Le traitement d'image basé sur l'IA va améliorer la compétitivité de nombreuses entreprises de différents secteurs. Ceux qui ont déjà testé et mis en oeuvre les premières applications sont enthousiasmés par la rapidité avec laquelle ils peuvent obtenir de bons résultats. Mais malheureusement, la vision IA n'est pas encore évaluée à grande échelle ni intégrée dans les nouveaux projets. Car la plupart du temps, ce n'est pas (encore) aussi intuitif et facile à utiliser que le décrivent souvent les fabricants ! Et même s'il n'est plus nécessaire d'être un professionnel du traitement d'image pour effectuer des analyses d'images basées sur l'IA, la mise à disposition de données d'apprentissage suffisantes prend du temps et est coûteuse. En outre, cela nécessite une certaine compréhension de la manière dont des conclusions fiables en découlent et de la manière dont elles doivent être évaluées. Ce n'est qu'en améliorant la convivialité d'une IA et en rendant plus explicables ses résultats difficiles à évaluer que la confiance et l'acceptation de la vision IA augmenteront.
Avec IDS NXT, IDS Imaging Development Systems a conçu un écosystème de vision IA constitué de composants matériels et logiciels qui, outre l'apprentissage automatique, reproduit de manière intuitive le flux de travail complet de l'application. Les solutions deviennent ainsi réalisables en économisant du temps et de l'argent.
Utilisation facile pour les caméras intelligentes
Le studio de vision IA IDS NXT lighthouse permet de faire ses premiers pas avec la vision IA, de tester la pertinence des méthodes IA pour ses propres applications, mais aussi de créer des applications de vision avec lesquelles les caméras IDS NXT résolvent des tâches complexes. Pour cela, il n'est pas nécessaire de suivre une formation ou de mettre en place un environnement de développement. Cela permet de commencer facilement, y compris l'exécution et la mise en service d'un système individuel de vision IA. Pour cela, toute la programmation est cachée derrière des interfaces et des outils faciles à comprendre, qui couvrent toutes les phases du développement d'une vision IA. Avec Amazon (AWS) et Microsoft (Azure), des services professionnels de cloud computing sont disponibles et peuvent être adaptés aux exigences des clients. Il est ainsi possible, si nécessaire, d'augmenter les performances de l'apprentissage ou de soutenir de nouveaux modèles d'apprentissage.
Moins de données, plus de confiance
La mise à disposition de données suffisantes et en nombre équilibré pour toutes les classes à former est souvent laborieuse. Comme les cas d'erreur peuvent justement se présenter sous toutes les formes possibles, il existe souvent un déséquilibre entre les BONNES et les MAUVAISES pièces. Il est donc important de proposer des solutions qui se contentent de moins de données d'apprentissage lors de la préparation. Ainsi, en plus de la classification et de la reconnaissance d'objets, les utilisateurs profiteront à l'avenir de la détection d'anomalies, qui identifiera tous les cas d'erreurs connus et inconnus qui se situent en dehors des écarts normaux d'une BONNE pièce. Pour cela, relativement peu de données d'apprentissage sont nécessaires par rapport aux autres méthodes IA. En résumé, tout ce qu'un être humain remarquerait s'il passait un certain temps à étudier l'aspect « typique » des objets peut également être identifié par un système d'IA avec détection d'anomalies.
La détection d'anomalies est donc un autre outil utile pour soutenir les contrôles qualité, en réduisant les contrôles visuels tout en détectant et en évitant les erreurs à un stade précoce du processus de production.
Comment IDS contribue à rendre l'IA plus facile à comprendre
Pour une meilleure traçabilité, il existe notamment une visualisation par carte de chaleur de l'attention de l'IA directement dans le studio de vision IA. Pour ce faire, l'apprentissage utilise des modèles de réseau spéciaux qui génèrent une sorte d'image thermique lors de l'évaluation des ensembles de données de test. Elle met en évidence les zones de l'image qui reçoivent le plus d'attention de la part du réseau neuronal, ce qui influence les conclusions et les performances. Des images d'apprentissage incorrectes ou trop peu représentatives peuvent également sensibiliser l'IA à des caractéristiques non souhaitées. Même une étiquette de produit apprise par inadvertance peut fausser les résultats. La cause d'un apprentissage « erroné » de ce type s'appelle le biais de données. Cela contribue à réduire les réticences à l'égard des décisions basées sur l'IA et à augmenter l'acceptation dans l'environnement industriel. IDS développe en permanence son système d'IA en mettant particulièrement l'accent sur le confort d'utilisation et le gain de temps. L'IA pourra ainsi être utilisée plus rapidement à grande échelle, y compris dans les PME.
