L'essor progressif de l'IA sur le terrain d'usine

Les réseaux de neurones s'invitent dans l'automatisation industrielle

SAN JOSE, Californie — Les réseaux de neurones profonds s'introduisent progressivement dans les environnements industriels, promettant de transformer l'automatisation d'usine.

Les premiers adoptants intègrent déjà des réseaux de neurones comme intelligence derrière des caméras de vision par ordinateur. Avec le temps, ces réseaux infiltreront les bras robotiques, les passerelles de capteurs et les contrôleurs, redéfinissant les processus de fabrication. La transition, cependant, se déroule à un rythme mesuré.

« Nous sommes encore au début de ce qui sera probablement une ère de plusieurs décennies d'avancées et d'algorithmes d'apprentissage automatique de nouvelle génération, mais je pense que nous verrons d'énormes progrès dans les prochaines années », déclare Rob High, directeur technique d'IBM Watson.

Les réseaux de neurones commencent à peupler les passerelles et contrôleurs multicœurs x86 compatibles Linux qui entourent de plus en plus le terrain d'usine. Les réseaux cellulaires 5G émergents offriront éventuellement à ces systèmes un accès transparent aux centres de données distants, ajoute High.

Secteurs précurseurs : automobile, aérospatiale, santé

Ces secteurs font déjà les premiers pas, principalement avec des caméras intelligentes. Canon intègre des cartes Nvidia Jetson dans ses caméras industrielles pour activer l'apprentissage profond. Cognex Corp., fournisseur majeur de caméras industrielles, étend ses propres offres d'apprentissage profond. La startup chinoise Horizon Robotics livre des caméras de surveillance intégrant ses accélérateurs d'inférence d'apprentissage profond.

« Tous les premiers adoptants ont déployé l'apprentissage profond pour la perception visuelle, et d'autres commencent à les remarquer », affirme Deepu Talla, directeur général des machines autonomes chez Nvidia. « La perception est raisonnablement facile à faire, et les chercheurs la considèrent comme un problème résolu. Les gros problèmes sont maintenant l'utilisation de l'IA pour l'interaction avec les humains et l'actionnement plus détaillé — ce sont des problèmes de recherche sur 10 ans. Dans des domaines comme la navigation de drones et de robots, nous en sommes encore au stade des prototypes. »

Talla qualifie la robotique d'« intersection des ordinateurs et de l'IA », mais de nombreux usages industriels de l'apprentissage profond seront moins glamour — et arriveront plus tôt.

Maintenance prédictive : le point d'entrée immédiat

Les robots d'usine n'utilisent pas encore l'IA, selon Doug Olsen, PDG de Harmonic Drive LLC, grand fournisseur de composants robotiques. À court terme, l'accent passera des bras robotiques intelligents aux systèmes embarqués qui prédisent les pannes et collectent des données d'utilisation pour planifier la maintenance préventive. « C'est là que l'IA peut prendre pied en premier », explique Olsen.

Les grands fabricants de puces s'alignent sur cette tendance. Renesas a commencé à expérimenter il y a trois ans, déployant des microcontrôleurs IA aux nœuds finaux pour détecter les défauts et prédire les besoins de maintenance sur les lignes de production d'une de ses usines de semi-conducteurs. En octobre, Renesas a lancé ses premiers MCU dotés de blocs de processeur reconfigurables dynamiquement pour le traitement d'image en temps réel, avec des plans pour des contrôleurs supportant la cognition en temps réel en 2020 et l'apprentissage incrémental en 2022.

STMicroelectronics adopte une approche similaire avec sa gamme STM32. En février, elle a annoncé un système-sur-puce d'apprentissage profond et un accélérateur en développement, visant en partie la détection de défauts sur le terrain d'usine.

Vers des robots intelligents

Les robots intelligents arriveront éventuellement. La startup covariant.ai travaille à les doter d'apprentissage par renforcement. « Équiper les robots pour qu'ils voient et agissent sur ce qu'ils verront sera l'une des plus grandes différences que l'apprentissage profond fera dans les prochaines années », déclare Pieter Abbeel, chercheur en IA, fondateur de Covariant et directeur du laboratoire de robotique à UC Berkeley.

Abbeel présente des simulations impressionnantes de robots apprenant à courir grâce à des techniques de réseaux de neurones, mais il met en garde : le domaine en est encore à ses balbutiements. « En fait, nous avons créé Covariant en partie parce que l'espace de l'IA industrielle n'est pas encore très encombré », dit-il.