L'IA industrielle franchit cinq niveaux : de la reconnaissance de pièces au pilotage

Une pièce peinte arrive sur le convoyeur, mais son étiquette n'est plus lisible. Les ouvriers doivent consulter la documentation, et la ligne perd du temps. Dans l'exemple de l'usine de presses et de châssis de KAMAZ cité dans un article de Habr, cette tâche a été confiée à une caméra et à un système de reconnaissance : identifier la pièce à partir de l'image et transmettre le résultat au système de production. C'est un point d'entrée clair pour l'IA : il y a un retard précis et une action qui aide à l'éliminer.

Pour les développeurs et les product managers, le plus utile ici est la séquence de déploiement. D'abord comprendre ce qui est mesuré et comment le processus fonctionne. Ensuite déterminer quelle décision améliorera le travail. Et seulement après choisir le modèle et son degré d'autonomie. L'article rassemble des exemples industriels, mais ne fournit pas de mesures comparables de leur efficacité ; il faut donc le lire comme une analyse d'approches.

Le capteur donne un chiffre, le sens vient du contexte

Imaginons un moteur dont les vibrations ont augmenté. On peut envoyer à l'opérateur un avertissement de panne possible. Mais le moteur a peut-être simplement changé de charge, et ces valeurs sont alors normales. Sans information sur le régime de fonctionnement, le système dérangera régulièrement les gens, à raison comme à tort.

Il faut donc associer à la mesure l'heure, le régime de l'équipement et les conditions dans lesquelles elle a été obtenue. Il faut aussi tenir compte séparément des pertes de connexion, des erreurs de mesure et des changements des capteurs eux-mêmes. Pour l'équipe, cela signifie un travail très concret : s'accorder sur la structure des événements, vérifier les horodatages, décrire les régimes et établir des règles de traitement des données manquantes.

L'article donne un exemple révélateur de SIBUR : la baisse des relevés de température et de leurs oscillations est associée à l'accumulation de coke sur les grilles du réacteur. Au premier abord, cela peut ressembler à une erreur de mesure. Pour transformer l'observation en signal utile, il faut connaître le procédé technologique. La simple recherche de valeurs inhabituelles ne suffit pas.

Cette préparation détermine aussi la qualité de la validation du modèle. Si l'on mélange la montée en régime normale de l'équipement avec un fonctionnement stable, l'évaluation finale dira peu de chose sur l'utilité du système en production.

Cinq niveaux, cinq produits différents

Le premier niveau est la reconnaissance : quelle pièce se trouve devant la caméra, l'équipement fonctionne-t-il, un défaut est-il visible. Le deuxième est le diagnostic et la prévision : que signifie l'écart et peut-il provoquer un arrêt. Le troisième, les recommandations à l'opérateur. Le quatrième, le choix des paramètres du procédé en tenant compte des contraintes. Le cinquième, le pilotage autonome.

Ces niveaux sont pratiques pour définir le périmètre du produit. Un système qui détecte une zone suspecte sur une image et un système qui modifie le régime d'une machine exigent des données, des interfaces et des méthodes de vérification différentes. Une reconnaissance réussie ne prouve pas encore l'aptitude au pilotage.

Prenons l'exemple de l'extrudeuse dans une production de polypropylène. Selon la description de l'article source, le modèle de SIBUR analyse la télémétrie, avertit du risque de bouchage et peut recommander de modifier la pression des couteaux. L'intérêt apparaît si l'opérateur reçoit l'avertissement assez tôt et a le temps d'effectuer l'action appropriée.

Pour un tel produit, il convient de mesurer le délai d'alerte, le nombre de fausses alarmes et d'arrêts manqués. La recommandation doit expliquer quels indices ont déclenché le signal et ce qu'il est proposé de changer. L'opérateur peut disposer d'informations que le système n'a pas reçues : par exemple, sur une maintenance en cours ou des limites de l'équipement.

Comment choisir le premier projet

Un bon candidat est une tâche répétitive, avec des données accessibles et un résultat vérifiable. Par exemple, la reconnaissance de pièces que les employés identifient aujourd'hui manuellement. Avant le développement, il est utile de consigner le temps initial de l'opération et le taux d'erreurs : sinon, après le lancement, il sera difficile de savoir si le travail a été rentabilisé.

L'étape suivante consiste à tester la solution sur différentes équipes, régimes et conditions de prise de vue. L'article sur la surveillance d'une production d'aluminium mentionne séparément les reflets, les éclats de soleil et les gyrophares des engins : le système doit les distinguer des signes d'une anomalie du procédé. Ce sont souvent ces détails qui déterminent la qualité du déploiement.

Pour le pilotage autonome, le critère est plus strict : il faut des limites aux actions autorisées, un moyen d'intervention humaine et un comportement clair en cas de perte de données. La phrase « le modèle ne se trompe pas », sans conditions d'essai ni statistiques, ne le prouve pas.

Conclusion pratique pour l'équipe : choisissez une perte de temps ou un type de défaillance, reliez les données aux conditions de son apparition et vérifiez si le résultat aide à prendre une décision. Il n'est pertinent d'élargir les pouvoirs du modèle qu'après cette vérification.