Les constructeurs et intégrateurs adoptent une posture d’experts en intelligence artificielle

Les capuchons de batterie peuvent être manipulés par un bras robotisé qui les guide à travers différentes étapes d'inspection, à l’aide d’un système de caméras très sophistiqué, afin de détecter les défauts susceptibles d'affecter la qualité. Le système de caméras détecte même les plus petites imperfections de surface qui pourraient nuire aux performances.
La rapidité de développement du logiciel et le temps d'exécution lors de l'analyse simultanée de nombreux fichiers image, parfois volumineux, sont précieux. De plus, la possibilité d'améliorer en permanence le processus de fabrication est rendue possible grâce à une formation approfondie utilisant un vaste ensemble de données pour reconnaître et classer certains types de défauts à partir d'images.
Les ensembles de données d'images peuvent être annotés et transmis à un système, qui est ensuite réentraîné pour reconnaître de nouveaux critères d'inspection sur la base des informations ou affiné pour les défauts déjà connus du système. Ainsi, la solution peut être constamment développée et améliorée grâce au deep learning, ce qui constitue un avantage significatif par rapport aux solutions utilisant des outils traditionnels, qui peuvent ne pas être aussi durables ou s'adapter aussi bien aux conditions de production changeantes.

Les besoins des constructeurs, intégrateurs et utilisateurs

Les constructeurs de machines, les intégrateurs de systèmes et les ingénieurs dédiés aux utilisateurs finaux cherchent avant tout à raccourcir les délais de conception, de déploiement, de prise en main et d’utilisation des solutions. Ils expriment également un besoin croissant de formations adaptées, de certifications et de ressources, à mesure que les nouvelles solutions intègrent de plus en plus une couche d’intelligence artificielle dans le matériel et les logiciels, afin d’automatiser intelligemment les processus et d’exploiter pleinement les données opérationnelles.

Cependant, selon une récente étude, 67% des dirigeants du secteur industriel déclarent ne pas savoir comment initier le processus de transformation numérique des ateliers de production. Parmi les principales problématiques rencontrées en management de la qualité figurent notamment : la visibilité en temps réel (28%), la conformité aux nouvelles normes et réglementations (28%), l’intégration des données (26%) et le maintien de la traçabilité (23%).

De plus, la capacité à suivre les dernières technologies, le manque de ressources disponibles, et la difficulté à faire évoluer les projets du stade pilote à une mise en œuvre à l’échelle de l’entreprise sont les trois freins majeurs à la transformation numérique des entreprises. Ainsi, afin de sécuriser les déploiements et réduire les risques liés aux projets, les responsables des technologies opérationnelles s’appuient sur leurs partenaires – constructeurs de machines et intégrateurs de systèmes – capables de fournir des conseils, preuves de concept, projets pilotes et un accompagnement solide.

L’intégration du Cloud au Deep Learning

La capacité à collecter, interpréter et exploiter les données liées aux défauts et aux anomalies — grâce à des technologies comme la vision industrielle, les capteurs intelligents ou la numérisation 3D — joue un rôle clé dans l’optimisation des processus, à l’image des contrôles visuels dans l’industrie automobile.

À mesure que les constructeurs de machines et intégrateurs adoptent une approche de plus en plus axée sur les données et l’IA, le cloud s’impose comme un levier essentiel pour surmonter les défis liés aux silos de données, au partage d’informations et à l’annotation nécessaire à l’entraînement et aux textes des modèles de deep learning. Grâce au cloud, l’inspection visuelle gagne en précision, et les modèles d’IA peuvent être entraînés plus efficacement, puis déployés à l’échelle de plusieurs sites ou régions.

Une plateforme de vision industrielle basée sur le cloud permet aux utilisateurs de télécharger, d’étiqueter et d’annoter en toute sécurité des données provenant de plusieurs sites de production, qu’il s’agisse d’un autre bâtiment, d’un autre pays ou d’une autre région. Les modèles de deep learning bénéficient ainsi d’un ensemble de données d’entraînement et de test plus vaste, plus cohérent et plus représentatif. L’annotation est uniformisée, la collaboration entre équipes renforcée, et le déploiement des solutions accéléré à grande échelle. Ces plateformes cloud offrent également la possibilité de déployer les modèles en périphérie (edge computing), sur PC ou terminaux, pour alimenter des workflows automatisés intelligents, quel que soit l’emplacement des utilisateurs ou des équipes.