Algorithmes d'IA anti-erreur

Les problèmes avec les caméras de vision industrielle, les capteurs non calibrés ou les ombres imprévisibles peuvent entraîner des erreurs potentiellement coûteuses et dangereuses dans les systèmes d'IA industriels. Cependant, les chercheurs développent des algorithmes de protection contre les erreurs ainsi que des mesures simples qui peuvent être prises pour réduire la probabilité d'erreur.

L'intelligence artificielle a évolué bien au-delà du réseau de neurones artificiels perceptron de base, mais l'erreur reste un problème. Image utilisée avec l'aimable autorisation de Pixabay

Applications industrielles pour l'intelligence artificielle

Il existe de nombreuses applications industrielles pour l'IA (intelligence artificielle), telles que les plates-formes robotiques, la manutention, l'emballage, l'entretien des machines, l'assemblage, l'inspection et les BAS (systèmes d'automatisation du bâtiment). Des exemples plus spécifiques incluent la technologie des drones et des essaims pour le tri, le déplacement et le transport d'articles ou la détection d'anomalies dans les processus de production.

L'IA est devenue un aspect critique mais souvent oublié de l'automatisation industrielle dépendant de la vision industrielle, des bras robotiques, de la télédétection et du contrôle des processus.

Cependant, les outils d'IA ne sont pas une simple boîte noire dans laquelle les données sont fournies en entrée et transformées en sortie précise. Parfois, la sortie est erronée, et c'est une source de préoccupation.

Types d'erreurs dans les applications industrielles

Les ordinateurs font ce qu'on leur dit de faire, donc un humain est à l'origine de chaque erreur. Il peut s'agir d'une erreur de conception, d'une erreur d'algorithme, d'une erreur d'ingénierie ou de données erronées, mais il y aura un humain à la racine.

Cela s'applique également à l'IA, y compris l'IA industrielle. Les erreurs au sein de l'IA industrielle peuvent appartenir à l'une des deux catégories suivantes :biais algorithmique et biais machine.

Le biais algorithmique implique des erreurs à la fois répétables et systémiques. De telles erreurs peuvent se manifester de plusieurs manières différentes :erreur inhérente à la logique de l'algorithme, utilisation imprévue de la sortie de l'algorithme ou problèmes avec les données fournies au système d'IA.

Le biais de la machine se produit lorsqu'un ensemble de données limité est utilisé pour entraîner le système, ce qui entraîne une sortie erronée.

L'importance de garder l'erreur d'IA sous contrôle

Comme exemple de biais algorithmique, considérons un système de vision industrielle basé sur l'IA utilisé pour les systèmes de contrôle qualité automatisés. Une telle application dépend fortement de mesures précises fournies sous forme de données à l'IA, déterminant si la pièce se situe dans les tolérances. Si des mesures inexactes sont fournies à l'IA, cela entraînera un étiquetage erroné des pièces.

Les algorithmes derrière l'IA de vision industrielle peuvent être corrects à 100%, mais de mauvaises données signifient une mauvaise sortie. Les pièces acceptables peuvent être éliminées, tandis que les pièces de mauvaise qualité peuvent être envoyées aux clients. Cela entraîne des coûts et des temps d'arrêt inutiles car la source du problème est recherchée.

iRVision 3DL de FANUC utilise des lasers et l'IA pour vérifier les conditions de surface d'une pièce. Image utilisée avec l'aimable autorisation de FANUC

Certains systèmes d'IA qui nécessitent une formation avant utilisation dans un environnement ou une application particulière. Dans de tels cas, les données d'entraînement fournies au système sont extrêmement importantes. Par exemple, si un système reçoit une formation limitée aux conditions dans une zone éclairée, il y aura des problèmes lorsque le système doit fonctionner sans lumière.

IA anti-erreur (IA de formation)

Parce qu'il y a un élément humain derrière l'IA et l'apprentissage automatique, il ne peut pas être protégé contre les erreurs. Il existe cependant des moyens de minimiser les erreurs dans les systèmes d'IA. Un exemple comprend CARRL (Certified Adversarial Robustness for Deep Reinforcement Learning), un algorithme d'apprentissage en profondeur développé au MIT dont le but est d'assister les systèmes autonomes en encourageant un niveau de scepticisme sur les données qui prennent en compte, comme le bruit dans les données et efforts contradictoires pour brouiller le système.

Carnegie Mellon a également travaillé sur un algorithme d'IA pour les modèles d'apprentissage en profondeur. Appelée RATT (Randomly Assign, Train and Track), cette approche utilise des données d'entraînement non étiquetées et bruyantes pour établir une limite supérieure pour le risque d'erreur réel. Cette limite supérieure peut ensuite déterminer dans quelle mesure un modèle d'IA s'adapte aux nouvelles données d'entrée. En outre, les chercheurs de Princeton ont étudié des algorithmes qui permettront à un système d'IA d'apprendre efficacement lorsque des erreurs sont présentes dans les données d'entraînement.

Il existe également des normes en cours de développement qui auront un impact sur les efforts de protection contre les erreurs. Le NIST (National Institute of Standards and Technology) contribue activement aux normes d'IA qui mettent l'accent sur l'évaluation de la fiabilité de la technologie d'IA. Le NIST a également proposé une approche pour réduire le risque de biais dans les systèmes d'IA.

La CISA (Cybersecurity and Infrastructure Security Agency) des États-Unis examine déjà les normes de vérification des algorithmes d'IA et de la collecte de données, comme cela a été révélé lors d'un panel de 2020 intitulé «Genius Machines». Cet effort, ainsi que celui du NIST, met l'accent sur la responsabilité.

Résoudre l'erreur dans les systèmes d'IA

Bien que la protection contre les erreurs des systèmes d'IA dont vous êtes responsable puisse ne pas être possible en raison de l'élément humain impliqué, il existe certainement des moyens de minimiser la possibilité d'erreurs.

Si vous soupçonnez que des erreurs proviennent de votre système d'IA, ne blâmez pas automatiquement l'algorithme ; étudiez plutôt les erreurs pour rechercher un modèle. Par exemple, s'il s'agit d'un robot ramasseur autonome faisant des erreurs, voyez s'il y a quelque chose en commun que les éléments mal triés ont ou s'il y a des changements dans l'environnement du robot (éclairage, ombres, etc.) qui pourraient affecter ses performances . Il pourrait également y avoir un problème avec un objectif de caméra sale dans la partie vision industrielle du système, comme ceux trouvés dans les robots mobiles autonomes.

De nombreuses caméras de vision industrielle ont des systèmes d'IA intégrés, tels que la FLIR Firefly DL, mais ces systèmes peuvent générer des erreurs s'ils ne sont pas nettoyés et configurés correctement. Image utilisée avec l'aimable autorisation de FLIR

Une règle stricte de programmation est qu'une mauvaise entrée entraînera toujours une mauvaise sortie. La première étape pour minimiser l'erreur générée par un système d'IA industriel est de s'assurer que ses données sont aussi précises que possible, à commencer par les capteurs. Les capteurs qui fournissent des données d'entrée aux systèmes d'IA doivent être étalonnés régulièrement.

Les outils du système d'IA qui permettent aux utilisateurs de définir des plages acceptables pour les données doivent être mis en œuvre après un examen attentif d'une plage acceptable :trop stricte, et l'IA n'apportera pas beaucoup de valeur ; trop lâche et génère beaucoup trop d'erreurs. Et rappelez-vous, ces valeurs peuvent être ajustées.

De plus, comme mentionné précédemment, gardez toutes les caméras propres. Bien que les systèmes de vision industrielle soient conçus pour être robustes dans diverses conditions environnementales, cela ne signifie pas qu'ils fonctionneront toujours bien lorsque la vision est compromise par un objectif sale. Il en va de même pour d'autres capteurs industriels dont la précision peut être compromise par une accumulation d'échelle, une exposition à des environnements corrosifs, des problèmes mécaniques ou le vieillissement.

L'IA est largement utilisée dans le secteur industriel pour tout, des contrôles de processus aux inspections de qualité. Et en raison du facteur humain impliqué, ces systèmes d'IA sont également sujets aux erreurs. Des algorithmes de détection d'erreurs sont en cours de développement, mais ces méthodes ne sont pas complètement matures et n'ont pas été testées de manière approfondie sur des applications industrielles. Et tandis que des organisations telles que le NIST et la CISA travaillent à des normes anti-erreurs, elles sont toujours en développement. Cependant, certaines mesures simples peuvent réduire la probabilité d'erreur dans vos systèmes d'IA.