Si vous êtes invité à introduire l'intelligence artificielle pour la fabrication et l'industrie, vous penserez très probablement aux robots en premier. De nombreuses entreprises innovantes, telles que
Rethink Robotics , ont développé des robots à l'aspect convivial pour les usines
travaillant côte à côte avec des collègues humains. Historiquement, les robots industriels ont été développés pour effectuer des tâches spécifiques, mais les robots modernes peuvent être formés à de nouvelles astuces et ils sont capables de prendre des décisions en temps réel.
Et bien que les robots aient l'air sexy et brillants - mais pour la plupart, l'IA en production est appréciée pour sa capacité à prendre des données de capteurs et à utiliser des équipements conventionnels pour les transformer en prédictions intelligentes visant à améliorer et à accélérer la prise de décision. Aujourd'hui, environ 15 milliards de voitures sont connectées à Internet. D'ici 2020, Cisco
prévoit une augmentation de ce montant à 50 milliards. L'intégration de ces machines dans des systèmes cloud automatiques intelligents est la prochaine étape importante dans l'évolution de la production et de l'industrie.
En 2015, General Electric a lancé le programme GE Digital pour introduire des innovations logicielles dans toutes les divisions. Harel Kodesh, directeur technique du programme, nous a parlé des difficultés uniques à appliquer l'IA à l'industrie qui distinguent ce domaine du consommateur.
1. Les données industrielles sont souvent inexactes
«Pour que l'apprentissage automatique fonctionne correctement, une énorme quantité de données est nécessaire. Les données des consommateurs sont plus difficiles à mal comprendre - si, par exemple, vous achetez une pizza ou cliquez sur une publicité, explique Kodesh. «Mais sur Internet industriel, 40% des données sont fausses et inutiles.»
Supposons que vous deviez calculer la profondeur de forage et que vous colliez un capteur d'humidité dans le sol pour effectuer des mesures importantes. Ils peuvent être déformés par des températures extrêmes, des actions négligentes des travailleurs, des dysfonctionnements de l'équipement ou même un ver monté accidentellement sur l'appareil. «Nos données ne proviennent pas d'un ordinateur confortable et sécurisé situé dans votre salle de relaxation», explique Kodesh.
2. L'IA ne fonctionne pas dans le cloud, mais à la frontière
Les données des utilisateurs sont traitées dans les nuages sur des clusters informatiques d'une capacité apparemment infinie. Amazon peut réviser calmement votre historique de navigation et de shopping et fournir de nouvelles recommandations. «Dans les prévisions des utilisateurs, le coût des fausses recommandations positives et fausses négatives est faible. Vous oublierez rapidement qu'Amazon vous a recommandé un mauvais livre », note Kodesh.
Et sur une tour de forage en eau profonde, une colonne montante transfère le pétrole des puits du fond marin à la surface. En cas de problème, plusieurs pinces bloquant la valve devraient fonctionner immédiatement. Le logiciel sophistiqué qui entretient les actionneurs de ces pinces assure le suivi des changements minimaux de température et de pression. Toute erreur
peut être un désastre .
Les enjeux et la réactivité du système sont importants dans les applications industrielles, lorsque des millions de dollars et des vies humaines sont en jeu. Dans ces cas, vous ne pouvez pas faire confiance au travail de l'IA dans les nuages, il doit être implémenté localement - parfois il est appelé "à la frontière".
L'IA industrielle est conçue comme un système de bout en bout; Kodesh le décrit comme un «billet aller-retour». Les données apparaissent sur des capteurs situés «à la frontière», les algorithmes les traitent, puis la tâche est modélisée dans le cloud, puis elle est retransférée à la frontière pour mise en œuvre. Entre la frontière et le cloud, il y a des nœuds de contrôle et de nombreux nœuds de stockage, car le système doit pouvoir fonctionner sous la bonne charge aux bons endroits.
Dans une usine qui transforme le minerai en lingots de platine, vous devez surveiller instantanément l'apparition de lingots de mauvaise densité afin d'ajuster la pression au début de la chaîne. Tout retard signifie une perte de matériel. De la même manière, un moulin à vent traite constamment des données pour contrôler le travail. Kodesh donne un exemple de l'un des nombreux problèmes probables: «Un millionième octet peut contenir des informations sur le moment de torsion de la lame, mais s'il est trop grand, la lame se cassera. "Ces informations critiques doivent être traitées en premier, même si elles se trouvent à la millionième place dans la file d'attente."
La livraison de données précises et en temps réel est si complexe que GE doit s'appuyer sur des solutions sur mesure développées en interne. "Spark est rapide", admet Kodesh, "mais lorsque vous devez prendre des décisions en 10 millisecondes, vous avez besoin d'autres systèmes."
3. Une seule prédiction peut vous coûter 1000 $
Malgré la grande part de fausses données et la puissance de calcul limitée à la frontière, l'IA industrielle doit être extrêmement précise. Si le système analytique de l'avion détermine qu'un problème est survenu dans le moteur, il est nécessaire d'appeler des techniciens et des ingénieurs pour retirer et réparer la pièce défectueuse. Les compagnies aériennes doivent fournir un remplaçant temporaire afin de pouvoir continuer à voler. Et toute cette entreprise peut facilement coûter 200 000 $.
«Nous ne vous informerons pas d'un problème s'il n'existe pas, et nous ne vous informerons certainement pas d'un problème s'il y a un problème», explique Kodesh. «Nous voulons nous assurer que le système a une grande précision.»
Selon Kodesh, la seule façon de vérifier la haute précision et la vitesse du système est d'exécuter des milliers d'algorithmes à la fois. Une entreprise de consommation telle qu'Amazon peut gagner entre 1 et 9 $ sur un livre, elle peut donc être disposée à dépenser 0,001 $ pour la prédiction. Et lorsque des milliers de dollars sont en jeu, les géants industriels et industriels dépensent de 40 $ à 1 000 $ en prévisions.
«Pour 1 000 $, je peux exécuter de nombreux algorithmes en parallèle, collecter les résultats et exécuter l'algorithme génétique pour faire des prévisions», explique Kodesh. «Cela créera l'effet de survie des plus aptes lorsque les prévisions les plus adaptées sont utilisées et que les moins adaptées sont rejetées.»
4. Les modèles complexes doivent être interprétables.
Les utilisateurs réfléchissent rarement aux raisons pour lesquelles Amazon fait une recommandation spécifique. Lorsque les enjeux sont élevés, les gens commencent à poser des questions. Les techniciens travaillant dans ce domaine depuis 45 ans ne feront pas confiance aux machines incapables d'expliquer leurs prédictions.
Pour atteindre un haut niveau d'interprétabilité, GE doit inventer des technologies complètement nouvelles. Malheureusement, les talents requis sont extrêmement peu nombreux. "J'admire les établissements d'enseignement qui essaient de répondre aux demandes du marché avec de nouveaux spécialistes du traitement des données, mais leurs calculs ne sont pas assez approfondis", se plaint Kodesh.
«Les vrais professionnels doivent aller plus loin. Ils doivent posséder des compétences analytiques exceptionnelles et savoir filtrer et normaliser des millions de points de mesure en temps réel. »