Contrôleur KTW

Trois composants, une seule logique de décision

Le contrôleur KTW combine trois primitives algorithmiques bien établies en statistiques et en théorie de l’information :

Composant	Rôle	Question à laquelle il répond
Kelly	Allocation	Combien dois-je intervenir ?
Taguchi	Coût	Combien l’écart à la cible me coûte-t-il ?
Weibull	Dérive	L’écart observé est-il du bruit ou une vraie dérive ?

Pris séparément, ces trois outils sont connus dans leur discipline d’origine (finance, qualité industrielle, fiabilité). Leur composition est l’objet des deux brevets INPI déposés par Paul Obara en janvier 2026.

Kelly : combien intervenir

La formule de Kelly (1956) calcule la fraction optimale d’un capital à miser sur un événement de probabilité connue, sachant le rapport gain / perte. Transposée au pilotage industriel et agentique, elle calcule la fraction optimale d’intervention à appliquer quand on a une probabilité estimée que l’écart soit une vraie dérive.

Formellement :

f* = (b · p − q) / b

Où b est le ratio gain/perte, p la probabilité de succès, q = 1 − p.

Quand p est faible (signal incertain), f* tend vers 0 — on intervient peu. Quand p est élevé (signal fort), f* croît vite — on intervient fermement. Le comportement est asymétrique : on récompense la certitude, on se réserve l’incertitude.

Taguchi : quelle perte minimiser

La fonction de perte quadratique de Taguchi (1989) traduit l’écart entre une mesure et sa cible en coût monétaire ou opérationnel. Au lieu d’une fonction binaire (« bon » / « mauvais »), Taguchi pose :

L(y) = k · (y − cible)²

Où k est une constante calibrée empiriquement (coût de retraitement unitaire / écart de tolérance).

L’intérêt : plus on s’éloigne de la cible, plus la perte croît non-linéairement. Le contrôleur peut donc prioriser : un écart proche de la cible coûte peu, un écart lointain coûte beaucoup.

Weibull : quelle probabilité de dérive

Pour estimer si un écart observé est une dérive réelle ou du bruit de mesure, on ajuste une distribution de Weibull sur les N dernières mesures (N typiquement entre 30 et 100 selon la cadence).

Le paramètre de forme β de la distribution de Weibull caractérise le régime :

β	Régime	Interprétation
β < 1	Mortalité infantile	Défauts initiaux qui se résorbent
β ≈ 1	Exponentielle	Bruit aléatoire stationnaire
β > 1	Vieillissement	Dérive en cours, queue lourde

Une valeur β > 1.5 avec un échantillon suffisant signe une dérive réelle. Le contrôleur en extrait une probabilité bayésienne P(dérive) qui alimente Kelly.

La composition

À chaque mesure, le contrôleur produit une décision :

P     = P_Weibull(dérive | échantillon récent)
L     = k · (y − cible)²
f     = kelly_fraction(P, ratio_gain_perte)
δ     = f · L · sign(y − cible)

correction = δ appliquée à la consigne machine

Trois zones de décision émergent :

• Bruit (P faible) — ne rien faire.
• Doute (P intermédiaire) — correction douce, attendre confirmation sur les prochaines mesures.
• Dérive (P élevée et L fort) — correction ferme et immédiate.

flowchart LR
    M["Mesure y(t)"] --> W["Weibull<br/>P(dérive)"]
    M --> T["Taguchi<br/>L = k·(y-cible)²"]
    W --> K["Kelly<br/>f(P)"]
    K --> D{"Décision"}
    T --> D
    D -->|"P faible"| N["Bruit<br/>ne rien faire"]
    D -->|"P intermédiaire"| S["Doute<br/>correction douce"]
    D -->|"P élevée + L fort"| F["Dérive<br/>correction ferme"]

    classDef input fill:#F5F1E8,color:#2C3E42,stroke:#7DB5A5,stroke-width:2px;
    classDef calc fill:#F5F1E8,color:#2C3E42,stroke:#A86640,stroke-width:1.5px;
    classDef decide fill:#2C3E42,color:#F5F1E8,stroke:#1A262A,stroke-width:2px;
    classDef noop fill:#7DB5A5,color:#F5F1E8,stroke:#5E9384;
    classDef soft fill:#E99971,color:#F5F1E8,stroke:#C97A55;
    classDef firm fill:#C97A55,color:#F5F1E8,stroke:#A86640;
    class M input;
    class W,T,K calc;
    class D decide;
    class N noop;
    class S soft;
    class F firm;

Ce comportement rend le système antifragile au sens de Taleb : au lieu d’osciller à chaque bruit, il attend d’avoir l’information statistique nécessaire avant d’intervenir, et apprend de chaque dérive observée.

Les deux brevets KTW

Deux dépôts INPI ont été enregistrés le 8 janvier 2026 par Paul Obara :

KTW B1 — Pilotage en boucle ouverte modulée

Le brevet B1 décrit une architecture open-loop dans laquelle la correction est modulée par Kelly sur la base d’une probabilité Weibull calculée hors ligne. Le procédé reçoit la correction et l’applique sans boucle de retour automatique.

Cas d’usage typique : batch processing où chaque lot est calibré à partir des dérives observées sur les lots précédents, mais où le cycle d’observation ne permet pas une rétroaction continue.

KTW B2 — Pilotage probabiliste en boucle fermée + recadrage

Le brevet B2 va plus loin : la consigne machine elle-même est recadrée dynamiquement en fonction des dérives observées. La probabilité Weibull est mise à jour à chaque mesure, et l’algorithme distingue trois cas :

1. Dérive aléatoire — la consigne reste, la correction est instantanée.
2. Dérive systématique — la consigne est recadrée (nouveau setpoint).
3. Hors-spec — alerte humaine, le procédé n’est plus auto-pilotable.

Le recadrage dynamique est ce qui distingue KTW d’un PID classique : on n’ajuste pas seulement la correction, on ajuste la cible.

Cas d’usage industriels

Remplisseur de bouteilles 75 cl

Un remplisseur de boissons doit dispenser 75.0 cl ± 0.3 cl. Sans contrôleur, la moyenne dérive lentement vers le bas (usure de la valve) et l’opérateur recalibre manuellement chaque shift.

Avec KTW :

• Weibull détecte le passage en régime β > 1.5 à partir de 30 mesures.
• Taguchi mesure la perte cumulée du surplus payé sans contrepartie.
• Kelly dose la correction pour ne pas sur-réagir aux mesures isolées.

Effet : dérive corrigée en continu, perte cumulée réduite typiquement de 30 à 60 % sur un trimestre.

Ligne d’emballage carton

Une ligne d’emballage présente des dérives sur le grammage du carton. KTW pilote la consigne de la presse à partir des mesures de grammage sortie. Le recadrage dynamique B2 est particulièrement utile : quand le fournisseur de carton change de lot, la cible doit suivre.

Application à l’orchestration d’agents

Le même contrôleur KTW pilote les hyperparamètres d’un agent dans Nika OS. La métrique observée n’est plus une mesure physique mais une loss score calculée sur les tool calls et les sorties du pod.

Cas d’usage internes :

Hyperparamètre	Métrique Y	Décision KTW
Choix du modèle (Opus / Sonnet / Haiku)	Coût × latence × succès	Allocation Kelly entre arms
Concurrence sémaphore (1–6 pods)	TTFL p95 + error_rate	Réduction si Weibull β > 1.5
Retry policy	Taux de retry × coût marginal	Kelly fraction sur retry vs. escalade
Provider GPU routing	Coût × disponibilité	Allocation entre RunPod / Scaleway / etc.
RAG k (nombre de chunks)	Recall × latence	Adaptatif par classe de prompt

Quand la loss d’un pod franchit un seuil :

1. Le système ne kill pas le pod immédiatement (équivalent du « ne rien faire » dans la zone bruit).
2. Si la loss continue de croître au-delà du seuil intermédiaire, il mute les primitives mutables (température, retry policy, prompts).
3. Si la loss reste élevée après mutation, il escalade : WhatsApp alert → bus JSONL → review request à l'opérateur humain.

KTW dans la matrice de mutation

Nika OS distingue trois tracks d’évolution des primitives. KTW occupe la troisième :

Track	Cibles	Cadence	Évaluation
GEPA	Skill MD, prompts, doctrines	Continue par tournament LLM-judge	Pareto multi-objectifs
Ablation + DOE	Hooks Python, configs MCP, routing logic	Discrète, batchée	Mann-Whitney U + bootstrap CI
KTW	Params online (retry, modèle, sémaphore, RAG k)	Per-decision, online	Reward signal temps réel

KTW est utilisé là où le reward est mesurable à la décision (coût, latence, succès booléen). On n’applique pas KTW à un artefact qui n’a pas de reward signal temps réel — il dégénérerait en random allocation.

Pseudo-code de référence

def ktw_decide(y_t, target, history, k_taguchi, reward_ratio):
    # 1. Estimer la probabilité de dérive via Weibull
    shape, scale = fit_weibull(history[-50:])
    p_drift = bayesian_drift_prob(shape, scale, history)

    # 2. Perte Taguchi
    loss = k_taguchi * (y_t - target) ** 2

    # 3. Fraction Kelly sur l'intervention
    p_succes = sigmoid(p_drift)  # calibré empiriquement
    q = 1 - p_succes
    f_kelly = max(0, (reward_ratio * p_succes - q) / reward_ratio)

    # 4. Décision composée
    direction = sign(y_t - target)
    correction = f_kelly * loss * direction

    return {
        "p_drift": p_drift,
        "loss": loss,
        "f_kelly": f_kelly,
        "correction": correction,
        "zone": classify_zone(p_drift, loss),
    }

Le détail exact des courbes de calibration et des seuils par classe de procédé fait l’objet des dépôts INPI et n’est pas reproduit ici.

Limites et anti-patterns

Quelques pièges observés :

• Pas de reward signal mesurable — sur un artefact dont l’évaluation est subjective (qualité d’un brouillon de mail), KTW dégénère. Préférer GEPA.
• Données trop rares — l’ajustement Weibull demande typiquement 30+ mesures. En dessous, on utilise un prior bayésien conservateur.
• Reward différé — si le reward arrive 24h après la décision, KTW bloque par latence. Utiliser une heuristique surrogate online + audit asynchrone.
• Multi-arm avec arms corrélés — Kelly suppose des bras indépendants. Sur des modèles très corrélés (Sonnet vs. Haiku du même provider), il faut décorréler via factorisation ou switcher sur du Thompson sampling.

Voir aussi

• Observabilité et contrôleurs — la loss score d’un pod, source de Y pour KTW.
• Doctrines — l’antifragilité et la doctrine algos comme tools expliquent pourquoi KTW est un outil invoqué et non un LLM.
• Code source et ressources — brevets KTW B1 et B2, références académiques (Kelly 1956, Taguchi 1989, Weibull 1951).
• La page principale du Lab BCUB3 décrit les brevets en termes accessibles, sans formule.