN D’ÉTUDES DE MASTER INFORMATIQUE Sous la direction de: - Lưu Đức Phong, Trưởng Phòng Số hóa Doanh nghiệp – Trung tâm Phát triển Phần mềm VTNet, Thạc sỹ CNTT - Đại học Bách Khoa Hà Nội - Nguyễn Hồng Quang HANOI – 20 ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précisée. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc. Signature de l’étudiant ROC NAïL Remerciements Ce travail est l’aboutissement d’un dur labeur et de beaucoup de sacrifices; nos remerciements vont d’abord au Créateur de l’univers qui m’a doté d’intelligence, et m’a maintenu en santé pour mener à bien ces deux années d’étude. Nos remerciements vont aussi à l’encontre de mon directeur d’études Mr Ho Tuong Vinh et l’un de mes deux encadrants, Nguyễn Hồng Quang, qui malgré leur temps difficile m’ont aidé à travers leurs remarques pertinentes. Je tiens également à remercier l’administration de l’institut Francophone International et toutes les équipes de l’Université Nationale du Vietnam pour leur professionnalisme et leur disponibilité tout au long de ces deux ans de scolarité. Je souhaite remercier tous les professionnels et amis travaillant dans le secteur de l’Intelligence Artificielle interrogés dans le cadre de cette étude, qui ont bien voulu répondre à mes différentes questions sur le domaine dans le but de permettre la facilité de l’élaboration de ce travail. Je ne peux passer outre ma reconnaissance envers ma conjointe, mes parents, ma courageuse mer, mon oncle et mes frères. Leur présence, leur écoute, leur confiance en moi et leur soutien constant m’assurent des bases solides me permettant de persévérer et de me surpasser. Enfin, À mes camarades de la promotion 22, spécialement mes frères Haïtiens que j’ai servis avec humilité et avec lesquelles j’ai passé une scolarité exceptionnelle, riche d’enseignements, et d’expériences de rencontres, je veux ici dire ma sincère amitié. Merci beaucoup. i Résumé Le travail présenté à travers ce document met en évidence d’abord l’amélioration d’un modèle de classification pour porter des solutions adéquates aux différents problèmes que fait face la compagnie de Viettel en faisant des recherches sur les différentes stratégies pour y arriver. Ensuite, le développement et la suggestion d’une preuve de concept utilisant le Deep Learning appliquée à la télécommunication s’inscrivant dans le cadre du projet « Classification des station de Base pour Viettel Network » de VTNET un centre d’innovation technologique au sein de l’entreprise Viettel de Hanoi, Vietnam. Je présente d’abord une étude de l’état de l’art de la Télécommunication en général, notamment celles qui sont les plus répandues et les plus utilisées aujourd’hui : les stations de base BTS. Ensuite, je presente un état de l’art des projets pertinents existants sur le Deep Learning, plus précisément les modèles de classification ainsi que les approches et techniques adoptées pour les réaliser. Mes recherches sur la classification, les différents modèles existants et des différents travaux ciblés m’ont donné la grande opportunité de fournir une meilleure alternative pour le développement de la preuve de concept du projet de VTNET. À l’issue de cette étude, j’ai opté bien sûr pour le développement et l’amélioration de modèle de classification multi classe Inception V3. Le choix d’Inception V3 est justifié par le fait qu’il a été entrainé en utilisant la base de données ImageNet qui contient plus des millions d’images et formant 1000 catégories. De plus le modèle offre un taux d’erreur très bas, ce qui joue aussi sur sa grande efficacité. En effet, j’ai entrainé mon modèle avec les données de la compagnie et après de nombreuses expérimentations de ma preuve de concept, j’ai obtenu des résultats extraordinaires confirmant l’efficacité du modèle de classification d’images choisie et garantissant aussi une solution à la problématique du sujet d’étude : réduction du temps d’entrainement, augmentation de précision, efficacité de manière à être déployé immédiatement en temps réel afin d’aider les agents de terrain et d’avoir une meilleure base de données pour les diagnostics visant à l’épanouissement de la compagnie. ii Abstract The work presented in this document highlights first of all the improvement of a classification model to provide adequate solutions to the different problems faced by Viettel's company by researching different strategies to achieve this. Secondly, the development and suggestion of a proof of concept using Deep Learning applied to telecommunications within the development of the project "Base Station Classification for Viettel Network" of VTNET, a technological innovation center within the Viettel Company in Hanoi, Vietnam. I will first present a study of the state of art of Telecommunications in general, especially those that are the most widespread and most used today: BTS base stations. Then, I present a state of art of existing relevant projects on Deep Learning, more precisely the classification models as well as the approaches and techniques adopted to achieve them. My research on classification, the different existing models and various targeted works have given me the great opportunity to provide a better alternative for the development of the proof of concept of the VTNET project. At the end of this study, I opted of course for the development and improvement of the Inception V3 multi-class classification model. The choice of Inception V3 is justified by the fact that it was trained using the ImageNet database which contains more than millions of images and forms 1000 categories. In addition, the model offers a very low error rate, which also plays on its high efficiency. In fact, I trained my model with the company's data and after numerous proof-ofconcept experiments, I obtained extraordinary results confirming the efficiency of the chosen image classification model and also guaranteeing a solution to the problem of the study subject: reduction of training time, increase in accuracy, efficiency so that it can be deployed immediately in real time to help field agents and have a better database for diagnostics aimed at the company's development. iii Table des matières Chapitre 1 ........................................................................................................................................ 1 1.1. Contexte et cadre d’étude ................................................................................................. 1 1.2. Présentation de Viettel ..................................................................................................... 2 1.2.1. Missions de Viettel.................................................................................................... 2 1.2.2. Stratégies ................................................................................................................... 3 1.2.3. Valeurs ...................................................................................................................... 4 1.3. Présentation de VTNet ..................................................................................................... 4 1.4. Problématique................................................................................................................... 5 1.5. Objectif du stage............................................................................................................... 8 1.5.1. Méthodologie et contributions .................................................................................. 9 1.5.2. Structure du mémoire.............................................................................................. 10 1.6. Conclusion...................................................................................................................... 10 Chapitre 2 ...................................................................................................................................... 11 2.1. Introduction .................................................................................................................... 11 2.2. La télécommunication et les Stations de base ................................................................ 11 2.2.1. Les différents types de BTS .................................................................................... 12 2.2.2. Composition et rôles des éléments d’une BTS ....................................................... 13 2.2.3. Les entités de Télécommunication de ma base de données .................................... 21 2.3. La classification des images ........................................................................................... 35 2.4. Les objectifs et domaine d’études de la classification d’images .................................... 37 2.5. Méthode de classification et classifieurs ........................................................................ 38 2.5.1. Les arbres de décision ............................................................................................. 38 2.5.2. Les SVMs (Support Vector Machines) ................................................................... 39 2.5.3. Les réseaux de neurones ......................................................................................... 40 2.6. Les travaux existants et quelques modèles de classification d’images .......................... 42 2.6.1. Le modèle VGG-16 et son architecture .................................................................. 42 2.6.2. Le modèle Inception V3.......................................................................................... 43 2.7. Conclusion...................................................................................................................... 45 Chapitre 3 ...................................................................................................................................... 46 3.1. Introduction .................................................................................................................... 46 iv 3.2. Conception de ma solution ............................................................................................. 46 3.2.1. Création d’une application pour l’acquisition des données .................................... 47 3.2.2. Nettoyage et présentation des données ................................................................... 48 3.2.3. Regroupement logiques des données et formation de sous classes ........................ 48 3.2.4. La phase d’entrainement d’Inception V3................................................................ 54 3.3. Implémentation............................................................................................................... 57 3.3.1. Environnement matériels ........................................................................................ 57 3.3.2. Environnement logiciels ......................................................................................... 58 3.3.3. Langage de programmation et outils utilisés .......................................................... 58 3.4. Conclusion...................................................................................................................... 58 Chapitre 4 ...................................................................................................................................... 59 4.1. Les résultats de l’apprentissage ...................................................................................... 60 Chapitre 5 ...................................................................................................................................... 66 5.1. Perspectives ........................................................................................................................ 66 v Table des figures Figure 1-1: Image floue prise par les agents de terrain ...........................................................................6 Figure 1-2: Image trop éloignée ...........................................................................................................6 Figure 1-3: Prise partielle d’une image .................................................................................................7 Figure 1-4: Erreur dans le regroupement des images .............................................................................8 Figure 2-1: Les antennes ................................................................................................................... 14 Figure 2-2:Azimut avec angle négatif................................................................................................. 15 Figure 2-3: Azimut avec angle positif................................................................................................ 15 Figure 2-4: Site GSM mono sectorisé avec des antennes omni directionnelles....................................... 16 Figure 2-5: Plan d’un site bi sectorisé................................................................................................. 17 Figure 2-6: Site bi sectorisé avec quatre antennes directionnelles ......................................................... 17 Figure 2-7: - Plan d’un site tri sectorisé .............................................................................................. 18 Figure 2-8: - Site tri sectorisé avec trois antennes directionnelles..................................................... 18 Figure 2-9: Autre plan d’un site tri sectorisé ...................................................................................... 19 Figure 2-10: Site tri sectorisé avec six antennes panneaux directionnelles ............................................. 19 Figure 2-11: Les câbles coaxiaux ou Feeders ...................................................................................... 20 Figure 2-12: Containers à toitures plats .............................................................................................. 21 Figure 2-13: Containers à toitures en deux plans ................................................................................. 22 Figure 2-14: New House à toiture en deux plans ................................................................................. 23 Figure 2-15: New House à toitures plats ............................................................................................. 23 Figure 2-16: New House à fondation élevé ......................................................................................... 24 Figure 2-17: New House à deux portes ............................................................................................... 24 Figure 2-18: Pylône haubané sur le toit d’une maison.......................................................................... 25 Figure 2-19: Un autre pylône haubané sur un toit ................................................................................ 26 Figure 2-20: Pylône Haubané en milieu rural ...................................................................................... 26 Figure 2-21: Pylône monopole ........................................................................................................... 27 Figure 2-22: Pylône camouflage ........................................................................................................ 28 Figure 2-23: Pylône palmier .............................................................................................................. 29 Figure 2-24: Pylône en treillis de forme rectangulaire ......................................................................... 30 Figure 2-25: Pylône en treillis de forme triangulaire ............................................................................ 31 Figure 2-26: Pylône haubané à fondation carrée élevé ......................................................................... 32 Figure 2-27: Pylône haubané à fondation légèrement au-dessus du sol ................................................. 32 Figure 2-28: Racine d’un pylône monopole ....................................................................................... 33 Figure 2-29: Racine élevé d’un pylône palmier ................................................................................... 33 Figure 2-30: Hauban et tendeur dans un espace élevé .......................................................................... 34 Figure 2-31: Hauban et tendeur sur un le toit d’une maison................................................................. 34 Figure 2-32: Fondation du hauban enfuie sous la terre ....................................................................... 35 Figure 2-33: Tendeurs accroché à une fondation élevée ....................................................................... 35 Figure 2-34: Arbre de décision pour la météo ..................................................................................... 39 Figure 2-35: Séparation de données avec SVM................................................................................... 40 Figure 2-36: L’architecture d’un réseau de neurone............................................................................. 41 Figure 2-37: Fonctionnement d’un réseau de neurones à convolutions .................................................. 42 Figure 2-38: Architechture de VGG-16 .............................................................................................. 43 vi Figure 2-39: l’architecture du modèle Inception V3 ............................................................................ 43 Figure 2-40: Déroulement d’une factorisation ..................................................................................... 44 Figure 3-1: Téléchargement des milliers d’images avec l’application créée........................................... 47 Figure 3-2: Mauvaise répartition des données après téléchargement ..................................................... 48 Figure 3-3: Sous-classe Pylône monopole .......................................................................................... 49 Figure 3-4: Sous-classe Pylône autoportant ........................................................................................ 49 Figure 3-5: Le Sous-classe Pylône haubané ........................................................................................ 50 Figure 3-6: Sous-classe des racines des pylônes monopoles ................................................................. 51 Figure 3-7: Sous-classe représentant la racine des Pylônes haubanés .................................................... 51 Figure 3-8: Sous-Classe des haubans et tendeurs................................................................................. 52 Figure 3-9: Sous-classe des Containers............................................................................................... 53 Figure 3-10: Sous-classe des New House ........................................................................................... 53 Figure 3-11: Création des bottlenecks ................................................................................................ 56 Figure 3-12: Déroulement et résultat de l’apprentissage à l’étape 18360 ............................................... 56 Figure 4-1: Résultat du test final après la fin de l’entrainement ............................................................ 60 Figure 4-2: Image testée par le modèle ............................................................................................... 62 Figure 4-3: Score de l’image classifiée par le modèle .......................................................................... 63 vii Table des tableaux Table 2-1: Performance et architecture de quelques modèles................................................................ 44 Table 3-1 : Les paramètres clés du modèle ......................................................................................... 55 Table 3-2 : Tableau des composants de l’ordinateur LG ...................................................................... 57 Table 3-3 : Tableau des composants du serveur .................................................................................. 57 Table 4-1 : Mappings des noms vietnamirns et francais ................................... 59 Table 4-2 : Mapping ou emplacemcement des noms par des chiffres .................................................... 59 Table 4-3 : Résultat du modèle avec des paramètres et techniques différents......................................... 61 Table 4-4 : Modèle 1 avec résultats sur les données téléchargées et testées ........................................... 63 Table 4-5 : Modèle 2 avec résultats sur les données téléchargées et testées ........................................... 64 Table 4-6 : Modèle 3 avec résultats sur les données téléchargées et testées ........................................... 64 Table 4-7 : Les ID du répertoire Vsmart et les ID des sous-classes ....................................................... 65 viii Liste des sigles et acronymes 1. 2. 3. 4. 5. 6. BTS: Base Transceiver Station GMS: Global System for Mobile SVM: Support Vector Machine CNN: Convolutional Neural Network CN: Connected Network VGG: Visual Geometry Group Définitions 1-Deep Learning : L'apprentissage profond ou apprentissage en profondeur(en anglais : deep learning, deep structured learning) est un ensemble de méthodes d'apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires. 2-Telecommunication : Les télécommunications sont définies comme la transmission à distance d’informations avec des moyens à base d'électronique et d'informatique et de transmission filaire, optique ou électromagnétique. 3- VTNET : centre d’innovation technologique au sein de l’entreprise Viettel 4- BTS : La base transceiver station (en français : station de transmission de base ou station émettrice-réceptrice de base) (BTS) est un des éléments de base du système cellulaire de téléphonie mobile GSM. Elle est appelée plus communément « antenne-relais GSM ». 5- ImageNet : ImageNet est une base de données d'images annotées produit par l'organisation du même nom, à destination des travaux de recherche en vision par ordinateur. 6-Inception V3 : est un réseau neuronal convolutif pour aider à l'analyse d'images et à la détection d’objets, et a fait ses débuts en tant que module pour Googlenet. ix Chapitre 1 Introduction Ce document est le fruit de nombreuses recherches scientifiques et de différents travaux accomplis tout au long de mon stage de fin d’étude. Il représente aussi une garantie d’éligibilité pour l’obtention du diplôme du master informatique, spécialité « Systèmes intelligents et Multimédia » de l’Institut Francophone International (IFI)/Université Nationale du Vietnam, Hanoi(UNVH), en collaboration avec avec l’Université de La Rochelle, France. Les recherches et travaux ont été effectués au sein de l’équipe Digital Department, une entité qui est située à l’intérieur du centre d’innovation technologique VTNET d’Hanoi, la capitale du Vietnam. Le stage a eu une durée de 6 mois et été réalisé sous la supervision de mon encadrant, M. Lưu Đức Phong. 1.1. Contexte et cadre d’étude La technologie est la clé du futur et est devenue indispensable pour les puissances mondiales et même les pays en voies de développement dont le Vietnam. Cet élément tout à fait mystérieux semble maintenant briser presque toutes les chaines de l’impossible. Il fait partie même de notre quotidien puisqu’évidemment nous vivons dans l’ère numérique. Le Vietnam, petit à petit se hisse parmi les grands jusqu’ à s’offrir une réputation technologique hors norme dans l’Asie de Sud-Est et même sur la scène internationale. En effet, certaines grandes compagnies comme Google et Apple voient déjà le pays comme l’un des principaux marchés du futur. Rappelons aussi que cette année même l’Apple commence à déménager au Vietnam, faisant du pays l’un des plus grands, voire le grand centre d’assemblage pour des pièces téléphoniques du géant américain. Cependant, le pays fait face aux nombreux problèmes tels que le nombre d’habitants résidents dans la capitale et les grandes villes phares. Cet inconvénient à de lourdes conséquences sur la qualité des services offertes par de nombreuses compagnies et même sur le mode de vie des gens. Par exemple, le nombre de bouchons qui affectent la circulation quotidienne tend à augmenter à cause du flux grandissant de véhicules 1 dans les rues. Et on a fait certainement appel à l’intelligence artificielle pour traiter des données volumineuses et pour apporter des solutions adéquates en utilisant la détection et la localisation des objets (voitures, camions, motos, etc.) dans une vidéo de surveillance routière, la reconnaissante faciale, et la classification des objets de même catégorie dans une image. Un autre problème de la concentration des gens dans les milieux urbains est le ralentissement et la mauvaise qualité des réseaux de télécommunication. En effet, quelques compagnies de télécommunication offrent de nombreux services à la population dont Viettel. Ce dernier se réfère au Big Data et les techniques de machine Learning identifier, analyser et apporter des solutions efficaces. C’est dans cette même optique que Viettel Network, pour développer l'entreprise à l'échelle nationale et internationale et améliorer la qualité de service, à travers ce projet veut apporter des solutions basant sur l’intelligence artificielle pour automatiser la classification de ses différents types de stations-services dans le monde. Cela aidera ses milliers de travailleurs sur le terrain à utiliser l'application Vsmart Service pour insérer une image qui fait partie de l'une des différentes catégories de stations-service. Cette image sera classée automatiquement ou sera rejetée si cette dernière est erronée ou incorrecte, selon sa probabilité. 1.2. Présentation de Viettel Viettel est l'une des entreprises de télécommunications comptant le plus grand nombre de clients au monde. Avec l'expérience de l'universalisation des télécommunications dans de nombreux pays en développement, la compagnie a compris qu'être connecté est un besoin humain très fondamental et que connecter les gens maintenant n'est plus seulement une voix et un message, c'est aussi un moyen pour les gens de profiter de la vie, de créer et de s'enrichir. Par conséquent, avec l’approche innovante, la compagnie essaie toujours de connecter les gens à tout moment, peu importe qui ils sont et où qu'ils se trouvent. 1.2.1. Missions de Viettel Viettel est actuellement un important fournisseur de services de télécommunications au Vietnam, investissant, opérant et faisant des affaires dans 13 pays s'étendant de l'Asie, de l'Amérique et de l'Afrique avec une taille de marché de 270 millions de 2 personnes, soit environ 3 fois la population du Vietnam. Outre les télécommunications, Viettel participe également au domaine de la recherche de production de haute technologie et à un certain nombre d'autres domaines tels que les frais de port, la construction et l'installation, le commerce et l'importation-export, IDC. En 2006, Viettel a décidé d'étendre ses activités à l'étranger. Dans chaque pays, Viettel a choisi une marque distincte. La compagnie a prouvé sa capacité à travers le succès de ses filiales car la plupart d'entre elles occupent les positions de leader sur le marché des télécommunications en termes d'abonnés, de revenus, d'infrastructures. Avec la mission de créer pour les gens, Viettel considère toujours chaque client comme un être humain - un individu distinct, qui doit être respecté, soigné et écouté, compris et servi séparément. Le fondement d'une entreprise en croissance est social. Viettel s'engage également à réinvestir dans la société en associant la production et les activités commerciales aux activités sociales, en particulier les programmes de santé, d'éducation et de soutien aux pauvres. 1.2.2. Stratégies La compagnie Viettel est l'un des transporteurs à la croissance la plus rapide au monde. Elle possède 99 500 stations GSM (y compris les stations 2G BTS, les nœuds 3G B et 4G) et plus de 365 000 km de câbles à fibres optiques. Notons aussi qu’elle se retrouve dans le top 100 des marques de télécommunications les plus importantes au monde. Viettel s'est fixé une mission créative de servir les gens. Chaque produit Viettel est le résultat de la créativité pour répondre aux besoins des gens, rendant la vie des gens de mieux en mieux. La compagnie crée des conditions favorables, accueille chaleureusement et souhaite partager toutes les contributions des clients pour des produits et services parfaits. Chaque être humain est un individu aux besoins uniques. Viettel fait des efforts créatifs pour répondre à ces besoins spécifiques avec le meilleur partage et compréhension. Tous les produits et services de Viettel sont constamment rénovés pour devenir de plus en plus parfaits. 3 1.2.3. Valeurs 1.2.3.1. Innovateur - Pionnier dans l'innovation et la création. Écouter et comprendre pour servir le peuple. Les clients sont pris en charge en tant qu'individus séparés. La compagnie prend le soin et fait de son mieux pour comprendre chaque client afin de fournir des services sur mesure qui répondent le mieux à leurs demandes. 1.2.3.2. Services La compagnie Viettel offre de nombreux services tels que: - - IT (SMS Parents, Eduplatform, Smart Motor, etc.…) TELECOMMUNICATIONS (Services mobiles, Services à domicile, Application & Service) RETAILS (Avec la diffusion du réseau de distribution dans 63 provinces du Vietnam, Viettel fournit une chaîne nationale de magasins de vente au détail d’appareils mobiles, d’appareils informatiques, d’appareils de santé, de services de commerce électronique.) RESEARCH AND MANUFACTURING (DCOM 3G) POST (Services de livraison express, Services de livraison de passeports, Services de livraison internationale, Billets d’avion et Services de livraison de colis) 1.3. Présentation de VTNet Viettel Network Corporation (VTNet) est la seule unité de Viettel Military Télécommunications Group chargée de gérer et d'exploiter l'ensemble du système informatique du Groupe. Actuellement, VTNet gère 253 services, ce qui équivaut à environ 9 000 serveurs. VTNet se situe à Ngõ 19 Phố Duy Tân, Cầu Giấy, Hà Nội. Cette entité a pour nom complet Tổng Công ty Mạng lưới Viettel en Vietnamien. On peut la visiter en allant sur le site web Viettel.com.vn. Elle fut fondée en 2001 et a un staff de plus de 2100 personnes. 4 Un point fort de Viettel est qu'il a écrit des outils d'application informatique pour surveiller de manière centralisée l'ensemble du système informatique. Un seul écran peut voir tous les problèmes survenant sur le système, le réseau à exploiter, à gérer. Lorsqu'il y a un incident, il y a un avertissement automatique. Et c’est de là que ses nombreuses entités entrent en scène dont l’apport de solutions en un temps record. 1.4. Problématique L’identification des composants des stations de services est extrêmement importante dans la télécommunication puisque ces entités ont des rôles très spécifiques. Chaque détails est pris très au sérieux et pèse beaucoup dans la balance au cas où ce dernier est oublié ou mal utilisé. La télécommunication est tellement compliquée que chaque catégorie d’entités est en effet une sous-catégorie d’une autre encore plus grande. Avec les nombreuses stations de Viettel au niveau national et international, la compagnie a des employés particuliers qui peuvent aller sur le terrain pour prendre des photos de ces stations. Il s’agit d’une étape obligatoire qui garantit non seulement l’identité, le nom ou le code de chaque station, mais aussi les caractéristiques de chaque catégorie ou sous-catégorie. Donc toutes ces donnes vont être stockées dans une base afin d’avoir des statististiques claires qui permettront de mesurer les progrès effectues pour chaque catégorie. Dans chaque pays où la compagnie est présente, les donnes envoyées par chaque employé seront traitées et ensuite enregistrées. Rappelons aussi que parfois, de telles procédures peuvent aussi être effectuées manuellement avec une inspection visuelle par un expert et prennent beaucoup de temps. Les problématiques actuelles d’abord dans le domaine de l’enregistrement des variétés sont nombreuses:  Les employés (techniciens ou agents de terrain) n’ont pas vraiment reçu une formation pour la prise des photos.  Les agents de terrain ne capturent pas les images avec les mêmes types de d’appareil.  Les images prises ne sont pas toujours de bonne qualité. Certaines images sont pratiquement floues et inutilisables (cf. FIGURE 1.1) 5  Parfois les agents n’ont pas vraiment accès au local même du site. Ce qui résulte à des prises très éloignées de l’objet en question. Et ici encore avec ces types de prises, on perd des détails importants qui vont influencer la qualité des analyses (cf. FIGURE 1.2) Figure 1-1: Image floue prise par les agents de terrain Figure 1-2: Image trop éloignée  L’objet principal n’est pas toujours au centre de l’image et il arrive même que seulement qu’une partie est représentée (cf. FIGURE 1.3). 6 Figure 1-3: Prise partielle d’une image  Les images ou données sont enregistrées et triées par catégories. Cependant, on retrouve toujours beaucoup d’erreurs lorsque les objets ne sont pas placés dans la bonne catégorie (cf. FIGURE 1.4) alors que des analyses ont été faites sur celle-là. 7 Figure 1-4: Erreur dans le regroupement des images Ensuite, après l’obtention des données, comme je n’ai pas trop de connaissances sur les outils de télécommunication, une assistance technique résultant à une explication bien détaillée des données, à leur nomenclature puisqu’elles sont en vietnamien est plus que nécessaire qu’utile. En effet personne ne pourra analyser des images ni tirer des conclusions sans avoir la moindre idée de l’objet principal sur lequel il faut se focaliser. Je ferai un état de l’art des différents types de données de la compagnie pour arriver bien à les représenter et les utiliser à travers les modèles que j’aurai soit à améliorer ou à tester afin d’aboutir à des résultats optimaux. En prenant compte de tous ces inconvénients, je vais bâtir ma méthode pour atteindre les objectifs de ce travail. 1.5. Objectif du stage Mon objectif dans ce travail et à travers ce projet est l’utilisation de l’intelligence artificielle pour apporter des solutions pour automatiser la classification des différents types de stations-service de la compagnie Viettel situées au Vietnam et dans les autres pays. L’objectif fixé s’inscrit dans le cadre des besoins de VTNet à savoir le développement de l'entreprise à l'échelle nationale et internationale et l’amélioration de la qualité de service. 8