L'utilisation avancée du Cloud est nécessaire pour atteindre les objectifs des fabricants en matière d'IA et de données

Les équipes de vision industrielle dans les secteurs manufacturiers ont besoin de nouveaux moyens pour tirer parti du Deep Learning, ce qui devrait inclure l'utilisation du Cloud.

En Europe, le nombre d'usines de fabrication automobile augmente, avec environ 322 sites (31 en France) en 2022 (dont 38 usines de batteries électriques), contre 301 l'année précédente, selon une étude de l'Association des constructeurs européens d'automobiles.

Par ailleurs, en mai 2023 les principaux fabricants de batteries électriques de Scandinavie et d'Asie prévoyaient d'investir environ 10 milliards d'euros dans de nouvelles « gigafactories » européennes. 

La création de nouvelles installations et la modernisation des sites existants dédiés à la production de véhicules électriques sont des opportunités uniques pour repenser l'outillage et les processus afin d’optimiser l'efficacité, la qualité et la main-d'œuvre. En juin dernier, on apprenait qu’un grand fabricant de véhicules électriques avait supprimé plus de 100 étapes de son processus de fabrication de batteries, 52 pièces d'équipement de l'atelier de carrosserie et plus de 500 pièces de la conception de ses véhicules phares. La réorganisation des processus a permis de réduire de 35 % le coût des matériaux pour les camionnettes et de faire des économies similaires pour ses autres véhicules.

Le développement de nouvelles usines, l'amélioration des sites existants et l'acquisition de nouvelles solutions sont souvent gérés au niveau local avec la participation de l’entreprise, l’approbation finale relevant à la fois du site et du siège social. Il est cependant possible que différents sites utilisent des solutions différentes pour des flux de travail similaires, et que l'expertise et les données ne soient pas partagées entre les sites, y compris lors de l'utilisation de solutions récentes basées sur l'intelligence artificielle, où la qualité des données est essentielle. Il en va de même pour les équipes d'inspection visuelle utilisant des systèmes de vision industrielle pour assurer la qualité et la conformité.

Parmi les leaders de la vision industrielle dans l'industrie automobile, près de 20 % en Allemagne et au Royaume-Uni déclarent que leur système de vision industrielle par intelligence artificielle (IA) pourrait fonctionner mieux ou être plus performant.

Défis liés aux données réparties sur différents sites

L'IA, et en particulier le Deep Learning, se nourrit de données. Le volume, la variété et la vitesse des données sont essentiels pour entraîner et tester les modèles de Deep Learning, afin qu'ils produisent les résultats escomptés lorsqu'ils sont déployés dans un environnement de production.

L'expérience et le temps disponible peuvent varier entre les équipes et les sites, au risque de créer des silos et rendre plus difficile l'obtention de données de qualité. Les données doivent être stockées, annotées et utilisées pour la formation des modèles, alors que d'autres ensembles de données sont nécessaires pour tester ces derniers. 

Un réseau neuronal de Deep Learning doit être exposé à autant de variations que possible, y compris à différentes heures et différents jours de production. Un mélange de dates aléatoires dans l'ensemble de données est nécessaire et crucial pour l'entraînement d'un modèle performant, bien que cela nécessite la capture de données sur une période de temps (à moins d'utiliser une plateforme de simulation de données d'entraînement).

Chaque site peut introduire des variations de netteté, de distance de travail, de lumière ambiante et d'autres facteurs que le modèle apprendra à gérer. Les ensembles de données d'entraînement reflètent donc toute la gamme des variations que le modèle peut rencontrer dans les scénarios du monde réel. Si les processus industriels impliquent plusieurs sites de production, c'est une erreur de ne collecter des données que sur l'un d'entre eux ou de collecter des données sur tous les sites, mais de les conserver en silo. Pour remédier à cette situation, il convient de collecter et de partager des données provenant de conditions environnementales et de sites de production différents.

Une approche favorisant les sites en silo présente un autre problème l'annotation des données d'entraînement pour les modèles de Deep Learning. Des annotations incorrectes, peu claires et incohérentes conduisent inévitablement à des modèles peu performants. Il est essentiel de veiller à ce que les annotations soient précises, y compris sur les différents sites de production fabriquant les mêmes articles, mais cela nécessite que les équipes puissent collaborer sur les projets d'annotation.

Une erreur courante consiste à annoter différents types de défauts sur différentes images sans marquer certains défauts. De plus, la définition d’un défaut peut également être subjective, d'où l'importance de la validation croisée. Tous les défauts, quel que soit leur type, doivent être clairement indiqués sur toutes les images pertinentes. Encore une fois, sans une approche unifiée et sans l'utilisation du Cloud, le défi de l'annotation des données d’un site ou d’un pays à l’autre reste entier.

Solutions de plateforme Cloud basées sur le Deep Learning.

Les équipes de vision industrielle dans les secteurs manufacturiers ont besoin de nouveaux moyens pour tirer parti du Deep Learning, ce qui devrait inclure l'utilisation du Cloud. Une plateforme de vision industrielle basée sur le Cloud permettrait aux équipes de travailler ensemble en temps réel, de collaborer, de télécharger, d'étiqueter et d'annoter en toute sécurité des données provenant de plusieurs sites de fabrication, à l'échelle du site, du pays et de la région. Une gamme plus large et plus diversifiée de données mises en commun dans une plateforme basée sur le Cloud, provenant de différents sites et environnements, est plus efficace pour la formation du Deep Learning.

Avec une plateforme basée sur le Cloud, les utilisateurs dotés de rôles, de droits et de responsabilités définis pourraient former et tester ces modèles. Grâce à des données d'entraînement et de test de bien meilleure qualité, ils pourraient fournir des niveaux d'analyse et de précision d'inspection visuelle bien supérieurs à ceux de la vision industrielle classique, basée sur des règles, pour certains cas d'utilisation. Ces résultats sont recherchés par les fabricants des secteurs de l'automobile, des batteries électriques, des semi-conducteurs, de l'électronique et de l'emballage, pour n’en citer que quelques-uns.

Une solution basée sur le Cloud permet également l'évolutivité et l'accessibilité de la puissance de calcul. Avec les systèmes traditionnels, certains employés triés sur le volet disposent de cartes GPU très puissantes dans leurs ordinateurs pour effectuer des formations de grande ampleur. Avec l'informatique dématérialisée, chaque utilisateur peut accéder à la même puissance de calcul à partir de son ordinateur portable. Cette approche a un coût, mais grâce à un modèle d'abonnement payant, il peut s'avérer plus avantageux que d'investir dans les propres serveurs d'une entreprise et dans du personnel informatique supplémentaire, parfois difficile à trouver.

Un modèle SaaS (logiciel en tant que service) donnerait aux équipes de vision industrielle la flexibilité et la facilité d'investir dans une plateforme basée sur le Cloud avec un abonnement, avec à la clé les nouvelles fonctionnalités, les nouveaux modèles et les mises à jour ajoutés de manière transparente par le partenaire technologique. Les plateformes de Deep Learning basées sur le Cloud permettront de déployer des modèles en périphérie sur des PC et des appareils afin de prendre en charge des flux de travail numérisés et flexibles sur la chaîne de production ou autre, quel que soit l'endroit où se trouve l'utilisateur ou l'équipe.

Les leaders industriels européens s'attendent à ce que l'IA stimule la croissance. Cette montée en puissance de l'adoption de l'IA, associée au fait que les dirigeants privilégient la transformation numérique, souligne l'intention des fabricants d'améliorer la gestion des données et de tirer parti des nouvelles technologies qui améliorent la visibilité et la qualité tout au long du processus industriel. L'un des problèmes de gestion de la qualité les plus importants aujourd'hui est l'intégration des données. Avec les objectifs en matière d'IA et de données et les nouvelles usines automobiles prévues, le moment est venu d'examiner le potentiel du Cloud pour exploiter les données et étendre les avantages de la vision industrielle avec Deep Learning.