Intelligence artificielle : espoir, battage médiatique et FOMO
Publié le 22 septembre 2022 dans AI
Il y a dix ans, lorsque nous recevions des demandes concernant des projets basés sur l'IA, ils étaient principalement motivés par le battage médiatique ou le FOMO (la peur de passer à côté). Quand je leur demandais pourquoi ils voulaient utiliser l'IA, la réponse était le plus souvent : « parce que mon patron me l'a demandé », « parce que nous avons beaucoup de données » ou « parce que ça me semble intéressant ». Aucune de ces raisons ne semblait vraiment sérieuse et elles ne justifiaient certainement pas l'investissement conséquent que les applications d'IA auraient nécessité à ce moment-là.
Les choses évoluent et l'espoir constitue un meilleur moteur que le battage médiatique ou le « FOMO ». Les clients ne nous demandent plus si nous pouvons les aider à travailler avec l'IA. Ils nous demandent si nous pouvons les aider dans le cadre de la maintenance prédictive, du contrôle qualité ou de l'optimisation des processus. Ils nous demandent notre aide pour résoudre un problème. L'adoption de l'IA n'est plus une motivation ni un objectif en soi. L'IA est devenue un « catalyseur ».
Quel que soit le secteur, qu'il s'agisse de l'industrie agroalimentaire, pharmaceutique, électronique ou automobile, l'objectif final est le même : une production de haute qualité et sans défaut à un coût réduit, en utilisant moins d'énergie et de main-d'œuvre. Et l'IA peut faire partie d'un ensemble de solutions pour atteindre ces objectifs.
Passé, présent et futur
La technologie évolue au même rythme que nos approches. Bien que l'IA existe depuis 1957, les premières applications étaient excessivement coûteuses et lentes : il a fallu un mois pour obtenir les résultats d'un simple calcul à cause des limitations de la puissance de traitement. Grâce aux progrès réalisés en matière de technologie mobile, de stockage informatique et de vitesse de traitement, les calculs peuvent désormais être effectués en quelques millisecondes et le coût a considérablement diminué.
Bien que des géants de la technologie comme Amazon et Google utilisent l'IA depuis un certain temps, elle n'en est encore qu'à ses débuts dans le contexte industriel. Je comparerais la phase actuelle de son cycle de vie à celle de la robotique il y a 15 ans, lorsqu'on ne contrôlait pas un robot à six axes sans un diplôme en mathématiques. Mettre en œuvre des systèmes basés sur l'IA nécessite toujours des experts : vous devez comprendre ce que vous faites. Et cela n'a de sens que dans les applications de niche pour lesquelles le coût d'entrée peut être justifié par les bénéfices attendus.
L'IA pour les problèmes invisibles
Il est également important de rappeler que l'IA n'est pas une solution miracle. En tant que constructeurs de machines, ingénieurs et spécialistes des données, on peut parfois nous reprocher d'utiliser par défaut la technologie afin de trouver les réponses, alors que la solution la plus simple est beaucoup moins sophistiquée et compliquée.Prenons par exemple une pièce de convoyeur cassée et tordue. Il s'agit d'un problème d'ingénierie qui peut être identifié et résolu à l'aide d'une solution mécanique traditionnelle. Cependant, pour les problèmes ponctuels les moins évidents, comme les micro-arrêts, l'IA peut apporter une valeur ajoutée.
La résolution de problèmes basée sur l'IA en pratique
Voici un exemple concret : nous avons été appelés pour aider un client automobile qui rencontrait des problèmes de micro-arrêts. Après avoir effectué une analyse des données, nous avons effectué un « contrôle d'intégrité ». Cela impliquait de connecter des sondes à la machine pour créer des images des signaux générés afin de déterminer ce qui se passait par rapport à ce qui aurait dû se passer. Nous avons ensuite développé une expérience permettant d'identifier les causes profondes. Cela nous a permis d'identifier et de résoudre environ dix problèmes. Celui qui me vient à l'esprit impliquait un dysfonctionnement du capteur : l'un des capteurs que nous surveillions semblait ne pas fonctionner. Nous avons demandé au client de vérifier, et ce connecteur était effectivement cassé. Nous avons également identifié des problèmes de programmation, notamment une erreur de logique reproduite sur de nombreuses machines sur site, que le client a ensuite pu résoudre. En tout, le client a économisé des dizaines de milliers d'euros de produits mis au rebut et a réduit les temps d'arrêt de 50 %, ce qui s'est traduit par quatre heures de production supplémentaires par mois.
Autre exemple d'application : nous travaillons actuellement avec un client de l'industrie alimentaire pour améliorer l'intégrité de son processus de scellage. En ajoutant l'IA à l'opération de scellage, nous augmenterons la durée de conservation de plusieurs jours et minimiserons les scellages défectueux, éliminant ainsi le risque de rejet de lots de produits complets par les acheteurs au détail.
Collecter, analyser et utiliser
Jusqu'à présent, la plupart des projets ont déployé le contrôleur-IA d'OMRON : la première solution d'IA au monde qui fonctionne « à la périphérie » de la machine (le matériel étant basé sur le contrôleur de machine IPC NY5 Sysmac et l'UC NX7). Ce contrôleur reconnaît les modèles en fonction des données de processus collectées directement sur la chaîne de production. Il est intégré à notre plate-forme de contrôle d'usine Sysmac et peut donc être utilisé directement dans la machine pour éviter les pertes d'efficacité.
Avec de tels exemples et l'IA étant un sujet si présent dans les médias, on pourrait aisément supposer que toutes les entreprises de fabrication sont à la pointe en matière d'IA, alors que ce n'est vraiment pas le cas. Les exemples d'IA utilisée dans les usines sont rares et les projets dépendent fortement de l'expertise du fournisseur de technologie. Dans dix ans, tout sera différent. Le développement d'outils rendra l'IA beaucoup plus accessible et facile à utiliser, permettant ainsi aux fabricants de s'approprier l'IA et de l'utiliser.
En savoir plus sur les services liés à la science des données d'OMRON