L’Intelligence Artificielle au niveau industriel rend la fabrication plus intelligente

Cela ne devrait pas être une surprise pour aucun d’entre nous. Les tendances sont claires dans le monde de la consommation. Le haut-parleur intelligent – une technologie qui vient d’arriver sur le marché en 2014 – a été adopté par 94 millions de personnes aux Etats-Unis, de nombreux ménages en possédant plus de deux.

Dans le monde industriel, l’adoption des technologies avancées s’accélère également. L’année dernière, 67% des entreprises ont augmenté leur adoption de l’automatisation et de l’IA, selon McKinsey. IDC prévoit que les dépenses consacrées aux technologies d’IA atteindront 97,9 milliards de dollars américains d’ici 2023, soit plus de deux fois et demie ce qui a été dépensé en 2019. Et le PIB (Produit Intérieur Brut) mondial sera jusqu’à 14% plus élevé en 2030 en raison de l’accélération du développement et de l’adoption de l’IA, soit l’équivalent de 15’700 milliards de dollars supplémentaires, selon PwC (PricewaterhouseCoopers).

L’IA arrive dans toutes les industries, et pour le monde de la fabrication, riche en données, l’IA doit être de qualité industrielle. Les premières applications réelles de l’apprentissage automatique ont déjà trouvé leur place dans les activités de l’usine telles que l’inspection visuelle rapide, la détection des anomalies, la maintenance prédictive, les diagnostics audio, le tri automatique, etc. Et ce n’est qu’un début.

Les brasseurs peuvent déjà utiliser l’IA pour faire de la modélisation prédictive afin de tenir compte de la variation naturelle des ingrédients. Les processus manuels sont remplacés par l’IA, ce qui leur permet d’obtenir un goût et une qualité constants pour chaque lot de bière. Les ateliers de presse de l’industrie automobile constituent un autre cas d’utilisation. En utilisant des algorithmes d’apprentissage automatique, les constructeurs automobiles peuvent réduire les pièces de rebut, augmenter le débit et assurer une qualité constante.

Les choses deviennent plus intéressantes lorsque l’on combine l’informatique périphérique et le « cloud computing ». Les réseaux neuronaux peuvent aider les directeurs d’usine à lire entre les lignes et à voir les connexions complexes qui ne sont pas évidentes pour l’œil humain. Cela est possible en reliant les données haute résolution de la plateforme périphérique provenant de l’usine à la puissance de calcul du « cloud computing ». En conséquence, la production peut devenir plus efficace, plus flexible et plus fiable.

L’IA est un élément naturel de la numérisation de la fabrication, c’est pourquoi les systèmes d’exploitation IoT (Intrenet of Things) ouverts comme MindSphere sont devenus si importants. Avec MindSphere, les utilisateurs peuvent collecter et visualiser les données recueillies à partir d’une machine (ou de toute une flotte de machines) et également utiliser des algorithmes pour générer des recommandations d’action, comme la façon dont une machine peut être utilisée plus efficacement ou comment son fonctionnement peut être optimisé.

Comme pour la numérisation, les avantages de l’IA pour la fabrication englobent l’ensemble du cycle de vie – de la conception du produit à la production et aux performances dans le monde réel. Nous avons l’habitude de penser au retour d’information sur les performances du produit. Mais avec la numérisation et le Deep Learning, nous pouvons également créer une boucle de « Feed-Forward » – en utilisant les données des performances réelles pour que la prochaine génération de ce widget soit plus rapide, plus légère ou moins chère. L’IA peut également contribuer au processus de conception générative en créant des millions de modèles, en les analysant et en réduisant la liste à une centaine de variations ayant les plus fortes probabilités de succès.

Le Deep Learning donne aux fabricants la possibilité d’adopter la vision la plus large possible de leur activité. Il s’agit d’ouvrir l’ouverture de l’objectif, depuis les petites améliorations des processus existants jusqu’à des produits entièrement nouveaux, voire des modèles commerciaux, des partenariats et des écosystèmes.

Comme pour toute nouvelle approche ou technologie révolutionnaire, le comportement humain et la culture organisationnelle doivent faire partie de la conversation. Les usines de haute technologie ne vont pas fonctionner toutes seules. Et si le monde des consommateurs nous dit quelque chose, lorsque les systèmes d’IA semblent plus humains, ils ont tendance à avoir plus de succès. C’est pourquoi les gens acceptent les suggestions du système d’AI de la compagnie aérienne s’il fait une courte pause pour rechercher des vols, donnant ainsi l’impression qu’il réfléchit. Toute technologie a une courbe d’apprentissage !

Il est facile de comprendre pourquoi l’IA devrait donner une telle impulsion au PIB mondial d’ici à 2030. L’IA inspire aux fabricants de nouvelles idées sur ce que nous fabriquons, comment nous le fabriquons et comment nous allons sur le marché. Elle nous met au défi de faire de l’apprentissage continu un élément clé des plans de croissance de nos organisations. Et elle ouvre des écosystèmes de coopération entièrement nouveaux entre les entreprises. Je suis optimiste quant à la signification de l’IA pour tous ceux qui travaillent dans le secteur de la fabrication et pour les clients que nous servons.

Pour en savoir plus, voir les définitions de Siemens :

Intelligence Artificielle

Dans son sens le plus strict, l’Intelligence Artificielle (IA) désigne les applications dans lesquelles les machines exécutent des tâches qui nécessiteraient normalement des fonctions de l’intelligence humaine telles que l’apprentissage, le jugement et la résolution de problèmes. Des outils et des solutions techniques sont développés à cette fin, permettant aux humains de mieux travailler en étendant leurs capacités.

Machine Learning

Machine Learning (ML) est à la base de l’« intelligence » réelle de l’IA. Les ordinateurs sont entraînés à reconnaître des modèles dans des ensembles de données non structurés à l’aide d’algorithmes et à prendre eux-mêmes des décisions sur la base de ces « connaissances ». L’objectif est de faire en sorte que la machine apprenne à partir des données et, sur cette base, utilise l’expérience qu’elle acquiert pour améliorer constamment sa capacité à accomplir ses tâches.

Deep Learning

Deep Learning (DL) repose sur l’utilisation de réseaux neuronaux profonds. L’ordinateur accède aux données à plusieurs niveaux de nœuds simultanément pour identifier les connexions, tirer des conclusions et prendre à la fois des prédictions et des décisions. Les algorithmes d’auto-apprentissage permettent à la machine de résoudre par elle-même des problèmes non linéaires, même complexes, et d’interagir sans instructions.