Constructeurs de machines et intégrateurs de systèmes : les spécialistes de l'IA dont les industries ont besoin aujourd'hui

Les constructeurs de machines, les intégrateurs de systèmes et les ingénieurs adoptent de plus en plus les réflexes, les pratiques et le langage des spécialistes de l'IA et des données.

Certains sont plus avancés que d’autres, mais tous recherchent des conseils avisés, des solutions performantes et des partenaires capables de transformer les investissements en IA en valeur réelle. Alors que cette technologie s’implante rapidement dans l’industrie manufacturière, les dirigeants du secteur sont en quête d’expertise pour mieux exploiter les données opérationnelles et répondre à une demande croissante d’efficacité et d’innovation.

Cette tendance se dessinait depuis un certain temps, et le Sommet de l’IA qui s’est tenu à Paris en février a marqué un tournant décisif. Cet événement a contribué à faire évoluer le discours autour de l’IA vers davantage d’investissements, une prise de risque maîtrisée et une volonté affirmée de compétitivité à l’échelle mondiale. Depuis, de nombreuses annonces ont suivi, tant dans le secteur public que privé, notamment des investissements dans des gigafactories et des infrastructures nécessaires au déploiement de l’IA.

En Europe, 54 % des dirigeants industriels voient l’IA comme un levier de croissance d’ici 2029. Pourtant, beaucoup peinent à suivre le rythme technologique : 84 % déclarent être en difficulté, et 67 % ne savent pas par où commencer la transformation numérique de leurs environnements de production. Les principaux freins identifiés sont le manque de clarté sur les priorités, le coût, la disponibilité des ressources, la capacité à faire évoluer les projets, et la gestion des données.

Structurer les données pour l’IA

Pour un fonctionnement efficace des systèmes d’IA, des données de bonne qualité et en grande quantité sont nécessaires. Or, une grande partie des données opérationnelles sont enfermées dans des silos - équipements, base de données, workflows - et donc inexploitables.

Le cloud peut surmonter ces obstacles en offrant une plateforme sécurisée pour centraliser, annoter et partager les données à grande échelle, tout en facilitant la collaboration entre équipes. Cela permet ainsi d’améliorer la qualité des données pour entraîner les modèles d’IA en continu, et rendre ces derniers plus performants, en vue de leur déploiement sur une chaîne de production, un ordinateur ou un appareil.

Pourtant, seuls 15 % des dirigeants industriels déclarent disposer d’une visibilité en temps réel de l’avancement de la production (WIP) sur l’ensemble du processus de fabrication. Un grand nombre de données échappent encore à l’analyse, alors même qu’elles sont précieuses pour le développement de systèmes d’IA capables d’apprendre, de s’adapter et de s’améliorer en continu. C’est ce que l’on appelle d’ailleurs l’automatisation intelligente, portée par l’IA, notamment via le deep learning.

Les enjeux de visibilité en temps réel (28 %), d’intégration des données (26 %) et de traçabilité (23 %) restent au cœur des défis en matière de gestion de la qualité signalés par les industriels. Les résoudre permettrait que les systèmes d’intelligence artificielle puissent atteindre leur plein potentiel.

Des réussites concrètes de l’IA

Un exemple récent illustre parfaitement l’utilisation efficace des données de production dans le cadre d’une solution basée sur l’IA. Un fournisseur de technologies de traitement de surface et un intégrateur de systèmes de vision industrielle ont développé une solution d’IA qui a significativement amélioré la qualité de production de capuchons de batteries électriques pour les constructeurs automobiles.  Ces capuchons assurent notamment la protection des batteries haute tension contre les agressions extérieures.

Basée sur des robots guidés par vision et un logiciel sans code enrichi par le deep learning, la solution inspecte chaque pièce avec une grande précision pour détecter les moindres défauts. Grâce à un entraînement continu sur de vastes jeux de données annotés, le système apprend et s’améliore en permanence, offrant une alternative plus durable et plus adaptée aux conditions de production évolutive, en comparaison aux outils traditionnels.

Dans un autre exemple, des équipementiers automobiles ont réussi à réduire de 10 à 15 % le taux de défauts dans leurs processus de contrôle qualité, même sur des pièces aussi complexes que les portes de voiture qui peuvent comporter jusqu’à 80 composants.

La solution, conçue par l’intégrateur de systèmes de vision industrielle, repose sur un capteur 3D à double caméra et laser unique, associé à un logiciel d’IA. Le capteur 3D scanne des objets et transforme les milliers de points de données capturés en nuages de points et cartes de profondeur, permettant une détection précise des défauts par l’IA. Sa scalabilité et sa flexibilité ont permis de l’adapter à d’autres secteurs, comme la pharmacie ou l’agroalimentaire.

Pour conclure

Les industries - automobile, batteries électriques, électronique et autres - cherchent à intégrer davantage d’IA dans leurs opérations, à mesure que les ambitions mondiales autour d’elle se renforcent et que ses bénéfices deviennent plus évidents. Elles ont également besoin de partenaires capables de les accompagner dans la gestion optimale de leurs données et le choix des solutions d’IA les plus adaptées. C’est dans ce cadre que les constructeurs de machines et les intégrateurs systèmes doivent jouer un rôle stratégique en tant que sources d’expertise incontournables. Le résultat : des usines connectées où l’automatisation intelligente, les opérateurs en première ligne connectés et la visibilité des actifs deviennent une réalité.