Nous recevons deux invités sur notre plateau :
Romain Brault, expert en métrologie numérique au Cetim
Quentin Julien, expert en vision industrielle au Cetim
Quels types d’algorithmes sont utilisés pour la détection et l’inspection ?
Quentin Julien : Alors, depuis de nombreuses années, il y a des algorithmes conventionnels qu’on peut retrouver. Notamment des algorithmes de classification, de foliage, etc. Et récemment est apparue l’intelligence artificielle avec le deep learning et le machine learning qui sont de plus en plus utilisés.
Quelle est la différence entre le deep learning et le machine learning ?
Q. J. : Alors le machine learning, c’est le fait d’apprendre à une machine, quelque chose. Et le deep learning est une sous-catégorie du machine learning dans lequel on utilise un réseau de neurones pour apprendre à la machine à faire une tâche.
Est-ce que l’IA générative peut également être employée ?
Romain Brault : L’IA générative, elle existe plus récemment que les algorithmes par apprentissage. Je pense qu’elle est quand même assez peu utilisée quotidiennement par les industriels dans les activités de production, et notamment de contrôle. Néanmoins, elle existe pour produire des données synthétiques qui ne sont pas forcément existantes dans la partie physique, qu’on n’a pas la possibilité de produire physiquement pour des raisons d’accessibilité, pour des raisons de coût. Et puis, plus classiquement, elle peut aussi servir pour produire des documents, comme on le fait pour d’autres applications que le contrôle, mais en production de documents automatisés à la demande des utilisateurs.
Q. J. : Elle est plutôt utilisée dans les fonctions support, notamment pour faire de l’e-mail, préparer des supports de formation, etc. Pas encore forcément dans l’industrie, même pour faire du contrôle.
Vous ne l’avez pas testée en vision pour voir ce que cela pouvait donner ?
Q. J. : En effet, on l’a testée en vision avec des algorithmes connus comme ChatGPT ou Mistral qui ont donné des résultats. Des résultats encourageants mais pas encore satisfaisants pour être utilisés en production.
Dans quels domaines de production, l’IA apporte-t-elle le plus de valeur ajoutée ?
Q. J. : Dans le contrôle, elle permet de fiabiliser et de gagner du temps. Elle travaille 24 h sur 24 et elle a un regard objectif, donc elle va faire ce qu’on lui a appris sans jamais vraiment dévier. Et ça permet d’assurer une fiabilité tout au long du process, notamment du contrôle.
Et le temps gagné estimé par rapport à l’époque où il n’y avait pas d’IA ?
Q. J. : Avec l’automatisation, on gagne déjà beaucoup de temps. On n’a plus les pauses opérateurs. On peut faire du contrôle en continu sur la production sans jamais avoir besoin d’arrêt. Donc on ne gagne pas forcément du temps de contrôle, mais on gagne en quantité de contrôle effectué.
R. B. : En métrologie, notamment numérique, on exploite beaucoup l’IA pour le même type de valeur ajoutée, pour augmenter la rapidité des contrôles, les fiabiliser d’une certaine manière. Et puis l’avantage, c’est d’avoir accès aux données très rapidement, beaucoup plus rapidement que si on devait conserver l’action humaine pour notamment faire des actions de post-traitement. Je pense notamment à la métrologie numérique en trois dimensions, qui génère des volumes de données assez importants, qui sont assez souvent compliqués à traiter, à post-traiter et à optimiser. Il y a des algorithmes d’IA qui sont de plus en plus performants là-dessus, qui sortent très récemment et qui permettent de faciliter ces opérations drastiquement par rapport à l’action humaine.
Comment mettre en place une IA dans un process de contrôle qualité ?
Q. J. : Il faut des compétences. En premier lieu, on ne peut pas faire d’intelligence artificielle sans avoir une bonne base de données. Donc on va avoir besoin de capter cette donnée. Donc avoir des personnes capables de la capter. Ensuite, elles devront être capables de les comprendre. Les personnes sont expertes métier, ou qui fabriquent les pièces vont savoir nous dire quels sont les types de défauts, etc. Donc c’est très important pour faire le transfert des connaissances de l’humain vers la machine. Et ensuite, on va avoir besoin de compétences en informatique, notamment en data science ou en intelligence artificielle pour pouvoir choisir le bon algorithme, l’entraîner et puis après, éventuellement le déployer.
On doit passer forcément par un logiciel ?
Q. J : On peut avoir des logiciels qui permettent de faire la captation, l’entraînement, etc. Mais on peut aussi avoir besoin simplement de compétences extérieures. Pour du contrôle par vision, on va avoir tout simplement une caméra et puis un logiciel externe. Ou des compétences en programmation, on n’a pas forcément besoin d’un logiciel. Il y a même des capteurs qui intègrent directement des logiciels d’intelligence artificielle.
Au Cetim, vous avez développé des logiciels d’IA ?
Q. J. : On utilise nos logiciels basés sur des programmes Python open source, mais on n’est pas en mesure de les commercialiser. On les utilise pour faire des essais de faisabilité, des preuves de concepts, etc.
R. B. : Notre mission, c’est du transfert de technologie. Donc, on est plutôt amené à benchmarker les différents outils, à les positionner sur les bonnes applications. Eventuellement, après, dans nos activités plutôt orientées recherche, on est amené à participer à des développements qui produisent de nouveaux algorithmes ou pour faire de la détection d’informations, de l’analyse de données ou pour participer à la préparation des bases de données qui amèneront du contenu pour entraîner les algorithmes de détection ou de prédiction.
Q. J. : Il ne faut pas oublier que l’intelligence artificielle reste un outil et nn quelque chose qu’on applique systématiquement, mais ça reste un outil parmi d’autres.
Une fois que l’IA est en place, quelles sont ses limites et ses contraintes ?
R. B. : C’est la qualité et la disponibilité des données. Est-ce qu’on en a en quantité suffisante ? Est-ce qu’elles sont suffisamment robustes par rapport à l’application qu’on vise ? Est-ce qu’elles ont suffisamment de variabilité pour représenter tous les cas qui vont se présenter dans l’application qu’on souhaite analyser ? Donc, la contrainte, ça peut être d’avoir à mettre en place une IA avec une base de données qui soit un peu limitée sur ces aspects-là et du coup de limiter son efficience. La préconisation, c’est de bien qualifier ces données-là et peut-être de mettre en place des déploiements progressifs dans l’utilisation industrielle pour la sécuriser vis-à-vis des objectifs qui sont visés. Après, une autre contrainte est liée à l’informatique. Aujourd’hui, il y a beaucoup de contrôles qui se font encore avec de la restitution papier, mais le numérique prend de plus en plus de place, et l’apport de l’IA ou des technologies numériques au sens large impose aussi une remise en question des infrastructures d’un point de vue informatique réseau, pour être suffisamment dimensionnées par rapport à ces nouvelles méthodologies de travail.
Et dans le domaine de la vision industrielle…
Q. J. : L’IA va être limitée sur les données. Si on est capable de déceler quelque chose à l’œil, par exemple, l’intelligence artificielle va être capable de le déceler aussi. Il faut bien comprendre qu’en fait, elle va copier ou imiter un peu ce que fait l’humain ou l’opérateur lors de son contrôle. C’est-à-dire que si l’opérateur n’est pas capable de prendre une bonne décision ou de bien apprendre à l’algorithme, l’algorithme va se retrouver limité et va faire potentiellement les mêmes erreurs que l’opérateur lors de l’apprentissage. Toutefois, on est quand même avantagé avec l’intelligence artificielle ou des outils numériques parce qu’on est capable d’être plus précis que l’œil humain, notamment avec des caméras, des microscopes ou bien d’autres capteurs parfois plus puissants, qui peuvent permettre de déceler des choses encore plus fines qu’on pourrait le détecter à l’œil.
