Comment l’IA peut-elle rendre un processus de production plus efficace, sans compromettre sa fiabilité et sa prévisibilité ? Jonathan Berte apporte des réponses.
En tant que fondateur de Robovision, Jonathan Berte est en première ligne de l’intégration de l’IA. Avec son équipe de 130 collaborateurs, il travaille quotidiennement avec les plus grands pour mettre en œuvre des modèles de données à grande échelle dans l’industrie. Une tâche plus facile à dire qu’à faire, tant les obstacles sont nombreux. Lors de l’événement Advanced Engineering, Jonathan dévoilera un aperçu de son approche ; voici déjà ce que vous pouvez attendre de sa présentation.
Trois conseils pour tout processus de production
1. Comment faire face à un manque de données ?
« Lors du traitement des données, il est essentiel de commencer par équilibrer les données utilisées. Sinon, comment détecter les anomalies ? Dans un processus de production, tout commence par une configuration réfléchie des capteurs et de l’ingénierie de vision associée. Il faut réfléchir au type de capteur à utiliser — par exemple, 3D ou hyperspectral — et à la combinaison de données souhaitée pour cartographier certains aspects. Gardez toujours en tête que si vous alimentez votre modèle avec des données de mauvaise qualité, la sortie sera du même niveau.
« Dans un processus de production, il n’est cependant pas toujours facile de collecter suffisamment de données pour alimenter un modèle. Le producteur a optimisé sa ligne pour qu’elle fonctionne de manière rentable — la modifier serait un cauchemar. Don’t shoot the winning horse. Il est donc difficile de générer des données vraiment utiles — alors que les modèles de deep learning sont justement très gourmands.
« Heureusement, cela ne veut pas dire qu’il est impossible, même pour les petits acteurs, de générer suffisamment de données. La plupart des problèmes peuvent être résolus avec une détection d’anomalies générique. Il suffit de conserver les données des cas défectueux dans un dossier et de les faire vérifier par un humain. »
2. Quelle est la pertinence des LLM dans un contexte industriel ?
« Un Large Language Model (LLM) est aujourd’hui, pour beaucoup, la personnification de l’IA. Les ChatGPT de ce monde veulent nous faire croire que seul le dernier gadget technologique peut nous aider à avancer dans notre travail. Cela peut être vrai dans un environnement orienté consommateur, mais dans l’industrie, nous raisonnons à huit ans. Nous misons donc sur des ‘outils intelligents’ que nous pourrons encore réparer et adapter dans huit ans.
« Ce sont deux mondes, deux écosystèmes, que nous tentons de relier chez Robovision. Des outils durables et pertinents, et comment les combiner avec des modèles de deep learning. C’est ainsi que nous intégrons les LLM de manière pragmatique, pour soutenir les opérateurs de façon robuste. »
3. Faut-il absolument des experts pour cela ?
« Car ces opérateurs sont au cœur d’une production flexible. Aujourd’hui, on fait souvent appel à des consultants en IA pour mener un projet. Mais si quelque chose ne va pas ensuite, il faut les recontacter pour résoudre le problème, et vous vous retrouvez en bas de la file d’attente. Cela crée des goulets d’étranglement.
« En utilisant les LLM de manière agentique, on permet à l’opérateur lui-même de résoudre les problèmes. En traitant les données à la périphérie (edge computing), avec une faible latence, et en donnant aux personnes à côté de la ligne de production les connaissances et outils nécessaires, on rend la production beaucoup plus efficace. Donc oui : des experts sont nécessaires, mais ce n’ont pas besoin d’être des consultants externes. »
En savoir plus le mercredi 21 mai à 12h lors de la session de Jonathan Berte :
‘Vision AI: Manufacturing’s Hidden Intelligence’. Inscrivez-vous maintenant!
