KTW Controller Kelly · Taguchi · Weibull — pilotage probabiliste · Brevet INPI 2026

Lab BCUB3

Comprendre l'IA que nous intégrons.

Cette page existe pour deux raisons. Première : vous expliquer simplement, sans formule, ce qu'il y a sous le capot des modèles que nous déployons chez nos clients industriels. Deuxième : présenter nos trois brevets déposés à l'INPI — une fonction d'activation neuronale (sWELU) et deux contrôleurs probabilistes (KTW · B1 et B2) — qui rendent l'IA plus efficace et plus déployable dans un atelier que dans un data center.

Proto-AIOS sémantique

Nika OS

Kernel agentique qui orchestre des essaims de pods (Claude / Mistral / Gemini), gère trois couches de mémoire et évolue ses propres prompts par GEPA — sans muter son kernel.

Lire la documentation technique → Modèles · Infra · Stack

Stack technique

5 modèles propriétaires comparés (Claude, GPT, Gemini, Mistral, DeepSeek) — fenêtres de contexte, forces, faiblesses. Plus la stack d'inférence GPU, edge et open source que nous déployons en atelier.

Voir la stack → 3 brevets INPI

Brevets

sWELU — fonction d'activation neuronale ; KTW · B1 et B2 — pilotage probabiliste industriel par Kelly + Taguchi + Weibull. Vulgarisation sans formules.

Découvrir les brevets → Doctrine fondatrice

Antifragilité

Pourquoi nos systèmes s'améliorent quand l'usine bouge. Un thermostat antifragile au sens de Nassim Taleb, transposé au procédé industriel.

Comprendre l'antifragilité →

Section 2

Apprendre en manipulant

Tous nos didacticiels fonctionnent 100 % dans votre navigateur. Aucune donnée n'est transmise. Importez un CSV, ajustez les paramètres, comprenez ce qui se passe.

Qualité Capabilité + SPC Machine Learning Réseau de neurones R&D Plans d'expérience (DOE) Statistiques Tests d'hypothèses Maintenance Analyse vibratoire FFT Production TRS / OEE Statistiques Régression Risques AMDEC / FMEA Métrologie R&R MSA

Voir les 25+ didacticiels →

Section 3

Trois brevets déposés à l'INPI

Nous déposons des brevets parce que nos clients industriels doivent pouvoir bâtir leur stratégie IA sur des fondations dont la propriété intellectuelle est claire. Une fonction d'activation neuronale (sWELU) et deux contrôleurs probabilistes pour pilotage industriel (KTW B1 et B2). Voici les trois, expliqués sans formule, en analogies du quotidien.

01

sWELU — Sequential Weighted ELU

FR2513029 (déposé) · Paul Obara · Fonctions d'activation neuronales

Ce que c'est, en une phrase

Quand un réseau de neurones apprend, il calcule en permanence des moyennes. sWELU corrige une erreur subtile dans cette moyenne — une erreur qui empêche les petits modèles d'apprendre aussi efficacement que les très gros.

Pourquoi c'est utile en industrie

Un modèle de 100 millions de paramètres équipé de sWELU peut apprendre des choses qu'on pensait réservées aux modèles de plusieurs milliards. Pratique pour l'edge (caméras, capteurs, robots) où la mémoire est limitée.

Analogie

Pensez à un orchestre. Le chef d'orchestre coordonne la moyenne. Si son chronomètre est légèrement décalé, tous les musiciens sont décalés. sWELU recalibre le chronomètre.

02

KTW · B1 — Pilotage industriel prédictif par modulation Kelly + Weibull

INPI déposé 2026-01-08 · Paul Obara · Contrôle de procédé industriel

Ce que c'est, en une phrase

Quand une machine industrielle dévie de sa consigne — par exemple un remplisseur qui doit livrer 75 cl pile —, il faut décider combien la corriger. Corriger trop = la machine oscille. Pas assez = on accumule du défaut. Notre brevet calcule le bon dosage de correction à partir de deux ingrédients : la probabilité que l'écart soit une vraie dérive (Weibull sur les 50 dernières mesures) et la formule de Kelly qui dose l'intervention.

Pourquoi c'est utile en industrie

Moins de rebuts, moins de variabilité, sans qu'un opérateur expert ait besoin d'arbitrer en permanence. Le système distingue tout seul un bruit de mesure d'une vraie dérive de procédé, et n'intervient que quand c'est statistiquement justifié.

Analogie

Comme un thermostat intelligent. Au lieu de couper et relancer à chaque variation de 0,1 °C — y compris un courant d'air ponctuel — il écoute si la dérive est réelle. Et il ajuste son intervention en conséquence : ne rien faire quand c'est du bruit, corriger fermement quand c'est une vraie tendance.

03

KTW · B2 — Pilotage probabiliste en boucle fermée + recadrage dynamique des consignes

INPI déposé 2026-01-08 · Paul Obara · Boucle fermée probabiliste

Ce que c'est, en une phrase

Extension du B1. Au lieu de garder une consigne fixe, le système ajuste la consigne elle-même selon la perte de qualité mesurée sur les pièces produites (perte de Taguchi). La machine apprend à se recadrer toute seule au fil de la production.

Pourquoi c'est utile en industrie

Les paramètres d'atelier bougent — température ambiante, usure outil, lot matière différent. Le système se recadre sans intervention humaine. Résultat : moins de pannes silencieuses, une qualité stable même quand l'environnement change.

Analogie

Un conducteur expérimenté n'essaye pas de tenir une trajectoire idéale figée. Il ajuste son volant pour minimiser à la fois la fatigue, la consommation et l'inconfort des passagers — la « bonne trajectoire » évolue avec le voyage. Le brevet automatise cette adaptation pour un procédé industriel.

Section 4

L'antifragilité, ou pourquoi nos systèmes s'améliorent quand l'usine bouge

Sur le terrain industriel, l'environnement n'est jamais figé : matière première qui varie, capteur qui dérive, opérateur qui change, saison qui décale les températures. Un système rigide se dégrade. Un système robuste résiste. Un système antifragile — au sens de Nassim Taleb — apprend du stress et devient meilleur. C'est le principe sous-jacent à notre R&D.

01

Robuste n'est pas antifragile

Un thermostat robuste tient malgré les fluctuations. Un thermostat antifragile apprend des fluctuations pour mieux anticiper la prochaine. Nos contrôleurs KTW vont au-delà de la robustesse : ils utilisent chaque dérive comme information d'apprentissage, sans intervention humaine.

02

L'évolution dirigée des stratégies

Plutôt que figer une stratégie d'IA, nous la faisons muter sous contraintes mesurées : satisfaction utilisateur, latence, coût en tokens, taux d'erreur. Cette approche s'inspire de la recherche académique récente sur l'évolution réflexive de prompts (GEPA, 2025) et de la programmation génétique. Le meilleur variant survit ; les autres sont retirés.

03

Kernel gravé, harnais mutable

Nous distinguons deux couches dans tout système que nous livrons. Le kernel — invariants de sécurité, contrats de sortie, politiques métier — est gravé et ne mute jamais. Le harnais — formulations, hyperparamètres, heuristiques — évolue en continu. Cette séparation garantit la stabilité opérationnelle tout en permettant l'apprentissage.

Harness multi-pod en évolution continue

Nika OS — documentation technique

Le runtime agentique que nous utilisons en interne pour orchestrer des essaims de Claude Code, persister la connaissance et piloter les contrôleurs probabilistes KTW. Vingt pages techniques, en français et en anglais.

Documentation Lire la doc Nika OS → Architecture, primitives, doctrines, observabilité. Vue d'ensemble > concepts > kernel et pods > mémoire > IPC. Open source github.com/Powwpol → Les composants publiés progressivement en open source. Le kernel reste un dépôt R&D privé tant qu'il n'est pas stabilisé.

Une question, un cas concret ?

Notre R&D existe pour vos cas industriels.

Si l'un de ces sujets éclaire un problème que vous rencontrez sur le terrain — détection de défaut, dérive machine, document non standardisé — parlons-en.

Discuter d'un cas concret