L’IA prend vie dans l’automatisation industrielle

L’intelligence artificielle (IA) commence à avoir un impact sur la fabrication. Les données de la maintenance prédictive évoluent vers des analyses utiles. La chaîne d’approvisionnement de fabrication est optimisée. L’IA aide les fabricants à améliorer la disponibilité, à augmenter le rendement et à réduire les temps d’arrêt. Récemment, nous avons vu l’apprentissage automatique apporter des avantages significatifs à la fabrication. Cela peut prendre la forme d’une robotique plus intelligente ainsi que d’une optimisation des usines et des entrepôts.

Nous avons rendu visite à Chris Nicholson, PDG de Pathmind, une entreprise qui applique l’IA aux opérations industrielles. Nicholson a expliqué certains des nouveaux domaines de l’IA, y compris l’apprentissage par renforcement.

Apprentissage par renforcement dans les robots

L’apprentissage par renforcement en profondeur (RL) consiste en des algorithmes qui permettent aux fabricants de faire plus facilement le saut de la foi avec des robots, de la simulation au monde réel. Nicholson a répété une déclaration de Google selon laquelle lorsqu’ils cassent l’IA avec un RL profond, ils cassent la noix entière.

RL fait partie du monde plus vaste de l’IA et de l’apprentissage automatique (ML). « L’apprentissage par renforcement est une branche de l’IA. L’IA est le grand terme générique. L’apprentissage automatique fait partie de l’IA. Avec RL, vous disposez d’un apprentissage en profondeur et au sein du réseau de neurones profonds d’un réseau d’apprentissage ML », a déclaré Nicholson. « Vous pouvez appliquer les algorithmes aux robots. Au fur et à mesure que les robots apprennent leurs tâches, ils reçoivent une récompense numérique. Quand ils échouent, ils reçoivent une pénalité RL. Ces processus les aident à apprendre.

Le RL pour le robot est une combinaison d’apprentissage des capacités du robot et de détermination de la façon dont ils peuvent fonctionner dans l’environnement du robot. « Ce que cela signifie d’enseigner à un robot ce qu’il doit faire, c’est qu’il y a beaucoup d’intelligence dans le logiciel », a déclaré Nicholson. « Que peut faire le bras ? Où peut-il se déplacer ? Où peut-il aller et à quelle vitesse ? Le logiciel apprend ces capacités et laisse ensuite l’algorithme faire les choix.

Le début de l’IA incarnée

Les systèmes incarnés perçoivent, agissent et apprennent (par des moyens artificiels) à interagir avec leur environnement. « Il existe des indicateurs positifs qui montrent que nous sommes sur la bonne voie pour faire fonctionner l’IA incarnée », a déclaré Nicholson. « Les progrès en matière de RL profond peuvent être calculés à la périphérie, de sorte que la formation d’IA pour les robots est basée sur des simulations et des données historiques. »

Les décisions prises par le robot seront plus efficaces s’il n’a pas à envoyer de signaux au cloud. L’edge computing est donc souvent la meilleure solution. « Vous pouvez déterminer dans quels corps de machines l’IA peut habiter. La plupart du temps, l’IA vit dans le cloud, pas dans le monde à quatre faces. Avec les robots, il peut être incarné par l’IA à la périphérie », a déclaré Nicholson. « Quels que soient les processus dont le robot est capable, ils peuvent être ajoutés au robot pour l’enhardir. L’IA peut devenir comme un enfant dans un bac à sable apprenant ce qu’elle peut faire.

Le rôle croissant des jumeaux numériques

L’IA/ML à elle seule ne peut pas résoudre le problème d’un bateau bloquant le canal de Suez, mais ML et la simulation peuvent le faire ensemble en introduisant un jumeau numérique. Les jumeaux numériques étendent la capacité de répondre à des événements non contenus dans les données historiques. Ils peuvent fournir des exemples de questions « et si » auxquelles ils peuvent répondre.

Le jumeau numérique permet à l’IA de travailler dans un environnement complexe avec plusieurs systèmes fonctionnant simultanément. Le jumeau numérique peut simuler des changements et voir les résultats avant de passer à l’opération réelle. « Des personnes différentes ont des significations différentes avec les jumeaux numériques. Cela commence comme un outil de réflexion, un modèle numérique. Ce modèle du monde est un système complexe », a déclaré Nicholson. « La simulation dans le jumeau numérique montre que si vous modifiez cette seule chose, vous voyez ce qu’elle fait. Il permet à l’IA d’explorer un espace complexe. Les jumeaux numériques sont des machines à simulation. Ils offrent l’exploration des possibilités.

Le jumeau numérique est un moyen sûr et peu coûteux d’expérimenter diverses solutions à un problème complexe. « Beaucoup de simulations sont trop coûteuses à recréer dans le monde physique. Vous ne pouvez pas simplement créer un centre de distribution. Il est utile d’avoir un modèle numérique basé sur le trafic et de placer l’IA à différents points pour tester son fonctionnement », a déclaré Nicholson. « Amazon est très impliqué dans la simulation avec ses robots. Les grands fournisseurs de MES comme Siemens ont différentes formes d’IA qui entrent dans leurs entrepôts et exposent leurs robots à des hypothèses via des jumeaux numériques. »

L’IA peut compenser le changement climatique

Les outils d’IA et de ML sont de plus en plus utilisés pour prédire les futurs modèles de consommation d’énergie dans le secteur manufacturier. Cela atténue la flambée des coûts énergétiques et contribue également à compenser le changement climatique. L’IA aide également à démêler les systèmes chaotiques tels que les énergies renouvelables. « L’entraînement de ces modèles d’IA consomme des tonnes d’énergie. Ce n’est pas faux. Cela prend de l’énergie », a déclaré Nicholson. « Mais ce qui manque aux gens, c’est que les modèles d’IA sont conçus pour aider les entreprises dotées d’énormes systèmes physiques à fonctionner plus efficacement. »

Bien que l’IA consomme beaucoup d’énergie de traitement, les résultats en termes d’économies d’efficacité peuvent largement dépasser les dépenses en consommation d’énergie. « L’IA peut nous aider à faire plus avec moins. Nous pouvons réduire les déchets grâce à l’optimisation. Nous pouvons obtenir de la croissance sans consommer plus », a déclaré Nicholson. « Nous pouvons former un modèle d’optimisation en 20 minutes pour économiser à une entreprise des dizaines de millions de dollars de consommation d’énergie par an. Les avantages peuvent être énormes. C’est déjà en train de se produire.

L’IA peut aider les directeurs d’usine à déterminer quel équipement convient le mieux à quelle tâche et à quel moment. Ce sont des problèmes qui ne sont pas facilement résolus sans analyse informatique. « Dans les usines et les entrepôts, le déplacement des lots d’une station à l’autre peut être optimisé en déterminant quelle machine transporte le lot. Lorsque j’entends parler de l’IA dans les usines, il s’agit souvent d’une seule machine et du contrôle d’un bras robotique », a déclaré Nicholson. « C’est une échelle différente quand vous avez une équipe de machines. Lorsque vous enseignez des objectifs collectifs, une machine sacrifie ses performances pour le bien de l’ensemble.

L’IA permet finalement aux directeurs d’usine de résoudre efficacement des problèmes complexes. « L’IA crée un comportement émergent. Nous examinons la théorie de la complexité alors que nous entrons dans de nouvelles phases », a déclaré Nicholson. « Nous sommes capables d’orienter les comportements émergents. Cela signifie que nous pouvons maîtriser des problèmes plus complexes. La quantité de sophistication signifie que nous pouvons saisir des problèmes plus importants et les plier à notre volonté, comme l’efficacité. »