"Profiter d'un poulailler chez soi c'est l'assurance d'avoir des bons œufs frais quotidiennement, mais… certains prédateurs naturels peuvent vite gâcher ce plaisir !

Quelles solutions mettre en place ? La technologie pourrait-elle nous permettre de pallier ce problème ? L'IA pourrait-elle être une solution ? Pourquoi pas, mais comment l'intégrer ? Et comment fonctionne-t-elle ?"

L'intelligence artificielle n'est pas de la magie, c'est une science basée sur des données. À travers une activité de tri d'images, nous allons découvrir les trois grandes familles d'apprentissage (supervisé, non supervisé et par renforcement) pour savoir quelle méthode utiliser pour notre poulailler. Vous allez faire une expérience de triage. En groupe vous testerez des méthodes d'apprentissages différentes.

"Quel type d'apprentissage correspondrait le mieux  à notre poulailler automatisé ?"

Avant de construire ou de coder, nous devons concevoir l'architecture du système. Comment organiser les composants pour qu'ils collaborent ensemble ? 

Le système automatisé a pour objectif d’ouvrir la porte uniquement aux poules, et d’empêcher l’accès aux autres animaux comme le renard ou la fouine.

Tout d’abord, le système acquiert des informations grâce à une caméra reliée à un ordinateur qui capture des images des animaux présents devant la porte. Une intelligence artificielle entraînée avec Teachable Machine (un outil de Google) analyse ces images et reconnaît s’il s’agit d’une poule ou d’un autre animal. Quand l’IA identifie un animal, elle envoie un résultat texte simple : « Poule », « Renard » ou « Fouine ».

Ensuite, ces informations sont traitées par une carte Micro:bit, qui décide si la porte doit s’ouvrir ou rester fermée. En fonction du résultat de l’analyse, la carte envoie des informations aux utilisateurs à l’aide d’une matrice de LED, permettant de visualiser le résultat de la reconnaissance.

L’électricité nécessaire (5 V) arrive par un câble USB branché sur l'ordinateur ou une batterie et est distribuée par l'automate à l’ensemble des composants. Cette énergie est ensuite convertie par un servomoteur, qui transforme l’énergie électrique en mouvement mécanique.

Enfin, le mouvement est transmis à l’aide d’un système de pignon et crémaillère, ce qui permet d’ouvrir mécaniquement la porte lorsque l’animal reconnu est une poule. Si l’animal n’est pas autorisé, la porte reste fermée.

Chaine fonctionnelle du système

Attention, ici le système est décentralisé. La caméra ne se branche pas sur la carte Micro:bit mais sur le PC. C'est une architecture IoT (Internet des objets). La carte Micro:bit n'est pas assez puissante pour faire de la reconnaissance d'images par IA. Le PC fera les calculs lourds et transmettra à la carte un résultat simple ("Poule", "Renard", "Fouine").

Intro : "Comprendre le principe du "teachable machine" et entrainer une IA avec  pixees.fr"

Imaginez un bébé qui n'a jamais vu d'autres chiens que celui de sa famille : un petit bichon blanc tout mignon. Pour lui, un chien, c'est : petit, blanc et frisé. Si, demain, ce bébé croise un Dogue Allemand (un énorme chien noir et marron) ou un Carlin (tête plate et corp plissé), que va-t-il dire ? "Ce n'est pas un chien !" Pourquoi ? 

Parce qu'il n'a pas vu assez d'exemples différents. Il n'a pas généralisé la notion de "Chien". L'IA, c'est pareil. Si on ne lui montre que des poules rouges vues de face, elle ne saura pas reconnaître une poule noire vue de dos. C'est pour ça qu'il faut beaucoup d'images variées."

Au cours de cette séance, nous allons nous concentrer sur : L'Apprentissage Supervisé. Nous découvrirons comment préparer des données, entraîner un modèle et tester son efficacité pour créer notre propre système de reconnaissance d'images.

"Est-ce efficace ? Est-ce parfait ? Pourrions-nous améliorer cet apprentissage ? Comment ?"

Dans un premier temps nous allons programmer un système de porte automatisée SANS IA, uniquement équipé d'un détecteur crépusculaire. La porte se ferme automatiquement au crépuscule et s'ouvre automatiquement à l'aube. La mesure de la lumière se fera grace au capteur intégré de la carte Micro:bit et les ordres d'ouverture et de fermeture de la porte seront donnés en fonction d'un seuil défini.

• Vous programmerez depuis makecode : https://makecode.microbit.org/#editor 

• Vous ajouterez l'extension "Servos" pour piloter le servomoteur)

• Vous trouverez les différents capteurs dans l'onglet "Entrée"

Maintenant que nous sommes assurés que l'automate ainsi que le servomoteur fonctionnent parfaitement, nous sommes prêts à exploiter notre modèle d'IA entrainé précedement. Nous utiliserons MakeAIrobots qui sera l'interface entre notre automate (Micro:bit) et notre modèle de machine learning (Teachable machine). 

Trois étapes clés : 

1. 1. 1. Il faut exporter le modèle d'IA préalablement entrainé depuis teachablemachine (IA)
         Bouton "Exporter le modèle" / Tensorflow.js / Importer (lien partageable) / Bouton "Importer mon modèle" / Bouton "Copier le lien"

      2. Programmer la carte Micro:bit depuis le site Makecode (automate)

      3. Connecter l'ensemble grâce au site MakeAIrobots (interface)

Le principe de fonctionnement : 

• • • La caméra transmet le flux vidéo à l'interface.

    • L'interface intérroge l'IA pour reconnaitre d'éventuels animaux.

    • Si l'IA reconnait un nouvel animal alors l'interface envoie l'information à l'automate par le port série sous forme d'une chaine de caractères.

    • L'automate agit ensuite en fonction de la chaine reçue.