Applications industrielles de l’IA – Au-delà de la validation du concept

Importance des données

La technologie que l’on appelle IA est aujourd’hui principalement constituée de réseaux neuronaux (voir aussi : apprentissage automatique). Sans entrer dans les détails, on peut les considérer comme des fonctions mathématiques – l’approximation d’une variable de sortie à partir d’un ensemble de variables d’entrée par le biais d’un réseau entraîné.

Pour former ce réseau, il faut un grand ensemble de données étiquetées. Il s’agit de paires de données pour lesquelles la sortie liée à une entrée est connue. Le réseau entre l’entrée et la sortie est ensuite ajusté de manière à obtenir cette sortie connue. Comme les réseaux neuronaux peuvent avoir un grand nombre de variables internes, un grand nombre d’ensembles de données de formation est nécessaire pour obtenir des résultats satisfaisants. Une fois le réseau formé, de nouvelles données d’entrée peuvent être appliquées et le réseau produit une sortie dérivée des données de formation.

Contrairement à d’autres formes de logiciels, la fonctionnalité d’un réseau neuronal est à peine définie par le code de programmation qui décrit l’algorithme. Les algorithmes de réseaux neuronaux sont génériques. Le type de problème qu’un réseau neuronal résout est défini par les données avec lesquelles il est formé.

La qualité d’une solution d’IA dépend donc entièrement de la disponibilité et de la qualité des données d’entraînement. Cela dit, le réseau n’est capable que d’approximer les données qui ont été couvertes dans l’ensemble de données de formation. Si on lui donne des photos de chats et de chiens, il sera capable de vous dire « c’est probablement un chat », mais il ne détectera jamais un éléphant. En outre, il n’y a aucune garantie que le réseau résout un ensemble de données donné, même s’il provient de l’espace sur lequel il a été formé.

Dans les applications grand public, ces ensembles de données sont généralement disponibles, souvent dans les bases de données des grandes entreprises technologiques. Et dans la plupart des applications grand public de l’IA, certains résultats mal étiquetés sont acceptables. Si 500 images de chats sont correctement reconnues et que seule une poignée d’entre elles ne le sont pas, c’est suffisant. Pour les applications industrielles, c’est différent. Pourquoi ?

Dans les applications industrielles, les décisions prises par l’IA peuvent avoir un impact significatif sur la production industrielle. D’autre part, la collecte d’informations suffisantes est assez difficile, et peut-être aussi coûteuse. Si les résultats du système d’IA sont erronés, ils peuvent entraîner des pertes ou même des dommages, voire pire. Une mauvaise interprétation occasionnelle d’un système d’IA n’est généralement pas acceptable. Voici quelques conseils sur ce qu’il faut observer dans les projets d’IA industriels.

Initiation – Avant de lancer un projet d’IA

Avant de lancer un projet d’IA, il faut d’abord clarifier certaines questions. La première et principale question, qui est – étonnamment – souvent négligée, est la suivante : Quel problème voulez-vous résoudre, et pourquoi ? Ce problème doit être suffisamment pertinent pour justifier l’effort, c’est-à-dire qu’il doit y avoir des considérations de base sur le plan commercial. La question suivante est de savoir quelle technologie utiliser pour le résoudre. L’IA peut être, ou ne pas être, la meilleure solution. Une raison importante pour laquelle elle ne l’est pas est le manque de données, ce qui conduit à la question connexe : disposons-nous de données sur le problème à résoudre ?

Enfin, la solution doit être mise en œuvre. Très souvent, cela implique une mise à l’échelle. Il est donc utile de se demander dès le départ si vous disposez non seulement des données d’une seule machine pour le PoC, mais aussi s’il est possible d’obtenir les données d’autres machines, comme l’exige votre dossier commercial.

Trouver le bon problème est une décision commerciale, examinons donc les autres questions un peu plus en profondeur.

Informations – Données pour les applications d’IA

Les installations industrielles génèrent beaucoup de données. Pour contrôler un robot, une aciérie ou tout autre processus industriel, des capteurs sont utilisés pour commander l’équipement afin qu’il se comporte comme prévu. La plupart de ces données sont immédiatement éliminées. Mais elles sont générées et peuvent être enregistrées. Il devrait donc y avoir suffisamment de données pour former l’IA ?

Le problème de l’utilisation des données est de savoir si elles contiennent les informations requises. Si vous voulez prédire les défaillances, vous devez disposer de données sur les défaillances. Comme les équipements industriels tombent rarement en panne, il n’est probablement pas suffisant de collecter les données d’une seule machine. Pour cela, vous avez besoin de données provenant de nombreuses installations où les équipements sont tombés en panne. Si vous gérez vos propres usines, vous ne disposez peut-être pas du nombre de machines requis. Si vous êtes fournisseur, vous savez peut-être où et pourquoi les machines sont tombées en panne, mais vos clients ne vous fournissent pas forcément ces données. Pour obtenir les données, vous devez offrir une proposition de valeur à votre client pour qu’il fasse cela.

En outre, l’utilisation de l’IA pour reproduire des informations dont vous disposez déjà n’est pas efficace. Puisque les données de processus sont corrélées par la physique du processus, l’entraînement du système d’IA avec des données brutes peut révéler ces lois de la physique. Mais celles-ci sont connues, elles ont été appliquées lors de la conception de l’usine. Vous voudriez appliquer l’IA pour détecter les effets qui ne peuvent pas être facilement expliqués par vos données d’ingénierie. Vous devez donc retirer ce qui est connu des données, pour entraîner le réseau sur ce que vous ne connaissez pas.

En résumé : pour utiliser l’IA avec succès, vous avez besoin de données qui contiennent les bonnes informations pour ce que vous voulez réaliser. Ces données peuvent se trouver à différents endroits, dans différents formats. Si elles ne sont pas facilement disponibles, sachez que leur collecte consommera facilement la majeure partie du budget de votre projet d’IA.

Impact – Résultats de l’IA

L’IA peut obtenir des résultats impressionnants, mais elle peut aussi conduire à des échecs surprenants. Et contrairement aux logiciels classiques, elle est difficile à tester. Même des variations mineures dans les données d’entrée peuvent conduire à des résultats complètement différents, et la nature d’un réseau neuronal ne révèle pas la raison pour laquelle le résultat a changé. Il ne révèle pas non plus la raison pour laquelle il est arrivé à la bonne conclusion.

Lorsque vous appliquez l’IA à un système industriel, vous devez être conscient de ses lacunes et de ses risques, et vous devez les atténuer par d’autres moyens techniques. Sachez que ni les faux positifs ni les faux négatifs ne peuvent être exclus, ce dont votre système et la conception de votre processus doivent tenir compte. Un système de supervision conventionnel, ou système de sécurité, qui s’assure que la partie IA reste dans des limites opérationnelles raisonnables est nécessaire.

En résumé : appliquez l’IA là où elle est forte, et n’essayez pas de l’étirer là où elle a ses faiblesses. Soyez conscient de ces dernières et couvrez-les avec d’autres processus et technologies.

Mise en œuvre – Application de l’IA

Une fois que les données d’entraînement initiales sont disponibles, vous êtes prêt à partir. Il y a de bonnes chances que votre PoC fonctionne. Le transformer en un système en production comporte encore des défis.

L’une des questions clés est l’architecture globale : comme nous l’avons mentionné, l’entraînement du système nécessite beaucoup de données, et beaucoup de puissance de calcul. Pour ces deux exigences, les solutions en nuage sont bien adaptées dans de nombreux cas. Cependant, l’application du réseau formé est beaucoup moins complexe et peut être réalisée localement, peut-être même sur des puces d’IA dédiées. La vitesse, la disponibilité des données, la sécurité, la confidentialité et peut-être d’autres paramètres doivent guider votre décision en matière d’architecture.

Si vous voulez apprendre à partir de l’exploitation, votre réseau neuronal doit être réentraîné de temps en temps, les modèles doivent être mis à jour, etc. Cela peut nécessiter des ressources informatiques supplémentaires qui n’étaient pas nécessaires lors du PoC.

Une propriété désagréable des systèmes d’IA est le fait qu’il n’est pas garanti que les données de formation du PoC créent un réseau qui fonctionne dans un environnement similaire, mais légèrement différent. Ainsi, le transfert d’une solution à une autre installation présente des difficultés et fait actuellement l’objet de recherches.

Le système peut être plus robuste face à de telles variations si les données d’entrée d’une variété d’installations sont prises en compte pour la formation. Pour en revenir à ce que je disais plus haut : pensez à cela dès le début de votre projet, car vous risquez de dépenser à nouveau l’important effort de collecte et de nettoyage des données avec votre prochain client, alors que vous pouvez réutiliser le petit effort consacré à la formation de l’IA.

Conclusions

Nous ne saurions trop insister sur le fait que de bons ensembles de données d’entraînement, représentatifs et contenant les informations dont vous avez besoin pour votre solution, sont la clé d’une solution d’IA réussie. Assurez-vous de disposer de ces données, au départ, et tout au long du cycle de vie de votre solution. Mais surtout, sachez quelles tâches vous voulez que votre solution exécute. Appliquez l’IA là où elle est adaptée, et combinez-la avec d’autres composants qui peuvent accomplir cette tâche plus efficacement.

Christopher Ganz

Christopher Ganz hat in über 30 Jahren in der gesamten Wertschöpfungskette der industriellen Innovation Erfahrungen gesammelt, davon über 25 Jahre bei ABB. Sein Fokus liegt dabei auf der industriellen Digitalisierung und deren Umsetzung in Service Geschäftsmodellen. Als einer der Autoren der Digitalisierungsstrategie von ABB konnte er auf seine Arbeiten in der ABB Forschung und im globalen ABB Service Managements zurückgreifen, und unterstützt heute Unternehmen in Innovationsprozessen.