IA : Derrière

L'intelligence artificielle intégrée aux systèmes de vision peut guider les décisions en matière de robotique dans les applications de prélèvement et de placement et de remplissage, tout en effectuant des contrôles de qualité sur les produits.Image reproduite avec l'aimable autorisation de Festo Amérique du Nord

Dans un éditorial publié sur le site Web de l'ARC Advisory Group, la directrice de la recherche Marianne D'Aquila demande : "Pourquoi les implémentations de l'intelligence artificielle échouent-elles ?" Elle répond en disant que "la mise en œuvre de l'IA dans la fabrication peut être difficile, voire intimidante, car elle nécessite une compréhension des objectifs commerciaux et l'intégration de l'IA aux processus et systèmes existants".

D'Aquila poursuit en ajoutant qu'"il est généralement écrasant de déterminer un point de départ efficace pour tout projet de transformation numérique, y compris la mise en œuvre de l'IA". Elle dit que sans idées claires sur la façon de développer de solides compétences numériques analytiques, les entreprises connaissent souvent l'effondrement des pilotes et des projets d'IA, ce qui conduit à la perception interne que ces projets sont un investissement inutile.1

Certains de ces échecs auraient-ils pu résulter de mordre plus que ce qui peut être mâché ? Par exemple, l'IA n'a pas besoin d'être une mise en œuvre complète et vouée à l'échec, couvrant toutes les opérations de l'usine, des ingrédients entrants au traitement, à l'emballage, puis à la sortie, ce qui peut ne pas donner les résultats escomptés. Une alternative intéressante consiste peut-être à rechercher des applications dotées d'une IA intégrée, par exemple, en surveillant la consommation d'énergie, en inspectant visuellement la qualité des produits ou en prédisant les pannes de machines. Les fournisseurs de logiciels et d'automatisation intègrent déjà l'IA dans ces applications, et il a été démontré qu'elles fonctionnent.

Ce concept est similaire à certains des nouveaux logiciels graphiques basés sur l'IA qui fonctionnent comme une application indépendante ou comme un plug-in pour Adobe Photoshop ou Affinity Photo. Les plug-ins basés sur l'IA que j'utilise actuellement me permettent de faire le travail plus rapidement, plus précisément et plus efficacement, et je n'ai pas à me soucier de la programmation de l'IA ni même de la modification de l'application hôte. Le développeur de l'application plug-in a déjà fait le gros du travail. J'ai trouvé que le logiciel basé sur l'IA fonctionne mieux que ses précédents homologues logiciels non basés sur l'IA.

J'ai donc pensé demander au ChatGPT basé sur l'IA : "L'intelligence artificielle fera-t-elle partie des applications logicielles de sorte que les utilisateurs ne sachent pas que l'application utilise l'IA ?" Après tout, il semble naturel de demander à un système d'IA ce qu'il « pense » sur le sujet.

ChatGPT a répondu : "Oui, il est très probable que l'intelligence artificielle deviendra une partie intégrante des applications logicielles de telle sorte que les utilisateurs pourraient ne pas être conscients de son utilisation. En effet, l'IA a le potentiel d'améliorer et d'automatiser diverses tâches dans les applications logicielles, les rendant plus efficaces et efficientes.

"Par exemple, l'IA peut être utilisée dans des applications pour améliorer les interfaces et les expériences utilisateur, fournir des recommandations personnalisées et automatiser les tâches de routine. À mesure que ces capacités s'intègrent de plus en plus dans les applications logicielles, les utilisateurs peuvent même ne pas savoir que l'IA est utilisée.

"En fait, cela se produit déjà dans de nombreuses applications qui utilisent l'IA dans les coulisses, telles que les assistants virtuels, les chatbots et les moteurs de recommandation. Ces applications utilisent l'IA pour améliorer leurs fonctionnalités sans qu'il soit évident pour l'utilisateur qu'elles interagissent avec un système d'IA."

Alors, pourquoi ne pas profiter d'applications dont les développeurs ont intégré l'IA pour rendre certaines parties de votre usine plus efficaces et plus fluides ?

Lorsqu'on lui a demandé, D'Aquila de l'ARC Advisory Group a nommé quatre catégories générales pour les applications d'IA, la quatrième étant celle que vous n'avez peut-être pas envisagée, mais qui est tout aussi importante.

« Les transformateurs d'aliments et de boissons recherchent de plus en plus des solutions basées sur l'IA pour améliorer la planification de leurs ventes et de leurs opérations », déclare John Dwinell, président de Peak Technologies/Peak Analytics. Il y a une prise de conscience croissante des avantages potentiels de l'IA dans l'industrie agroalimentaire, et de nombreux transformateurs recherchent activement des solutions basées sur l'IA pour optimiser leurs opérations. Cependant, il peut encore y avoir un certain scepticisme ou une incertitude quant à l'efficacité et à l'applicabilité de l'IA dans certains domaines.

L'intelligence artificielle peut parfois être intimidante, et c'est pourquoi il est important de s'associer à quelqu'un qui comprend votre entreprise et a la capacité de démocratiser l'adoption de nouvelles technologies et de l'intégrer aux processus métier et aux KPI critiques, ajoute Dwinell.

Festo North America fabrique des appareils intelligents pour l'automatisation pneumatique et électrique qui sont utilisés pour contrôler toutes sortes d'équipements de processus, qui sont riches en données et peuvent être utilisés pour l'analyse de données. "Nous avons des passerelles (matérielles et logicielles) qui extraient des modèles de données à partir de matériels/sources tiers et de nos appareils intelligents et utilisent MQTT et Node-RED pour contextualiser les données et les rendre disponibles sur un courtier MQTT pour la consommation", explique Frank Latino, gestion des produits automatisation électrique. "Nous avons un outil logiciel AI/ML pour analyser les données pour les applications de maintenance prédictive, de qualité et de durabilité."

"Notre solution logicielle, Festo AX, est indépendante de tout fabricant de matériel, même des composants Festo", déclare Lea Bayer, experte en vente numérique. "Il peut analyser les données hors ligne ainsi qu'en temps réel et contribue à améliorer l'OEE de la production."

"En général, nous appliquerions l'IA/ML aux applications alimentaires ou de boissons pour prédire les défaillances mécaniques de l'équipement, les pertes de qualité et la consommation d'énergie inhabituelle", explique Latino. « Par exemple, le traitement de la volaille a des mécanismes à chaque étape du processus. L'IA est utilisée pour détecter les perturbations du processus dans les cylindres pneumatiques. Pour les applications de remplissage, l'IA est utilisée pour détecter les changements dans les buses et les vannes pour contrôler les liquides, les glaces, etc.

"Les données de processus collectées via l'IIoT peuvent être agrégées afin de créer des indicateurs de performance clés (KPI)", déclare Gian Paolo De Salvo, responsable de l'industrie pour la gestion des opérations de fabrication dans l'industrie des processus, Siemens Digital Industries Software. Les KPI OEE indiqueront les temps d'arrêt des machines et la raison de chaque défaillance, les périodes pendant lesquelles les machines fonctionnaient à basse vitesse et le pourcentage de rebut. De plus, il est crucial de fournir le contexte de production de ces problèmes de processus, c'est-à-dire quel type d'emballage une machine d'emballage manipulait à un moment donné ou quel produit le remplisseur remplissait en unités de consommation. "Notre solution de gestion des opérations de fabrication (MOM) peut fournir toute cette visibilité et ces supports pour approfondir l'analyse des causes profondes des problèmes de processus et de production", ajoute Di Salvo.

L'IA peut jouer un rôle clé dans l'analyse des KPI OEE pour soutenir l'amélioration continue, par exemple, en configurant des alertes automatisées pour informer les opérateurs des écarts de comportement des équipements ou du pourcentage de rebut des produits et en identifiant les comportements et les corrélations entre différents domaines, tels que les processus, la production et la qualité.

Gray Solutions s'est concentré sur les systèmes de vision avancés, principalement dans le domaine des inspections de qualité, selon Greg Powers, vice-président de Cool Stuff, Gray Solutions, membre de la Control System Integrators Association. "Le logiciel d'automatisation de l'inspection visuelle (VIA) va au-delà des capacités de la vision industrielle traditionnelle pour détecter les anomalies et les défauts, même lorsque les produits présentent des variations naturelles. Grâce à la technologie éprouvée de l'IA de vision, les fabricants peuvent faire évoluer la production, réduire les déchets et s'adapter aux changements de main-d'œuvre tout en atteignant des niveaux de contrôle qualité encore plus élevés. Pour ajouter à cela, nous utilisons également des systèmes de vision pour identifier les opportunités de modifier les paramètres de contrôle, comme la vitesse de la bande ou la température du four en fonction des aliments trop ou pas assez cuits.

"La plupart des domaines sur lesquels nous nous sommes concentrés sont dans la transformation", ajoute Powers. "Des systèmes de vision avec IA/ML ont déjà été mis en place dans les zones d'emballage. L'utilisation de cette même technologie dans le traitement devient de plus en plus populaire en éliminant beaucoup plus de déchets et de rebuts. La plupart des applications sur lesquelles nous nous sommes concentrés sont axées sur la qualité, ce qui comprendrait le tri, le classement et les inspections. Ces mêmes solutions sont utilisées pour prédire quand les temps d'arrêt pourraient se produire en fonction des tendances passées à l'aide d'algorithmes de données avancés."

"L'IA peut aider à suggérer des actions correctives à prendre afin d'éviter la mise au rebut d'un lot de production entier", déclare Kevin Hoorne, responsable industriel CP&R pour la fabrication numérique, Siemens Digital Industries Software. Sur la base des résultats des paramètres de qualité pour un lot provenant du laboratoire, l'IA peut apporter de l'efficacité et éviter les lots perdus en suggérant l'action corrective à prendre pour ramener les résultats des paramètres de qualité de ce lot dans les spécifications. De la même manière, même pour des lots de bonne qualité avec tous les paramètres de qualité dans les spécifications, l'IA peut analyser les données contextualisées provenant de l'atelier et les lier aux paramètres de qualité afin d'optimiser les paramètres de la machine pour la production future. De cette façon, chaque lot produit peut se rapprocher du golden batch jusqu'à ce que celui-ci devienne enfin la norme.

"De même, chez Siemens, nous pensons que la véritable qualité ne peut être obtenue qu'en reliant la génération précoce d'idées à la réalisation finale dans la fabrication", ajoute Hoorne. « C'est là que nous avons également travaillé sur l'utilisation de l'IA lors des premiers développements de produits alimentaires et de boissons. Lorsque vous travaillez avec des produits formulés, l'action à entreprendre pour optimiser une formule vers des paramètres moins quantifiables tels que le goût et l'onctuosité n'est pas si simple. C'est là que nous avons mis en place des cas d'utilisation réussis en tirant parti de l'IA pour rendre cela possible de manière efficace, en économisant du temps et de l'argent et en permettant aux entreprises d'être les premières à commercialiser un produit amélioré.

Maintenir la qualité grâce à un débit élevé peut être un défi, déclare Alexander Epple, responsable des solutions industrielles IIoT, Siemens Digital Industries Software. "Nous soutenons cela avec notre solution Quality Prediction Hub qui utilise l'apprentissage automatique sur les données des machines et des processus pour prévoir les problèmes de qualité tout au long du processus d'emballage afin d'automatiser les processus d'inspection de la qualité, de détecter les problèmes le plus tôt possible et de fournir des informations indiquant les facteurs de problèmes de qualité, qui peuvent être utilisées par les opérateurs pour optimiser les paramètres de la ligne."

Les transformateurs alimentaires s'attendent à améliorer l'OEE, et l'IA/ML peut aider dans ces applications. "La principale motivation de l'utilisation d'un logiciel d'apprentissage automatique/IA est d'améliorer les processus de production et l'OEE", déclare Bayer de Festo. "Nos clients ont souvent un problème dans leur production, et aucune solution conventionnelle telle que la surveillance des conditions ne peut les aider. Outre la détection des pannes, ils attendent une solution qui peut s'intégrer facilement et de manière transparente dans leur architecture et leurs processus existants. Festo AX doit être considéré comme faisant partie de leur travail quotidien."

"Nous attendons davantage de fonctionnalités intégrées de la part des fournisseurs d'équipements", déclare Gray's Powers. "Des machines intelligentes qui peuvent effectuer des ajustements en fonction des données capturées en aval, en utilisant des algorithmes plus avancés pour effectuer ces ajustements. Nous le faisons maintenant, mais obtenir les données correctes des fournisseurs d'équipement et les paramètres que nous pouvons ajuster est toujours un défi."

Pourquoi un défi ? "Ils (fournisseurs d'équipements) hésitent à fournir ces [données] aux entreprises manufacturières avec le risque de perdre un certain contrôle sur leurs solutions et leur avantage concurrentiel (IP)", déclare Powers. "Les entreprises de transformation alimentaire qui ont réussi à surmonter ces obstacles ont constaté une réduction des déchets, une amélioration de la qualité et moins de temps d'arrêt des équipements."

Là où l'IA peut aider un processeur dépend de la définition des priorités. "Les domaines prioritaires dépendront toujours des défis les plus urgents des clients, qui peuvent différer considérablement d'une entreprise à l'autre", déclare M. Epple de Siemens. "Par exemple, la maintenance prédictive peut être plus importante pour les entreprises disposant d'équipements plus anciens que pour celles disposant de machines neuves. De même, l'importance de prévoir et d'éviter les pics de consommation d'électricité variera en fonction de l'intensité énergétique, du coût énergétique local, etc. Par conséquent, nous proposons un portefeuille de solutions prédictives pour les défis les plus courants et des outils faciles à utiliser pour que les clients détectent les anomalies ou fassent des prévisions basées sur leurs données de production."

Combien un processeur devrait-il s'attendre à dépenser pour des outils basés sur l'IA ? "Du point de vue du produit, cela dépend fortement de la marque et du positionnement sur le marché", déclare Hoorne. "C'est comme une citation d'un fournisseur d'IA qui a déclaré:" Nous avons une solution pour les entreprises pour lesquelles cela vaut des millions d'être les premiers à commercialiser au lieu d'être les seconds. Et pour certains fabricants de CPG et les produits innovants qu'ils mettent sur le marché, c'est le cas. Pour d'autres, cependant, être parmi les premiers sur le marché est plus que suffisant. »

Ainsi, il incombe au processeur de déterminer les domaines prioritaires où l'IA pourrait apporter de la valeur, ajoute Hoorne.

Répondre aux attentes demande de la patience, car l'IA doit "apprendre" ce qu'on attend d'elle, pour ainsi dire. Parfois, les fabricants s'attendent à voir des gains et des avantages immédiats sur ces solutions, mais ce n'est pas toujours le cas, dit Gray's Powers.

"L'IA/ML a besoin de grandes quantités de données à analyser. Cela prend du temps pour collecter et identifier ces modèles initiaux afin que les algorithmes puissent être mis à jour. Finalement, le système peut être réglé et les avantages arrivent rapidement et peu ou pas de temps supplémentaire est nécessaire dans les algorithmes. La plupart des gains sont dans la réduction des déchets, moins de temps d'arrêt, mais même dans la main-d'œuvre", explique Powers.

"Une grande partie du travail qui a été effectué dans l'IA/ML consiste à remplacer quelque chose que le travailleur faisait, en particulier dans les inspections de qualité", ajoute Powers. "Plusieurs fois, le système a détecté plus de défauts que prévu, ce qui a permis d'améliorer la qualité globale du produit pendant le processus de fabrication. Il est très important de comprendre les données qui doivent être collectées et de commencer à les collecter. Une fois les données collectées, utilisez-les pour faire un apprentissage initial. Cela vous fera gagner du temps tout au long du projet."

Dans une application OEE gérée par Festo, une amélioration a été constatée. "Notre solution a réduit les temps d'arrêt imprévus, augmenté la disponibilité et réduit les retouches et les déchets, par exemple", déclare Latino. "Cela peut prendre quelques itérations pour améliorer un modèle de données afin de réduire les faux positifs. C'est pourquoi l'utilisation d'une équipe expérimentée ajoute de la valeur. Leur expérience aide à obtenir le bon modèle le plus tôt possible dans la phase de mise en service."

L'IA a-t-elle atteint le stade de tout-petit, ou marche-t-elle ou court-elle ? "Je vois que l'IA devient plus facile à déployer en l'introduisant directement dans les appareils contrôlant les processus", déclare Latino.

« Nous avons prouvé notre logiciel pendant de nombreuses années en aidant nos clients à améliorer les processus de production et l'OEE », déclare Bayer de Festo. "Nous travaillons avec de nombreuses entreprises de l'industrie alimentaire et fournissons des solutions d'IA standardisées, par exemple des palettiseurs ou des remplisseuses. Je peux affirmer avec confiance que nous avons dépassé le stade des tout-petits avec notre solution logicielle depuis longtemps."

"Les tâches de vision industrielle nécessitent désormais une analyse très complexe qui dépasse la portée des systèmes de vision traditionnels", déclare Gray's Powers. « En conséquence, la demande de tâches d'inspection de haute qualité dans l'espace de fabrication alimentaire a augmenté de façon exponentielle. Le besoin croissant d'assurer la qualité des produits alimentaires manufacturés a dépassé la portée des techniques de systèmes de vision traditionnels, qui étaient largement incapables d'effectuer des tâches d'inspection de type humain. ."

D'Aquila de l'ARC Advisory Group énumère trois domaines de croissance pour l'IA :

"Les modèles et les algorithmes peuvent résider dans le cloud, puis être poussés vers un système de réception sur site qui exécute les actions ou fournit des algorithmes plus opérationnels", explique Powers. "De réels défis d'infrastructure peuvent exister pour acheminer les données vers le cloud. Comme la cybersécurité est une préoccupation majeure pour de nombreuses entreprises, il devient encore plus difficile de transférer les données des usines vers le cloud. Les groupes informatiques hésitent à ouvrir des canaux de port pour que les données soient collectées à partir des équipements."

"Beaucoup dans l'espace de traitement se débattent avec les problèmes de sécurité du cloud", ajoute D'Aquila. « Ironiquement, la sécurisation du cloud est le défi le plus important lorsque l'on pense à la transformation numérique dans l'usine. Les principales conversations de recherche d'ARC ont révélé que ceux qui sont passés au cloud se sentent en fait plus en sécurité.

"Ils ont également cité l'évolutivité comme un avantage du passage au cloud, leur permettant d'augmenter ou de réduire la puissance de traitement et le stockage selon les besoins sans avoir à investir dans du matériel coûteux sur site", déclare D'Aquila. "Le cloud peut être beaucoup plus rentable au fil du temps et ne nécessite pas de maintenance constante sur site."

"En général, les solutions cloud peuvent être mises à jour plus facilement à partir d'un fournisseur, de sorte que les dernières versions sont toujours disponibles pour l'utilisateur", explique Latino. "Les services d'hébergement fournissent généralement la dernière protection en matière de sécurité. L'exécution en temps réel dépend de l'application. Si nécessaire, l'exécution sur un contrôleur de périphérie est possible. Mais le logiciel peut être suffisamment flexible pour détecter les anomalies à la périphérie, et la définition du modèle, la base de données, etc. peuvent être dans le cloud où davantage de ressources (c'est-à-dire de mémoire) sont disponibles."

[1] "Pourquoi les implémentations d'intelligence artificielle échouent ?" Marianne D'Aquila, ARC Advisory Group, www.arcweb.com, consulté le 1er mai 2023

"L'intelligence artificielle/apprentissage automatique réduit les erreurs et le gaspillage, FE, 9 mai 2022

"L'IA aide à contrôler les systèmes d'automatisation des serres", R&D en ingénierie, FE, 3 juin 2022

"Les techniques de détection en temps réel basées sur l'IA/ML transforment l'art de la vinification en science exacte", R&D en ingénierie, FE, 12 juillet 2022

"Obtenir des résultats cohérents de la fermentation", FE, 10 septembre 2021

"Trouver de nouvelles méthodes basées sur l'IA pour augmenter la productivité nécessite des données numériques", FE, 13 février 2020