Vidéo

11 avril 2023

Machine learning : pourquoi et comment implémenter l’apprentissage automatique dans votre système industriel

Le machine learning offre un potentiel considérable d’optimisation et de transformation d'un système industriel. En permettant de réduire les défauts de fabrication, le machine learning permet des gains de productivité, et donc financiers, substantiels ainsi qu’une meilleure cohésion des équipes. Comment implémenter le machine learning dans votre ligne de production ? Quels sont les 4 facteurs clés de succès du machine learning dans le secteur industriel ? Quels sont les écueils à éviter dans son utilisation ? Michaël Valentin, Directeur associé, co-fondateur d'OPEO et co-fondateur d'OSS Ventures, vous propose une vidéo dédiée au sujet, illustrée d'exemples concrets d'industriels qui ont fait du machine learning un vecteur de développement.

Pour tout savoir sur le machine learning appliqué à l’industrie, regardez la vidéo de Michaël Valentin dédiée à ce sujet sur notre chaîne YouTube.

Vous préférez la lecture ? Notre article de fond ci-dessous reprend et complète les propos de Michaël sur le machine learning appliqué à l’industrie. Bonne lecture !

 

Qu’est-ce que le machine learning ?

Le machine learning, ou apprentissage automatique en français, est une branche de l'intelligence artificielle (IA) qui consiste à laisser des algorithmes découvrir des motifs récurrents, appelés « patterns », dans des ensembles de données.

En clair, le machine learning est une technologie qui permet aux machines d’apprendre sans avoir été préalablement programmées spécifiquement à cet effet. Pour cela, les machines ont besoin d’être « nourries » de données pertinentes. Ces données peuvent être de différents types (chiffres, mots, images ou statistiques), pourvu qu'elles puissent être stockées numériquement.

En identifiant ces patterns dans les données, les algorithmes apprennent de manière autonome et améliorent leur performance pour accomplir une tâche spécifique ou faire des prédictions. Une fois entraîné, l'algorithme peut reconnaître les patterns dans de nouvelles données.

Pour comprendre l’importance de la Big Data dans l’industrie, vous pouvez regarder ce webinaire : "La donnée, nouvel or noir de l’industrie du futur ? Les promesses de l’IoT"

 

Pourquoi implémenter le Machine learning dans votre écosystème industriel

L'industrie n'a pas attendu le machine learning pour travailler sur la maîtrise des procédés, sur la qualité et sur la fiabilité de la production : 6 sigma, Quick Response Quality Control (QRQC), Maîtrise Statistique des Procédés (MSP) ou encore Total Productive Maintenance (TPM) sont des protocoles qui existent depuis les années 1980 pour travailler sur ces sujets.

Toutefois, la crise des matières premières et la crise énergétique nécessitent un nouvel ordre de grandeur de gain pour faire face à la compétition mondiale. Adopter le machine learning fait partie de la bascule digitale qu’il est nécessaire d’engager pour relever les défis qui se présentent.

Le machine learning offre trois avantages majeurs pour l’industrie :

  1. Le traitement automatisé des données : le machine learning peut traiter beaucoup plus de données par seconde que l’humain, ce qui permet un gain de temps important dans l’extraction et le formatage des résultats. Ce temps gagné permet aux ingénieurs de se concentrer sur l’innovation et l’amélioration continue des modèles.
  2. La reconnaissance des modèles et des anomalies : les algorithmes d’apprentissage identifient les patterns à partir des données de production, ce qui permet, entre autres, de repérer les goulots d’étranglement, d’identifier les anomalies en vue d’isoler les produits défectueux et d’assurer une maintenance prédictive.
  3. L'amélioration continue : les algorithmes ne font pas que traiter rapidement vos données. Ils peuvent aussi les mettre à jour de manière dynamique, en temps réel, en prenant en compte les données passées et actuelles. Le machine learning constitue une aide majeure dans la prise de décision.

En résumé, le machine learning adapté au secteur industriel permet d’observer plus finement la qualité, la fiabilité et les rendements des machines, et donc de réaliser des économies et des gains substantiels.

Machine Learning : quelles difficultés les industriels rencontrent-ils ?

Pour les industriels qui souhaitent intégrer le machine learning dans leurs processus, la difficulté majeure relève de la méthode. Comment faire ? Avec qui ? De quel type de compétences ai-je besoin dans mon entreprise ?

Plus spécifiquement encore, comment collecter les données nécessaires à l’alimentation de l’algorithme ? Comment aligner la technologie et les hommes ?

Et puis, bien sûr, l’investissement en vaut-il le coup ?

Ainsi, les dirigeants d’entreprises et les organisations qui veulent implémenter le machine learning dans leurs pratiques s'arrêtent parfois en cours de route, faute de savoir comment s’y prendre.

 

Cas d’usage du machine learning dans l’industrie

L’industrie utilise le machine learning pour sa capacité à accélérer l'analyse de données et à la rendre plus précise, notamment en matière de détection d'anomalies.

Prenons l’exemple d’une ligne de fabrication de moteurs électriques qui subit un taux de défaut important, entre 20 et 30% des moteurs étant déclarés mauvais en fin de ligne.

Dans ce cas, nous procédons à un diagnostic qui consiste à analyser les parties les plus génératrices de défauts.

Puis, nous réalisons un sprint de six semaines (le sprint est un processus visant à prototyper et tester de nouvelles solutions), au terme duquel nous diminuons le volume de défaut de 20%, engendrant une économie pour l’entreprise de 5 000 à 10 000 euros par jour, soit un gain évalué entre 500 000 et 1 million d'euros par an.

L’emploi de la computer vision adossée à un algorithme permet d’agir à la racine du problème en détectant et en isolant les moteurs défectueux.

 

Comment choisir les cas d’application du machine learning dans l’industrie ?

Le machine learning est une nouvelle technologie qui s’appuie sur des compétences rares et chères. Choisissez donc vos « batailles » avec soin.

Voici 3 critères pour choisir la zone sur laquelle vous concentrer :

Critère n°1 — gain financier : visez une zone où les gains potentiels sont importants (gains à deux chiffres).

Critère n°2 — maturité du système : identifiez une zone dans laquelle le système de pilotage est suffisamment mature pour bénéficier des apports du machine learning. Le mieux étant que les boucles de résolution de problèmes soient adossées à la ligne de fabrication, de manière à pouvoir traiter les causes premières et éviter la reproduction de défauts (et pas seulement trier les pièces).

Critère n°3 — technique : choisissez une zone d’intervention pour laquelle un opérateur humain est capable de discriminer une bonne pièce d’une pièce défectueuse dans un temps d'environ 2 secondes. En clair, si l'être humain est capable de discriminer les pièces dans ce laps de temps, alors la machine sera capable de réaliser le même travail avec plus de rapidité, de répétabilité et sur un volume de données conséquent. L'intervention humaine reste nécessaire pour donner du sens aux résultats des analyses produites par les algorithmes et s'assurer que les données traitées ne soient ni biaisées ni altérées.

Le machine learning, comment ça fonctionne ?

Le développement d'un modèle de machine learning repose sur quatre étapes principales, généralement supervisées par un data scientist.

La première étape consiste à sélectionner et préparer un ensemble de données d'entraînement qui sera utilisé pour apprendre au modèle à résoudre le problème.

La deuxième étape consiste à sélectionner l'algorithme à exécuter sur l'ensemble des données d'entraînement, en fonction du type et du volume de données ainsi que du type de problème à résoudre.

La troisième étape est l'entraînement de l'algorithme. C’est un processus itératif où les variables sont exécutées à travers l'algorithme et les résultats sont comparés avec ceux qu'il aurait dû produire. On ajuste les biais pour accroître la précision du résultat. Les variables sont exécutées jusqu'à ce que l'algorithme produise le résultat correct avec le plus de constance possible.

Chez OPEO, nous utilisons le computer vision, un système de capture d’images bâti sur le deep learning, qui sert à entraîner l'algorithme pour identifier une bonne pièce et isoler une pièce défectueuse, par exemple. Ensuite, l'opérateur étiquette la pièce (étiqueter signifie confirmer ou infirmer l’état de la pièce). Ainsi, l'algorithme apprend en continu et s'améliore à chaque nouvelle relance des lignes de production.

La quatrième et dernière étape consiste à utiliser et améliorer le modèle. Une fois l'algorithme en production, on vectorise une par une les images qui passent sur la ligne. Puis, cette image vectorisée est comparée à l'image réelle afin de distinguer un écart éventuel entre les deux.

L'efficacité et la précision du modèle peuvent s'accroître au fil du temps.

 

Quels sont les facteurs clés de succès ?

Il y a au moins quatre facteurs clés de succès pour mettre en place le Machine Learning adossé au computer vision.

1. Adopter un mode de fonctionnement systémique

  • Du côté de l’humain, il convient de définir une interface utilisateur qui donne envie à l'opérateur de labelliser les défauts, ce qui signifie multiplier les itérations pour optimiser l’UX (expérience utilisateur).
  • Du côté de la technique, il faut élaborer la bonne architecture pour accéder aux données, adosser des algorithmes qui travaillent suffisamment proche de l'endroit où on capture les images et qui puissent envoyer ces données en temps différé pour les analyser a posteriori.

  • Travailler sur un mode collaboratif : intégrer le machine learning constitue une étape supplémentaire sur la ligne de production. Il faut donc travailler cet aspect pratique en collaboration avec les équipes.
  • Éprouver le système de pilotage : un défaut doit pouvoir être signalé depuis le système de pilotage afin d’alerter un technicien, alerter son supérieur ou être capable de se faire aider pour, soit retirer cette pièce de la ligne, soit corriger le défaut ou trouver la cause du défaut ailleurs sur la ligne.

2. Impliquer le top management de l’entreprise

L’implication du top management est un facteur clé de réussite du machine learning dans l’industrie. L’implication des responsables de site est une manière de montrer l'importance du projet et un moyen d’appuyer les besoins de ressources.

Dans l’exemple de notre client constructeur de moteurs électriques, site industriel de plusieurs milliers de personnes, le responsable était présent sur le projet une demi-heure par jour.

3. Monter une équipe dédiée sur site

Le machine learning s’appuie sur une équipe multi-métiers :

  • Un UX designer qui définit les écrans et l'interface avec l'opérateur ;
  • Un product manager dont la mission est de comprendre le besoin, de le retranscrire dans l’interface et de faire le lien avec la tech ;
  • Un data scientist, à la fois spécialiste de l’architecture des données et faisant le lien avec les capteurs des machines qui permettent de créer l’architecture.

4. Travailler la vitesse d'exécution

Pour obtenir des résultats rapides, il faut être capable d’itérer quotidiennement, ce qui signifie pouvoir travailler chaque jour sur une nouvelle itération sur le modèle et sur l'interface opérateur.

Atteindre une bonne vitesse d’exécution permet de voir le projet avancer, d’obtenir des gains rapides, de gagner la confiance du top management dans la méthode et lui donner envie d'investir davantage dans le machine learning.

Conclusion sur les apports du machine learning dans l’industrie

En résumé, le machine learning repose sur 3 piliers :

  1. Traitement automatisé des données
  2. Reconnaissance des modèles et des anomalies
  3. Amélioration continue

Le machine learning appliqué à l’industrie apporte 3 principaux avantages :

  1. D’abord, il apporte un impact financier tangible à l’entreprise. Dans le cas que nous avons évoqué plus haut, on parle de gains entre 500 000 et un million d'euros annuel pour un grand site industriel. L'investissement d'un sprint de 6 semaines est vite rentabilisé.
  2. Ensuite, le machine learning permet de former les équipes à cette technologie et à la méthode sprint. Des méthodes utilisées par les startups et de plus en plus utiles pour réussir votre transformation digitale.
  3. Enfin, le machine learning vous permet de reprendre le contrôle de votre donnée, qu’elle soit issue des caméras ou qu’il s’agisse de se connecter aux données dans les machines pour accéder à de nouveaux paramètres, les croiser entre eux et être capable de d'envisager des gains beaucoup plus importants dans le futur.

Vous voulez en savoir plus sur les méthodes d’OPEO pour aider à la transformation des industries ?

Contactez-nous !

Partager