C haque jour, les médias ou les réseaux sociaux se font l'écho de nouvelles applications de l'intelligence artificielle. Mais de quoi s'agit-il ? L'expression n'est pas nouvelle : « Le terme est apparu en 1956, pour désigner la reproduction d'un comportement intelligent humain , rappelle Emmanuel Adam, chercheur au LAMIH (Laboratoire d'automatique, de mécanique et d'informatique industrielles et humaines). Le but était de résoudre des problèmes qui n'étaient pas gérés par les algorithmes classiques. » On peut citer par exemple les programmes de jeux destinés à affronter l'humain. « Ce sont des situations où la logique est floue, continue Emmanuel Adam. On y applique différents algorithmes, qui activent des règles dont découlent différentes réponses. » Les années 1980 ont vu un nouvel essor de l'intelligence artificielle, avec le développement des «systèmes experts», dédiés à la résolution de problèmes dans des domaines très spécifiques.

L'intelligence artificielle visait à l'origine à préconiser des solutions aux humains. Désormais, elle peut appliquer des réglages de façon automatisée.

Aujourd'hui, les applications généralement mises en lumière mettent en jeu des algorithmes capables d'analyser de très grandes quantités de données.Selon Olivier Guillaume, CEO de la société O2Quant, « lorsque l'on parle d'intelligence artificielle,il s'agit aujourd'hui à 95 % d'apprentissage automatique. » À partir d'un matériau de base –images, textes ou sons – il s'agit d'apprendre à reconnaître, voire à reproduire, certaines caractéristiques. Ainsi, en assimilant une grande quantité de photographies de visages, une intelligence artificielle peut reconnaître si une photographie inconnue représente, ou non, un visage. Elle peut aussi générer elle-même des photographies de visages entièrement artificiels. On a vu cette démarche être appliquée à la voix, ou même à la musique.Mais plus largement, toutes sortes de données sont concernées. Ces intelligences artificielles sont-elles de simples gadgets?

Des algorithmes pour l'industrie

Non, car les applications sont très vastes. L'intelligence artificielle peut par exemple être employée en imagerie médicale, pour reconnaître des tumeurs. Et dans l'industrie? Bien que les applications fonctionnelles soient relativement récentes, il en existe déjà une grande variété. Les entreprises bien implantées comme Siemens, Rockwell Automation ou Schneider Electric proposent des solutions basées sur cette technologie, mais de nombreux acteurs de taille bien plus modeste ont aussi commencé à investir le marché.Ainsi, la vision, la maintenance ou le suivi de production bénéficient aujourd'hui des prouesses de l'intelligence artificielle.

Siemens L'apprentissage automatique est capable de traiter de grandes quantités de données pour en dégager du sens.

Nous connaissons actuellement le «troisième âge d'or» de l'intelligence artificielle, lié aux grands volumes de données qu'il est possible de traiter (le «big data»). « Il existe désormais des algorithmes faciles à utiliser, observe Emmanuel Adam (LAMIH). L'apprentissage automatique, ou machine learning, fonctionne bien : à partir de milliers d'exemples, on peut réaliser des systèmes de reconnaissance vocale, de reconnaissance d'image ou de traduction automatique. » L'apprentissage automatique utilise des statistiques et des probabilités pour « observer, faire des hypothèses et déterminer la plus probable »,complète Gilles Gomila, responsable intégration chez Omron. Il existe plusieurs façons de faire de l'apprentissage automatique. L'une met en jeu ce que l'on appelle les «réseaux de neurones » : « Ce sont des fonctions mathématiques avec une entrée et plusieurs sorties, qui permettent de reproduire le fonctionnement d'un neurone humain », explique Olivier Guillaume (O2Quant). Imbriquées les unes dans les autres, ces fonctions permettent d'obtenir des tâches complexes. Lorsque les réseaux de neurones sont très grands, on parle de «deep learning», ou apprentissage profond. « L'utilisation d'un réseau de neurones commence par une phase d'apprentissage , continue Olivier Guillaume. On lui communique un million de photographies avec leur description. C'est-à-dire que l'on va indiquer pour chacune si elle représente,par exemple,un chat ».

Des intelligences diverses

On règle le système à partir de ces exemples, afin qu'il soit capable de définir si une nouvelle photographie représente, ou non, un chat. Il existe des solutions pré-entraînées avec certains types d'images, mais il n'existe pas de méthode universelle pour cela : « Les données sont toujours différentes, il faut donc à chaque fois un entraînement spécifique, précise Olivier Guillaume. Il existe de nombreuses familles d'algorithmes que l'on combine et que l'on règle. C'est une démarche empirique, pour laquelle l'expérience est très importante. Les “data scientists”, spécialistes de ce sujet,sont un peu des artistes. » Omron propose un contrôleur avec un système d'intelligence artificielle embarquée. Celui-ci contient des bibliothèques d'algorithmes: « Il existe des méthodes pour orienter le choix des algorithmes, indique Gilles Gomila. Mais il faut expérimenter pour trouver la solution la plus intéressante. » Une autre approche consiste à faire du scoring , c'est-à-dire à noter certains paramètres en fonction de leur impact. « L'apprentissage profond est efficace pour la reconnaissance d'images,ou plus généralement lorsqu'on ne sait pas mettre le système en équations. Mais il est très lourd et très complexe à utiliser, justifie Laurent Laporte, président et cofondateur de Braincube. Pour définir l'optimum immédiat parmi un ensemble de paramètres, nous utilisons donc plutôt le scoring ».

« L'apprentissage automatique a trois domaines d'application, indique Olivier Guillaume (O2Quant). D'abord,le traitement du langage, qui n'est pas le plus utilisé dans l'industrie. » On voit toutefois les interfaces vocales se développer dans des applications de terrain, par exemple pour faciliter la création de rapports par des techniciens de maintenance. Ensuite, la reconnaissance d'images. Et enfin, les séries temporelles: « Ce sont toutes les données avec un marqueur de temps, explique Olivier Guillaume. Il y a énormément d'applications dans ce domaine. Ces séries permettent de faire de la reconnaissance de “patterns” (motifs), et donc des prédictions très fines ».

L'intelligence artificielle doit-elle opérer localement, en « edge », ou peut-on la déporter dans le cloud ? Les deux approches existent.

« L'intelligence artificielle est un modèle mathématique, résume Cristian Preda, chercheur à l'Inria. Selon une expression,“tous les modèles sont faux, mais certains sont utiles”.Cela met en évidence le fait qu'il existe toujours une marge d'erreur. Il faut donc être prêt à assumer cette incertitude pour utiliser cette technologie. » Mais quelles sont concrètement les applications industrielles de l'intelligence artificielle, et plus spécifiquement de l'apprentissage automatique? Il en existe déjà beaucoup, mais le champ des possibles est encore très vaste. « Nous sommes experts du traitement des données, mais pas des métiers, admet Olivier Guillaume (O2Quant). Nous discutons donc avec les personnes impliquées pour qu'elles nous expliquent leurs besoins, et nous exposons ce que nous savons faire. Car les experts métiers ne sont pas toujours au courant des possibilités offertes par l'intelligence artificielle. Par itérations, nous essayons donc de déterminer les solutions les plus pertinentes. Cela ouvre des perspectives ».

La reconnaissance d'images est l'application qui apparaît la plus évidente, elle trouve son utilité en vision, pour l'inspection par exemple. S'il n'est pas possible de définir précisément à quoi ressemblera un défaut, alors des algorithmes classiques risquent d'être inefficaces pour le détecter. On peut trouver cette problématique pour les circuits imprimés, notamment. L'apprentissage automatique, en revanche, peut apprendre à reconnaître des défauts très différents, à la manière de l'œil humain. La reconnaissance de forme ou la lecture de caractères peuvent aussi être facilitées par l'apprentissage automatique. VisionPro ViDi de Cognex, CVB Polimago de Stemmer Imaging ou encore Halcon de MVTec proposent ce type de fonctions. Pour l'industrie, la phase d'apprentissage est critique, et ne doit pas être trop longue.Ainsi, ces logiciels visent à proposer des systèmes efficaces à partir d'un échantillon réduit d'exemples, à savoir une centaine d'images, voire moins. L'apprentissage automatique peut même se combiner avec la vision 3D, comme le montre Aquifi,qui permet d'identifier ou d'inspecter des objets scannés. Il peut même servir à reconstituer une image 3D, ce qui peut être utilisé par exemple en robotique.

Le comportement des machines analysé

En dehors de la vision, beaucoup d'applications sont envisageables. Il est en effet possible d'analyser le bon fonctionnement des machines ou de leurs composants, afin de détecter en amont les risques de dysfonctionnement. Il est aussi possible d'optimiser en direct différents paramètres, notamment pour assurer la qualité de la production. Ou encore d'identifier des gisements d'économies d'énergie, comme le propose par exemple Energiency. De façon générale, l'objectif est d'aider à la prise de décision, voire d'effectuer des correc-tions de façon automatique. « Les entreprises industrielles ont toujours un projet pour progresser dans un domaine, comme moins gaspiller, ou produire plus vite », souligne Laurent Laporte (Braincube).

« On peut analyser par exemple le comportement d'un piston, et le temps qu'il met pour parcourir sa course, illustre Gilles Gomila (Omron). Ce type de phénomènes physiques met en jeu de nombreux paramètres, qui font qu'ils s'écartent de leur fonctionnement théorique. » L'apprentissage automatique permet alors d'intégrer le comportement réel: le piston se déplacera plus lentement en début de journée, à froid, qu'à la fin. Sachant cela, on peut observer les éventuelles dérives lorsque l'on mesure son déplacement en continu. Cela peut donc permettre d'intervenir pour changer un composant avant qu'une panne ne survienne. Beaucoup de solutions d'intelligence artificielle proposent un système de maintenance prévisionnelle. Schneider Electric, par exemple, met en avant une solution d'apprentissage automatique dédiée spécifiquement à l'analyse du fonctionnement des pompes pour le secteur pétrolier. Plus généralistes, Lesly, de DI Analyse Signal, ou Predictive Objects, de Tellmeplus, utilisent l'apprentissage automatique dans le but de prescrire des opérations de maintenance.

La production sous surveillance

« Si l'on a les données nécessaires et correctement identifiées, on peut apprendre quasiment n'importe quoi »,assure Olivier Guillaume (O2Quant). On peut apprendre des machines, mais aussi des produits. L'InriaTech, structure de l'Inria qui vise à favoriser le transfert de technologies vers les entreprises, donne l'exemple de la fabrication d'une pâte à biscuit: « Il est possible de mesurer sa résistance au pétrissage, qui dépend des farines utilisées , décrit Cristan Preda. Ensuite,on évalue la qualité du produit fini. » À partir de ces données, on peut prévoir la qualité des biscuits dès l'étape de pétrissage. On peut aussi mettre en évidence les farines ayant un comportement atypique, qui méritent plus d'attention. « Pour une application qui scelle des barquettes avec un film plastique, beaucoup de paramètres entrent en jeu, illustre Gilles Gomila (Omron). L'élément de chauffe n'est pas homogène, le film n'a pas toujours la même épaisseur, la machine vibre… Il n'est pas possible de décrire ces éléments et leurs interactions avec une équa-tion. » L'intelligence artificielle est donc utile pour apprendre le fonctionnement de façon empirique, et en déduire les paramètres importants.

On le voit, la mise en place d'un système d'intelligence artificielle utilisant l'apprentissage automatique nécessite de grandes quantités de données. Et généralement, beaucoup sont déjà disponibles dans les usines. « On a énormément d'informations dans une machine, sans forcément le savoir, rappelle Gilles Gomila. Et beaucoup ont un intérêt, sans que cela soit évident de prime abord. On est donc assis sur un trésor. » Laurent Laporte (Braincube) compare, quant à lui, les données à « du pétrole à raffiner ». Et il met en garde: « Nous recommandons de ne jamais négliger d'instrumentations même si l'on ne sait pas encore à quoi vont servir les informations recueillies. » En général, les éléments les plus importants sont déjà connus, et sous contrôle.L'enjeu est donc de dévoiler de nouvelles variables importantes. « La disponibilité des données peut être un frein à l'adoption de l'intelligence artificielle, prévient Olivier Guillaume (O2Quant). Il n'y en a parfois pas assez, ou elles ne sont pas suffisamment bien qualifiées. Or, plus il y a de données, meilleurs seront les apprentissages. » Il conseille ainsi d'enregistrer toutes ses données, même si l'on ne sait pas encore quoi en faire. Même lorsqu'elles peuvent sembler redondantes : trois mesures de température au même endroit pourront par exemple mettre en évidence la dérive d'un des capteurs. « Plus que la quantité, c'est la variabilité des données qui compte », estime Laurent Laporte (Braincube). Selon l'usure, les matières premières, les fluides ou les réglages, l'industrie n'est par nature pas stable. Et c'est là que l'on va trouver le potentiel de progrès.

Des réglages automatisés

Toutes ces variables peuvent être associées aux produits finis. « Il est possible de créer pour chacun un véritable jumeau virtuel, en lui affectant les conditions de fabrication , détaille Laurent Laporte. On regarde ensuite ce qui est bon ou pas, et l'on affecte un score. » Des algorithmes pourront alors déterminer l'impact de chaque variable, identifier les réglages les plus critiques, et ainsi la meilleure plage de fonctionnement. Cela se base sur des probabilités : plus un réglage a été utilisé, plus les mesures correspondantes seront considérées comme représentatives. Les résultats sont ensuite classés selon l'importance des variables. Ils peuvent être communiqués à des ingénieurs, qui définiront leurs priorités. Mais la prise de décision peut aussi être automatisée.

Cette automatisation des réglages est au cœur de différentes solutions commercialisées. Rockwell Automation, par exemple,avec son Project Sherlock,propose d'élaborer le modèle d'un contrôleur en quelques minutes. Cette intelligence artificielle peut déclencher des alarmes, et guider les utilisateurs vers une solution, mais aussi modifier auto-matiquement les paramètres du système pour corriger le problème sans intervention humaine. De même, le contrôleur Sysmac d'Omron avec intelligence artificielle est conçu pour calculer des corrections en temps réel, à partir d'un ensemble de 16 paramètres.FieldBox.AI propose d'ajuster des paramètres machine de façon automatique. « Nous sommes passés par une phase de prescription à l'humain, mais aujourd'hui nous sommes capables d'envoyer des consignes directement à la machine », confirme Laurent Laporte (Braincube). Cela a valu à l'entreprise de gagner la confiance de Siemens, avec qui Braincube a démarré un partenariat ( voir Mesures n° 909 ).

On voit apparaître des PC industriels dédiés spécifiquement à l'intelligence artificielle. Ils sont dotés d'une grande capacité de calcul, par exemple grâce à l'ajout d'un processeur graphique.

Plusieurs stratégies existent pour mettre en œuvre les corrections automatiques de paramètres sur une machine.Certains font le choix d'installer leur intelligence au plus près de la machine: c'est le cas de Rockwell Automation, dont le système Project Sherlock utilise un module installé directement dans le châssis du contrôleur. Omron a embarqué son intelligence artificielle directement sur l'automate. « Nous avons voulu faire un produit s'adressant aux automaticiens ou aux roboticiens, justifie Gilles Gomila. Pour gérer le temps réel,nous avons choisi de mettre l'intelligence au niveau “edge”, c'est-à-dire en bordure de réseau. » D'autres, en revanche, proposent une installation en cloud. « Tout est envisageable, estime Olivier Guillaume (O2Quant). L'intelligence peut être embarquée dans l'objet lui-même, s'il est conçu pour. L'avantage est alors l'autonomie et la faible utilisation des réseaux, ce qui peut être utile en fonction des contraintes d'utilisation. » Souvent, les procédés industriels orientent le choix vers des calculs proches du site, pour des raisons de fiabilité, de confidentialité et de sécurité. On voit d'ailleurs certains fabricants proposer des PC dédiés spécifiquement à l'intelligence artificielle, comme Axiomtek, qui met en avant la puissance de calcul de son eBOX800-900-FL,doté d'un processeur graphique et capable d'opérer dans les environnements difficiles.

Edge et cloud computing ne s'opposent pas forcément. « Un ordinateur en edge , installé sur la ligne, peut servir à collecter les données, note Laurent Laporte (Braincube). De plus, il assure un axe de communication bidirectionnelle sécurisée avec son propre cloud, qui devient de ce fait une extension du système d'information de l'entre-prise. » Mais le cloud peut-il assurer un service en temps réel? « Dans le meilleur des cas, il faut compter 3 secondes d'aller-re-tour,cen'est pas le temps réel nécessaire pour corriger une ligne de production », estime Gilles Gomila. Mais tout dépend de ce que l'on cherche à faire.

Le matériel informatique est prêt

En effet, pour le président de Braincube, cette latence n'est pas un problème: « On remplace des actions effectuées normalement par l'humain,et mais pas la régulation des automates, qui doit se faire à l'échelle de la milliseconde. Dans une salle de contrôle, on ne donne pas des ordres en permanence : on érifie que tout se passe bien. » Ces deux approches peuvent se comparer au fonctionnement du corps humain: en cas de brûlure, la moelle épinière déclenche un mouvement de recul, sans passer par le cerveau. C'est l'équivalent des applications en edge . Le cerveau, plus lent à réagir, est en revanche capable d'analyses plus poussées. Il en va de ême avec le cloud, qui présente 'avantage de mettre à disposition les capacités de calcul de milliers de processeurs.

Si l'intelligence artificielle prend son essor aujourd'hui dans l'industrie, c'est justement en raison de la puissance de calcul disponible. La phase d'apprentissage, en particulier, est très gourmande en ressources. « Les mêmes opérations sont refaites un grand nombre de fois, précise Olivier Guillaume (O2Quant). Ainsi, les cartes graphiques, qui peuvent compter plusieurs milliers de cœurs, sont bien adaptées à cette tâche.Mais il n'est pas nécessaire d'investir pour cela dans des ordinateurs hors de prix. » La phase d'utilisation, en re-vanche, ne nécessite pas de ressources importantes.Pour preuve: les téléphones intelligents sont capables de faire fonctionner de telles applications. Lorsqu'au moment de prendre une photographie, ils détectent les visages: c'est le fruit d'un apprentissage automatique.

La baisse du coût des mémoires statiques a aussi contribué à démocratiser l'intelligence artificielle : « La rapidité d'écriture et de lecture s'est considérablement améliorée, souligne Gilles Gomila (Omron). Auparavant, il était plus compliqué d'enregistrer et de lire des données en temps réel sur un disque dur. » À cela s'ajoute les progrès des bus numériques: les horloges très précises sont nécessaires à l'acquisition de données.

L'arrivée de l'intelligence artificielle dans l'industrie ne fait que commencer. Beaucoup d'innovations devraient encore voir le jour, et les différentes solutions devraient devenir de plus en plus pratiques à utiliser. Siemens a par exemple intégré Braincube à son système d'exploitation en cloud MindSphere. « Pour nous adresser au mieux à des problématiques spécifiques, nous allons proposer des applications métier qui fonctionneront sur MindSphere, indique Laurent Laporte (Braincube). Nous allons revoir nos interfaces, pour les rendre plus intuitives. » Bien que les PME ne soient pas exclues de l'usage de l'intelligence artificielle, cette démarche devrait contribuer à la rendre plus accessible, notamment auprès des entreprises qui n'auraient pas le temps ou les équipes nécessaires pour investir dans de tels projets. Une fois que le fonctionnement est compris, il ne reste qu'à imaginer les applications possibles.