Adopter l'IA dans la robotique : booster la productivité et atténuer les craintes sur l'emploi

Le rôle que jouera l'intelligence artificielle dans la robotique sera largement déterminé par les cas d'usage et la résolution des enjeux de confidentialité et de calcul.

IA et robotique : entre promesses et questions

Les robots ont le potentiel de changer la façon dont les entreprises font des affaires en automatisant de nombreuses tâches. Combinés avec la technologie d'intelligence artificielle (IA), les robots peuvent devenir autonomes. Mais cette combinaison soulève de nombreuses questions. Les robots assistés par IA élimineront-ils des emplois ou assisteront-ils les travailleurs, les rendant plus productifs ? Alors que l'IA donne aux robots des capacités comme la vision machine, il y a aussi des enjeux de confidentialité. Et il y a le défi de comment travailler avec les gros volumes de données qui pourraient être utilisés. Où traiter ces données ? Dans le cloud ? À l'edge ?

Pour mieux comprendre ces enjeux, cas d'usage et le rôle de l'edge, nous nous sommes entretenus avec Joe Speed, CTO Solutions IoT et Technologie chez ADLINK, fournisseur de solutions de calcul edge de pointe supportant la transition vers systèmes IoT industriels connectés à travers les industries. Participait aussi Nick Fragale, Fondateur de Rover Robotics, qui développe des robots robustes, de grade industriel, utilisant ROS, le système d'exploitation robotique.

Y a-t-il des inquiétudes sur l'usage de l'IA ?

RTInsights : Il semble que les entreprises soient réticentes à utiliser l'IA pour différentes peurs. Quels types de préoccupations entendez-vous de la part d'utilisateurs potentiels sur leur adoption de l'IA ?

Speed : La plupart des préoccupations que j'entends autour de l'IA concernent les aspects confidentialité. On entend des gens soulever des inquiétudes quand on parle de reconnaissance faciale, et d'autres aspects comme l'IA appliquée à la surveillance de masse. Les gens deviennent nerveux. Je ne vois pas nécessairement autant de peur ou préoccupations sur l'IA dans les espaces où nous nous concentrons. La plupart de notre technologie est habituellement dans, sur, ou près de quelque chose — comme équipement, processus, cellule de travail, installation. C'est généralement là où notre IA est utilisée.

Dans ces cas, l'application de l'IA prend un processus existant et assure qu'il opère de façon fiable. Cela aide avec la santé machine et autres choses. Cela permet aux entreprises de prendre une cellule de travail et la faire fonctionner plus efficacement. Et les entreprises peuvent prendre un système legacy existant, machinerie existante ou processus existant et l'instrumenter pour le rendre plus sûr.

Dans beaucoup de ces applications, nous ne rencontrons pas vraiment les préoccupations de confidentialité liées à la reconnaissance faciale et surveillance de masse. Les systèmes sont utilisés dans votre entreprise versus des systèmes qui surveilleraient des gens dans le public. Dans un cadre d'entreprise, l'usage de l'IA se concentre sur l'amélioration d'un processus ou opération, aidant les travailleurs à mieux faire leur travail. Ce que nous voyons pour certaines de ces choses est que l'IA, spécifiquement l'apprentissage machine appliqué à la vision par ordinateur, est très en vogue. Une autre utilisation très populaire est autour de la fusion de capteurs. Dans de tels cas d'usage, la question est : comment combiner la vision avec d'autres types de données de capteurs ou télémétrie d'équipements legacy existants et les mettre ensemble pour avoir une meilleure compréhension de ce qui se passe.

Fragale : Je dirais de notre perspective, nos clients viennent de l'espace recherche et académique, et sont donc très ouverts à l'usage de l'IA. L'âge moyen de nos clients est probablement autour de 30 ans. Maintenant que nous allons entrer sur le marché de la logistique avec notre nouveau produit, le Rover AMR 100, cela changera. Mais jusqu'ici, nous n'avons vu aucune résistance à l'implémentation de l'IA.

Comment l'IA est-elle utilisée dans la robotique ?

RTInsights : C'est une excellente transition. Évidemment, un domaine d'intérêt avec l'IA est la robotique. Comment l'IA est-elle utilisée dans la robotique ?

Speed : L'un des plus grands domaines est la perception. Pensez caméras, bien que ce soit un peu plus que cela. Vous avez de nombreuses technologies différentes pour donner de la perception au robot. L'évidente est les caméras, mais même dans les caméras, est-ce une caméra unique, stéréo, 3D à détection de profondeur, spectre visible ou infrarouge ? Vous avez aussi d'autres technologies donnant de la perception, qu'on pourrait presque considérer comme visuelles, mais elles sont un peu différentes. Ce sont des choses comme le LIDAR. (Light Detection and Ranging est une méthode de télédétection qui utilise de la lumière laser pulsée pour mesurer les distances.) Avec le LIDAR, pensez basically radar. Comme je l'explique à ma famille : vous savez ce qu'est le radar ? Bien. Même chose mais avec des lasers au lieu d'ondes radio.

Vous avez le laser qui tourne. Il rebondit sur les choses. En l'utilisant pour véhicules autonomes, vous ne voyez pas vraiment une voiture. Mais ce que vous voyez est un nuage de points en forme de voiture, et cela donne aussi d'autres choses grâce à l'effet Doppler. Vous pouvez dire si ce nuage de points est en mouvement. S'il vient vers moi ou s'éloigne, à quel taux ?

Voir aussi : Pourquoi l'edge computing peut aider l'IoT à atteindre son plein potentiel

Vous avez aussi l'ultrasons et le radar et d'autres choses qu'on ne pense pas nécessairement aujourd'hui. Quand vous commencez à avoir des opérations autonomes, ces technologies de télémétrie joueront un rôle. Comme dans le cas de Rover, vous avez un robot de 40 livres, et il opère de façon autonome. Mais si vous passez de 40 livres à 400 livres, 4 000 livres, vous êtes maintenant dans la classe d'[équipement] qui commence à devenir dangereux. Comment faire des choses comme opérer des machines lourdes en sécurité, et comment le faire de façon plus autonome ou automatisée sans blesser des gens ou causer des dommages matériels ? Certaines de ces autres technologies peuvent être utilisées.

Par exemple, vous pourriez utiliser l'ultrasons pour les choses très proches où vous n'avez pas nécessairement de couverture caméra. En robotique, il y a deux endroits où je vois l'IA s'appliquer, et puis elles (IA et robotique) finissent par se mélanger, ce qui est quand vous avez une opération autonome, surtout robots mobiles, et choses qui bougent.

LIDAR, radar et ultrasons peuvent aider la navigation. Ils peuvent répondre à des questions comme : Comment un système robotique ou autonome sait où il est, comment sait-il où il va, comment fait-il cela sans heurter choses ou gens ? Ensuite, vous avez des robots qui interagissent réellement avec leur environnement. L'exemple classique serait quand vous pensez à un robot industriel, comme un bras. Comment le bras perçoit ce qui l'entoure ? Un exemple est le prélèvement de pièces robotiques, où un bras prend des pièces d'un bac et les met dans quelque chose que vous assemblez ou dans un autre bac. C'est une application très populaire. Ensuite, vous pouvez évidemment combiner IA et robotique. Vous pouvez aussi avoir des robots mobiles avec actionneurs et pinces capables d'interagir avec leur environnement.

C'est vraiment tout le champ de l'apprentissage machine IA. C'est là que nous voyons cela être appliqué.

Fragale : Notre perspective chez Rover Robotics est assez similaire à celle de Joe. Mais je dirais, en grande partie, la chose numéro un qu'on voit les gens utiliser l'IA pour est les caméras, analyser les données caméra, et spécifiquement faire des inspections. Toute entreprise voulant continuer à surveiller quelque chose peut utiliser cette technologie. L'application pourrait être une compagnie pétrolière voulant surveiller si leurs tuyaux rouillent. Ils peuvent le faire maintenant 24/7 avec un robot mobile. Ou vous pourriez avoir un entrepôt où vous devez inspecter des étiquettes RFID pour faire l'inventaire. Tout ce que vous voulez inspecter dans votre installation, vous pouvez maintenant le faire avec un robot et une caméra.

Quelles industries utilisent l'IA et la robotique ?

RTInsights : Y a-t-il des industries particulières, comme la fabrication, logistique, soins aux personnes âgées, ou service client, où nous voyons déjà l'IA et la robotique utilisées ?

Fragale : Oui. Je dirais les plus grandes industries sont logistique, fabrication et construction. Ce sont celles où les robots utilisent déjà l'IA pour faire des choses. Dans le cas de la construction, il y a beaucoup d'entreprises essayant de récupérer l'argent perdu chaque année par les inefficacités. Par exemple, s'assurer que vous installez toutes les bonnes canalisations, gicleurs et équipements de sécurité avant de couler le béton est très important pour tout projet de construction. Mais avec beaucoup de sous-traitants impliqués, il y a souvent un problème. Si vous avez un robot qui parcourt votre chantier et cherche des choses comme ça, des choses critiques dans le projet global, vous pouvez récupérer beaucoup de ce coût typiquement perdu.

Speed : Oui, définitivement, l'inspection est un gros domaine. Nous faisons énormément de business autour de l'inspection, spécifiquement l'inspection visuelle. Sur le terrain, il y a 400 000 caméras connectées à nos systèmes de vision faisant cela et d'autres cas d'usage. Là où ça devient vraiment intéressant pour moi, c'est au lieu de caméras fixes sur une ligne d'assemblage, un établi, ou un convoyeur inspectant les choses qui passent, c'est de prendre les deux thèmes de l'inspection visuelle basée IA et la robotique autonome et de les combiner. Pensez au robot. Au lieu que des biens physiques soient amenés à la caméra, la caméra va vers la chose qui a besoin d'inspection. Vous avez l'exemple de la construction avec des robots mobiles effectuant des inspections en arpentant le site. Il doit y avoir un conduit d'air. Est-il en place ? Sommes-nous en avance ou en retard sur le planning ?

Un autre exemple est un détaillant utilisant l'IA et un robot pour regarder ce qui est en stock. Le détaillant pourrait alors comparer ce qu'un robot observe physiquement à ce que la gestion du magasin et les systèmes logistiques d'entrepôt disent être en stock. C'est un domaine dont je suis super excité, et nous sommes all-in avec la robotique ouverte.

De nos jours, la robotique s'épelle pretty much R-O-S, qui est un système d'exploitation robotique. Ce n'est ni un robot ni un système d'exploitation. C'est un framework open-source pour développer de la robotique. Nous travaillons avec et contribuons à cela. Ensuite, vous mettez cela ensemble avec la vision IA, encore un champ avec beaucoup d'accent autour de l'open source. Alors que ces choses se combinent, ce sera un moment vraiment intéressant.

Quelles sont les principales fonctions assistées par robotique ?

RTInsights : Creusons dans les fonctions assistées par robotique effectuées à travers tous les domaines d'application. Que voyez-vous sur le marché ?

Speed : Avec la vision IA et la robotique, beaucoup de gens pensent : est-ce que cela va remplacer un travailleur ? Cependant, il y a de nombreux cas d'usage où la technologie aide les travailleurs, au lieu de les remplacer. Il y a tout un champ de robots collaboratifs, qui sont des robots travaillant avec des gens et des robots travaillant ensemble, collaborant sur une tâche. Par exemple, regardez les choses que fait Rover. Supposons que vous ayez un humain qui fait une fonction et doit se déplacer. Disons qu'il doit se déplacer dans une ferme pour effectuer une tâche.

Et si vous aviez le Rover, pour l'argument, travailler comme une brouette autonome qui suit le travailleur et est toujours exactement où il doit être avec ce dont le travailleur a besoin. Ce genre de cas d'usage, ceux de robots tenant une pièce en place pendant qu'un humain fait une tâche, ceux où les robots assistent le travailleur. J'ai une vraie passion pour et ai fait beaucoup de travail autour de la technologie d'assistance pour aider les personnes âgées et handicapées. Je vois un potentiel incroyable pour ces choses sentant et interagissant avec les gens.

Voir aussi : Pourquoi l'IoT reste en retard dans les applications business pratiques

Fragale : Je dirais pour nous, vous pouvez catégoriser nos clients en deux catégories. Soit ils transportent des choses avec le robot, donc transport de marchandises à travers l'entrepôt ou la ferme, soit ils mettent des capteurs sur le robot et collectent des données. Ce sont de loin les deux plus grandes fonctions que nous voyons nos robots utilisés par les entreprises.

Comment l'edge computing et l'IA s'assemblent-ils ?

RTInsights : C'est une parfaite transition vers ma dernière question. De tels systèmes peuvent collecter de grandes quantités de données de nombreux capteurs et appareils IoT. Avec toutes ces données générées, et le besoin d'analyse rapide, est-ce la tempête parfaite pour utiliser edge computing et IA ensemble ?

Speed : Je pense définitivement oui. Nos amis chez AWS, ils parlent de « pourquoi l'edge » ? Ils parlent de la loi de la physique. Êtes-vous capable d'obtenir les données dans les volumes générés vers le cloud ? Il y a beaucoup de choses selon RF, topologie réseau, autres choses. Il y a la loi de l'économie. Est-ce économiquement faisable ? Probablement pas quand vous avez des opérateurs mobiles qui font des choses comme facturer à l'octet. Même si vous avez l'infrastructure réseau, la bande passante pour obtenir toutes les données au cloud, est-ce économique de travailler avec ces volumes de données ? Il y a une étude universitaire intéressante qui a comparé et contrasté, par exemple, faire des choses comme traitement vidéo et audio en utilisant les technologies AWS, les utilisant dans le cloud et les utilisant avec l'edge.

Ils ont regardé des choses comme AWS IoT Greengrass, qui fait de l'analyse machine learning en utilisant des modèles développés dans le cloud. Ce qu'ils (les chercheurs universitaires) ont trouvé est basically que l'économie est huit fois meilleure en faisant ces charges de travail à l'edge. Mais pour moi, encore plus important que l'économie est la latence. Souvent, vous déplacez ces choses à l'edge parce que vous avez besoin que cela arrive tout de suite, pour être très rapide dans l'instant. Si j'amène la vidéo au cloud et fais de l'analytique et ramène une décision, cela peut être trop tard, trop lent. Une personne a été blessée, un équipement a été cassé, ou le bâtiment a brûlé. C'est un exemple d'utilisation de l'edge.

Ensuite, vous entrez dans ces questions de la loi du pays. Nous croyons au développement des modèles, entraînement des modèles dans le cloud. Développer un modèle est coûteux en calcul et le faire sur un petit équipement à l'edge si, par exemple, cela prend un jour, vous pourriez lancer ce même modèle dans le cloud et l'avoir fait en une heure. Mais quand on analyse les données elles-mêmes, il faut penser à certains des problèmes de confidentialité dont vous parliez avant. Comment gérez-vous sécurisément des données avec informations personnelles identifiables ou faites de la reconnaissance faciale ? Dans l'usine, vous savez qui est le travailleur.

Cependant, avec toutes ces données brutes, il peut y avoir des problèmes de sensibilité. Il peut y avoir des problèmes légaux, sociétaux ou culturels autour de sortir ces données du lieu de travail vers ailleurs. C'est là qu'on entre dans ces questions de la loi du pays. Travailler à l'edge, cela satisfait proprement beaucoup de ces genres de besoins.

Fragale : L'explosion de données qui doivent être analysées rapidement est, en effet, la tempête parfaite pour utiliser l'edge computing. Nous voyons beaucoup de clients excités par le cloud computing, surtout avec la robotique. Ils pensent que, si je peux streamer Netflix en 4K ou streamer toutes ces données vidéo aller-retour, ce sera facile de streamer les données d'image au cloud et faire le traitement là-bas, où vous avez beaucoup plus de ressources. Mais je pense que ce qui est souvent négligé est que si vous êtes un robot et vous vous promenez, vous rebondissez maintenant entre différents points d'accès. Nous voyons beaucoup de clients excités par le cloud computing se heurter à ce blocage, et c'est quelque chose sur quoi ils restent bloqués des mois, puis basculent vers l'edge computing. Même dans un entrepôt, si vous essayez d'intégrer vos robots dans un entrepôt, vous rebondirez d'un point d'accès à un autre, et vous perdrez souvent la connexion.

Voir aussi : Centre pour l'edge computing

Ensuite, vous êtes confronté à dire à votre client : « Hey, vous devez passer à de meilleurs routeurs parce que votre nouveau routeur n'est pas conforme 80211.AC. » Ils demandent : « Qu'est-ce que ces chiffres veulent dire ? » Ensuite vous dites : « Okay, oubliez. On mettra plus de calcul sur le robot pour qu'on puisse faire ces tâches. » Ce problème ne fait qu'empirer quand vous sortez. Avec des robots critiques pour la sécurité se promenant dehors, comme Joe l'a dit, vous ne pouvez pas avoir les images envoyées au cloud et retour au robot pour prendre une décision d'arrêter ou pas avant de traverser la rue. Ça ne marche pas pour les applications critiques de sécurité. La latence est trop grande pour cela.

Speed : Le cloud est très important dans tout cela, mais pas nécessairement de la façon dont beaucoup de gens pensent. Si je peux faire l'analytique et le machine learning à l'edge, je n'ai pas besoin d'envoyer de grandes quantités de données au cloud. Cela élimine les problèmes de latence. Si je suis sur un site de forage pétrolier en Alaska, je vois un ours, au lieu d'envoyer la vidéo de l'ours, ce que vous faites est d'envoyer l'information — Il y a un ours. Quel est l'événement ou l'inférence particulière que vous avez trouvée ? Nous voyons beaucoup de ça. Pensez juste en termes au lieu de streamer des données au cloud, streamez l'information, streamez la sortie de l'analytique.

Vous devez aussi assembler ces systèmes pour qu'ils soient fiables. C'est quelque chose que je traitais quand je travaillais sur une voiture connectée et sujets d'analyse cloud-augmentée et sécurité automobile. Vous devez penser à cela comme quelque chose qui est habituellement connecté, souvent connecté, occasionnellement connecté. Comment assemblez-vous ces systèmes pour travailler avec basically l'assomption que vous allez avoir un réseau peu fiable ? Si vous pouvez le faire marcher correctement dans cet environnement, vous serez basically OK. Mais vous devez avoir une connectivité toujours pristine avec des latences dans un certain SLA, ou vous allez rencontrer des problèmes dans le monde réel.