Renesas pionnier de l'IA temps réel continue pour l'automatisation d'usine

TOKYO — À l'ère de la fabrication intelligente, l'intelligence artificielle n'est plus optionnelle ; c'est une pierre angulaire. Pourtant, beaucoup d'entreprises peinent à traduire la théorie de l'IA en réalité opérationnelle, citant un manque d'expertise interne et un ROI incertain. Renesas Electronics redéfinit la voie à suivre avec sa vision d'« IA continue temps réel » pour la technologie opérationnelle (OT).

Contrairement à l'IA « statistique » pilotée par données, centrée cloud, populaire dans l'IT, l'approche de Renesas intègre l'IA directement aux terminaux d'usine. Cela permet aux machines de détecter des anomalies et prendre des décisions instantanément, sans latence d'aller-retour vers le cloud.

cliquer pour image plus grande

IA statistique pour IT vs IA continue pour OT (Source : Renesas)

Yoshikazu Yokota, vice-président exécutif et directeur général de l'unité solution industrielle de Renesas, a expliqué à EE Times que l'IA embarquée est critique pour la détection de défauts et la maintenance prédictive. « Quand une anomalie survient, l'IA embarquée peut répondre localement et en temps réel », a-t-il dit. Il y a trois ans, Renesas a d'abord proposé « l'IA aux terminaux » et testé le concept dans sa propre fab de semi-conducteurs Naka.

« Notre but est de permettre l'inférence temps réel dans l'OT tout en étendant incrémentalement les capacités IA à la périphérie (edge) », a ajouté Yokota.

Yoshikazu Yokota, vice-président exécutif chez Renesas, planifie de se concentrer sur l'inférence temps réel dans l'OT. (Photo : EE Times)

En introduisant l'IA par étapes incrémentales, Renesas vise à aider les fabricants à compléter les projets de preuve de concept plus vite et comprendre le vrai ROI de leurs investissements IA.

Quand appliquer l'IA à l'OT

Mitsuo Baba, directeur senior stratégie et planification pour l'unité Industrial Solution de Renesas, a souligné que l'IA livre une valeur maximale quand elle cible des problèmes bien définis — comme des anomalies spécifiques de ligne de production. Il a illustré le concept avec un scénario : un manager opérations expérimenté peut utiliser l'IA pour signaler le moment exact où un défaut commence, libérant le manager pour se concentrer sur interventions critiques plutôt qu'inspections routinières.

Dans ce modèle, l'IA est entraînée une fois sur les problèmes identifiés et effectue ensuite l'inférence sur appareils terminaux en temps réel, éliminant le besoin d'envoyer données au cloud. Baba a mis en lumière que seulement 30 Ko de données suffisent pour l'inférence edge, comparé aux 300 Mo typiques de l'IA statistique cloud-based.

Renasas championne donc une approche inférence-seulement qui peut tourner sur unités microcontrôleur (MCU), permettant à l'équipement de production existant d'être rétrofité avec un kit « AI Unit Solution » plutôt que de refaire des lignes entières.

« Nous ne sommes pas en compétition avec les leaders de puces IA comme Nvidia », a clarifié Baba. « Notre mission est de pionnier un nouveau segment d'IA embarquée où l'empreinte données est assez petite pour tourner sur hardware MCU/MPU conventionnel. »