Industrie Mag - Le journal de l'industrie.

Dans l’industrie en revanche, les technologies d’IA et de machine learning ont été largement adoptées comme moyen d’optimiser les processus. Nevzat Ertan, responsable en chef international de l’architecture de l’usinage numérique chez Sandvik Coromant examine pour nous le futur de l’IA et de l’IA distribuée dans le secteur du travail du métal.

Qu’est-ce que l’IAD ?

L’intelligence artificielle distribuée (IAD) est une approche selon laquelle l’IA est déployée sur plusieurs nœuds d’une installation, tous indépendants les uns des autres. Un nœud est à l’architecture informatique ce qu’un neurone est au cerveau humain : une petite entité de traitement au sein d’un grand ensemble. Tout comme l’IA traditionnelle, les nœuds distribués et l’IAD utilisent des algorithmes de machine learning et d’autres technologies pour prendre des décisions automatisées.

Cependant, à la différence de l’IA classique (ou IA centralisée), la nature distribuée de l’IAD permet aux nœuds intelligents (aussi appelés agents) de collaborer vers un objectif unique en coordonnant leurs connaissances et compétences. Ils peuvent aussi, au besoin, travailler indépendamment vers des objectifs individuels. Ce modèle repose donc sur une fusion de capacités.

En quoi cette évolution est-elle essentielle ?

L’IA est encore largement considérée comme une nouvelle technologie dans l’industrie alors que les usages actuels que nous en faisons sont déjà en train de devenir obsolètes. L’IA centralisée (qui transfère les données vers une source centrale) est le type d’IA le plus couramment déployé dans les environnements industriels, bien que ses capacités soient très limitées.

Le principal obstacle de l’IA centralisée est la dépendance massive à l’égard des datacenters et des architectures centralisées. Pour traiter efficacement les données, l’IA centralisée doit les collecter au niveau des nœuds et les transmettre vers un autre lieu où elles seront traitées et analysées. Au sein d’installations industrielles comportant des dizaines de machines complexes, le volume des données générées peut être colossal.

Le passage à un modèle distribué permet de relever ce défi en amenant les algorithmes aux données, et non l’inverse. Grâce à cette méthode décentralisée, les algorithmes s’exécutent là où se trouvent les données, qu’elles soient collectées à la périphérie ou sur une plate-forme. Elle présente l’avantage de réduire la consommation de bande passante puisque les données n’ont plus besoin d’être transférées de la machine au datacenter et vice-versa.

L’IAD en pratique

Dans les environnements industriels, l’IAD permet de collecter automatiquement de grands volumes de renseignements sur chaque processus. Mais son avantage premier est sa capacité à prendre des mesures automatisées. Ces actions sont fonction des objectifs individuels du processus du nœud dans lequel se trouve l’IAD, qu’il s’agisse par exemple de réduire les pertes ou la consommation d’énergie, ou encore de contribuer à la mission plus vaste de l’installation.

L’IAD travaille en collaboration avec une technologie très en vogue, le edge computing. Le edge computing ou « informatique en périphérie de réseau » désigne la récupération, le traitement informatique et l’analyse des données en temps réel, directement à l’emplacement physique de l’utilisateur ou de la source des données, soit en périphérie (ou « edge » en anglais) du réseau.

À l’instar de l’IAD, le edge computing fonctionne de manière décentralisée, ce qui permet d’optimiser les données au niveau de la machine, plutôt que de les renvoyer vers un lieu de stockage centralisé. Pendant que le edge computing traite les données, l’IAD prend les mesures à leur sujet.

Agents d’apprentissage

Dans le cadre d’une installation d’IAD, de nombreux nœuds souvent répartis à plusieurs endroits de l’installation, fonctionnent de manière indépendante. Dans le contexte du travail du métal, ces nœuds peuvent se trouver au niveau de l’outil de coupe ou dans une application de tournage, par exemple.

Ces données étant générées et collectées à la périphérie d’un processus, elles peuvent fournir des détails complexes qu’un traitement centralisé serait incapable d’apporter. Si l’on prend l’exemple de notre nœud d’outils de coupe, le edge computing et l’analyse afférente permettraient de collecter des données au niveau du processus lui-même, au moment de la coupe – température de l’équipement, précision de la coupe, déviation de l’outil, etc.

En réalisant ce traitement à la périphérie du processus, les données sont bien plus rapidement utilisables que si elles avaient dû passer par un lieu de stockage centralisé. De plus, cela peut réduire les coûts de bande passante, puisque seules les données les plus importantes sont transférées vers le cloud.

Lorsque vous travaillez avec du métal, les données d’analyse en périphérie pourraient montrer que la prochaine coupe sera imprécise, par exemple, et grâce à l’IA, le système pourrait automatiquement s’arrêter. En langage informatique, ce type de nœud est appelé « agent réactif », c’est-à-dire qu’il réagit aux données qui l’entourent. Du fait que tous les nœuds de l’installation d’IAD sont traitées en parallèle, les informations de l’un des nœuds peuvent être partagées avec tous les autres.

Le fait que ces nœuds soient des agents réactifs, délibératifs ou hybrides déterminera leur capacité à utiliser ces informations. Les agents délibératifs possèdent la capacité de collecter des données du monde extérieur et de produire des actions pour atteindre leurs objectifs, et les agents hybrides possèdent les deux capacités. Dans un monde idéal, la plupart des nœuds seraient hybrides.

Pourquoi la distribution ?

En environnement industriel, l’argument en faveur de l’intelligence artificielle distribuée est évident. Son objectif est de résoudre les problèmes de raisonnement, de planification et de perception de l’IA traditionnelle, en particulier lorsqu’il s’agit de traiter de très grands ensembles de données.

Les environnements industriels comportent souvent un grand nombre de processus, qui ont tous un impact sur la productivité, la qualité et le rendement global de l’installation. L’utilisation du edge computing pour analyser ces processus, et de l’IA pour les optimiser automatiquement, s’impose d’elle-même.

L’IA industrielle est loin des robots malveillants souvent dépeints sur le grand écran. En fait, l’IA est même tout le contraire : elle offre la possibilité de travailler en équipe, de manière harmonieuse, tout en disposant d’une puissance de traitement beaucoup plus rapide que ses prédécesseurs humains.

https://www.sandvik.coromant.com/