Principaux avantages pour le secteur manufacturier :
L’IA a le potentiel de créer de la valeur dans de nombreux secteurs, mais la gestion de la chaîne d’approvisionnement et la fabrication avancée figurent parmi les domaines qui devraient en bénéficier le plus. Un rapport McKinsey [1] estime que l’IA pourrait générer entre 1 200 et 2 000 milliards de dollars de valeur, exploitables par les entreprises et leurs clients. Dans le secteur manufacturier, le plus grand potentiel de l’IA réside dans la maintenance prédictive, grâce à l’utilisation des données de capteurs pour identifier les anomalies et anticiper les besoins d’intervention sur un moteur ou une installation de production, évitant ainsi les pannes.
Les recherches d’autres analystes sont également encourageantes. Un rapport Accenture [2] indique que le secteur manufacturier est bien placé pour être l’un des grands gagnants de la révolution de l’IA. Grâce à l’apprentissage continu des processus dans les systèmes basés sur l’IA, les techniciens de maintenance peuvent se concentrer sur l’essentiel : machines en panne et équipements hors service. Le développement rapide de prototypes et l’allocation optimisée des ressources permettront de réduire les délais de mise sur le marché et les coûts. L’ensemble de ces améliorations devrait accroître la rentabilité de 39 %.
Un autre rapport d'Accenture [3] révèle que 71 % des dirigeants du secteur des équipements industriels estiment que l'IA aura un impact significatif sur leurs entreprises, et 78 % affirment que cet impact sera important pour l'ensemble du secteur. Cependant, ce même rapport souligne le manque de maturité du secteur des équipements industriels en matière de mise en œuvre de l'IA.
L'industrie des semi-conducteurs illustre bien ce phénomène. Grâce à d'importants investissements, les entreprises de semi-conducteurs ont cherché à raccourcir le cycle de vie de leurs produits et à privilégier l'innovation pour rester compétitives. La miniaturisation des puces à chaque nouvelle génération a entraîné une explosion des coûts de développement et de fabrication. Pour ces entreprises, l'IA et l'apprentissage automatique ont le potentiel de transformer la structure des coûts du secteur en augmentant la productivité à chaque étape, de la recherche à la conception et à la fabrication des puces. Les systèmes basés sur l'apprentissage automatique peuvent également être entraînés à détecter et à classifier automatiquement les défauts des plaquettes, améliorant ainsi les rendements.
Faible adoption de l'IA :
les applications industrielles et de l'Internet des objets (IoT) reposent souvent sur des ordinateurs monocartes (SBC) : environ 50 % des ingénieurs interrogés par Farnell [5] utilisent ces cartes de développement dans leurs conceptions. Bien que l'IA haute performance figure parmi les exigences d'amélioration les plus courantes pour les ordinateurs monocartes (SBC), seulement 20 % des ingénieurs dans le monde exploitent l'IA et l'apprentissage automatique (ML) dans leurs applications SBC.
Les raisons de ce faible taux d'adoption restent floues, mais l'étude de Farnell a révélé que l'une des principales préoccupations des ingénieurs est la réduction du délai de mise sur le marché de leurs conceptions. Malgré la facilité d'utilisation associée aux SBC, les développeurs peuvent percevoir l'IA et l'apprentissage automatique comme un obstacle, et la mise en œuvre de techniques permettant d'utiliser ces technologies impacterait excessivement les budgets et les délais des projets.
L'IA en pratique :
lors de la mise en œuvre de l'IA, la maintenance prédictive est l'une des principales applications industrielles. Le distributeur de produits électroniques Avnet aide les fabricants et les développeurs à obtenir des solutions IoT pour divers secteurs. Par exemple, Avnet a collaboré avec un grand constructeur de véhicules électriques pour identifier les anomalies de fonctionnement de ses robots de production. Les techniques d'apprentissage automatique et l'analyse statistique des défaillances ont permis au client de détecter les anomalies en temps réel et de prendre des mesures préventives.
La surveillance des actifs offre également d'importantes opportunités. Un fabricant américain d'engins de terrassement et de construction, qui proposait la location de machines et d'équipements à la journée ou au mois, s'est tourné vers la surveillance intelligente des actifs pour adopter un modèle de produit en tant que service (PaaS). Cela a permis à l'entreprise de louer le matériel en fonction de son utilisation, plutôt que de faire payer les clients pour des journées ou des mois entiers.
Le traitement d'images et la reconnaissance faciale sont des exemples classiques d'applications de l'IA et de l'apprentissage automatique. Dans le secteur manufacturier, ils peuvent être utilisés pour contrôler l'accès des employés, suivre les présences et prévenir la fraude et le vol. Autre exemple : le centre technologique britannique de Sony, qui a intégré le traitement d'images à un projet utilisant l'IA pour surveiller la variation et la qualité des produits en usine. Plus de 150 ordinateurs monocartes Raspberry Pi et des caméras Raspberry Pi haute résolution ont été installés pour examiner des processus tels que l'assemblage des composants sur les cartes et en garantir la cohérence.
Ce n'est pas si compliqué.
Bien que l'IA et l'apprentissage automatique soient des termes qui peuvent paraître intimidants, les principaux fabricants de plateformes les mettent en pratique et facilitent l'accès à cette technologie pour les ingénieurs et les développeurs de systèmes embarqués. Les ordinateurs monocartes (SBC) gagnent en puissance et permettent d'exécuter des algorithmes d'IA, tels que la classification d'images, la détection d'objets et la reconnaissance gestuelle, directement sur l'appareil grâce à des outils comme TensorFlow Lite [6].
Optimisé pour l'apprentissage automatique embarqué, TensorFlow Lite aide les développeurs à exécuter des modèles sur des appareils mobiles, embarqués et IoT. Cet outil pallie certaines des principales limitations des SBC : il élimine la latence en évitant l'envoi de données à un serveur ; il garantit la confidentialité car aucune donnée personnelle ne quitte l'appareil ; il ne nécessite pas de connexion Internet ; il offre des modèles de petite taille ; et il minimise la consommation d'énergie.
TensorFlow Lite propose plusieurs modèles pré-entraînés adaptés aux applications industrielles ou de production. Ces « recettes » simplifient considérablement le déploiement de solutions d'IA pour des fonctions telles que la classification d'images (identification de centaines d'objets, y compris des personnes et des activités), le traitement du langage naturel (réponse aux questions) et la reconnaissance gestuelle. Bien que de nombreuses autres bibliothèques permettent le développement de solutions de traitement d'IA, elles réduisent le niveau d'expertise requis, mais nécessitent néanmoins l'intervention de spécialistes en IA expérimentés.
L'accès aux services cloud via des appareils connectés permet d'analyser des données sans nécessiter une puissance de calcul embarquée importante. Ces services facilitent le déploiement de l'IA et un grand nombre de développeurs maîtrisent ces plateformes.
Microsoft, leader dans ce domaine, a lancé Azure Sphere pour l'IoT, qui fournit également un noyau Linux pour les microcontrôleurs embarqués utilisés dans les terminaux IoT. Parmi les applications concrètes, citons un projet pilote de Starbucks utilisant des microcontrôleurs embarqués avec Azure Sphere pour collecter des données de télémétrie provenant des machines à café installées dans ses établissements. L'entreprise espère ainsi prévenir d'éventuels problèmes avant que les machines et autres équipements ne nécessitent une réparation. Les microcontrôleurs Azure sont économiques et offrent de nombreuses options de connectivité, telles que les réseaux cellulaires et Ethernet. Ils sont compatibles avec une gamme de cartes de développement et de kits de base.
Amazon Web Services (AWS) est une autre plateforme cloud importante. Elle utilise l'informatique de périphérie et des outils d'analyse avancés pour améliorer la productivité des usines intelligentes en collectant et en analysant les données de production. Elle inclut un accès à l'IA et au machine learning dans le cloud pour fournir des analyses prédictives en temps réel.
Une autre option consiste à utiliser des services cloud conjointement avec des environnements open source tels que Caffe et TensorFlow. Caffe est un environnement bien connu, développé par Yangqing Jia, doctorant à Berkeley, tandis que la plateforme TensorFlow, développée par l'équipe Brain de Google, offre un large éventail d'outils, de bibliothèques et de ressources communautaires.
Les solutions cloud constituent également une alternative conviviale. ARM permet l'intégration avec Watson via sa plateforme Mbed pour le développement d'objets connectés [7]. IBM a également développé des interfaces directes avec sa plateforme d'IA Watson pour des cartes de développement comme le Raspberry Pi, facilitant ainsi le développement d'applications d'IA sous forme de prototypes avant de s'engager sur l'architecture finale.
des cartes monocartes (SBC)
pour les applications d'IA embarquées. Parmi celles-ci, la Raspberry Pi 4 est la plus populaire. La version Modèle B dispose de jusqu'à 8 Go de RAM DDR4. L'Arduino Portenta est une carte monocarte très puissante dont les deux cœurs asymétriques peuvent exécuter simultanément du code de haut niveau, comme des piles de protocoles, de l'IA, ou même des langages interprétés tels que MicroPython ou JavaScript. En combinant ces cartes performantes et conviviales avec des plateformes cloud faciles d'utilisation, les développeurs d'objets connectés peuvent pleinement intégrer l'IA et le ML à leurs projets. Pour les industriels, les avantages sont évidents et deviendront indispensables pour améliorer la qualité des produits, la productivité des usines et bien plus encore.
L'avenir de l'IA embarquée : l'amélioration
des performances des systèmes rend inévitable une adoption plus large de l'IA et du ML dans les applications embarquées. Bien que la technologie soit complexe, des solutions existent déjà qui réduisent considérablement les efforts nécessaires à son intégration et à sa mise en œuvre. Compte tenu des justifications limitées pour retarder son adoption et de la probabilité que les produits concurrents offrent les avantages supplémentaires de ces technologies, il est essentiel d'intégrer les technologies d'IA et de ML dans les systèmes embarqués existants.
Cliff Ortmeyer, responsable mondial du marketing technique chez Farnell
Références :
[2] https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf
[3] https://www.accenture.com/_acnmedia/PDF-74/Accenture-Pov-Manufacturing-Digital-Final.pdf
[4] https://www.accenture.com/us-en/insights/artificial-intelligence-summary-index
