Existe-t-il des moyens de rendre les technologies telles que la vision industrielle basée sur le deep learning plus accessibles, plus faciles à utiliser et à déployer au sein d'une entreprise ? Le moment est venu pour les entreprises de surmonter leur réticence en matière d’adoption du cloud dans le secteur industriel.
Cette même étude révèle que les industriels fournissent des solutions de vision industrielle de plusieurs façons. Deux approches sont favorisées : le site de production sélectionne la solution de son choix et la direction la valide, ou bien c’est le site qui sélectionne et valide. Ces stratégies sont encadrées par des accords de tarification au niveau national et régional, mais moins souvent à une échelle mondiale.
L’approche « site » présente des avantages, mais peut également entraîner des divergences. Il est possible que des sites de production utilisent des solutions de vision industrielle différentes pour des workflows similaires, et que l'expertise et les données ne soient pas partagées entre ces sites. Quelle que soit la stratégie des équipes, l'intégration, l'interopérabilité et le partage sécurisé des données via des systèmes de vision industrielle conventionnels peuvent rendre les opérations difficiles.
Les défis liés aux données intersites
Le succès de l’IA, et en particulier le deep learning, repose sur les données : le volume, la diversité et la vitesse de données de bonne qualité sont essentiels pour entraîner et tester les modèles de deep learning afin que ces derniers produisent les résultats escomptés lorsqu'ils sont déployés sur les sites de production.L'expérience et le temps disponibles varient selon les équipes et les sites, ce qui peut créer des silos et affecter la qualité des données. Ces dernières doivent être stockées, annotées et utilisées pour l’entraînement des modèles, et d'autres ensembles de données sont nécessaires pour tester les modèles. Le cloisonnement des données de l’entreprise nuit à la formation des modèles de vision industrielle.
Un réseau neuronal de deep learning doit être exposé à autant de variations que possible, y compris à des horaires et des jours de production différents. Peu pratique, car cela nécessite la capture de données sur une période étendue (à moins d'utiliser une plateforme de simulation de données d'entraînement), cela est néanmoins crucial pour l'entraînement d'un modèle robuste.
Les fabricants et leurs responsables de vision industrielle ne pourront y parvenir sans exploiter toutes les données dont ils disposent sur tous les sites, dans tous les pays et régions. Les processus industriels sont également soumis à divers facteurs environnementaux, tels que les variations de la lumière ambiante, les matériaux présentant de légères disparités, les vibrations, le bruit, les températures et des conditions de production variables. Il est important de tenir compte de ces changements dans les données d'apprentissage, sous peine de réduire la précision des modèles.
Choisir une approche de sites de production cloisonnés pose un autre problème en matière d'annotation des données d'entraînement pour les modèles de deep learning. Des annotations mal définies, peu claires et incohérentes conduisent inévitablement à des modèles peu performants. Il est essentiel de veiller à ce que les annotations soient précises, y compris dans les sites de production fabriquant les mêmes produits, mais cela nécessite que les équipes puissent collaborer sur les projets d'annotation.
Le marquage de types de défauts différents sur des images différentes, voire l’absence de marquage de certains défauts est une erreur courante dans les projets en situation réelle. Par ailleurs, la définition d’un défaut est subjective, d'où l'importance de la validation croisée. Tous les défauts, quel que soit leur type, doivent être clairement indiqués sur toutes les images pertinentes. Encore une fois, sans une approche unifiée et sans l'utilisation du cloud, l'annotation des données reste un défi majeur à l’échelle des sites et des pays.
Les solutions de plateforme cloud basées sur le deep learning
Le cloud doit représenter un levier de croissance pour les équipes du secteur industriel, qui ont besoin de mettre en œuvre la vision industrielle basée sur le deep learning différemment. Une plateforme de vision industrielle basée sur le cloud permettrait aux utilisateurs de charger, d'étiqueter et d'annoter en toute sécurité des données issues de sources diverses, que ce soit au niveau du site, du pays ou de la région.Une meilleure formation au deep learning nécessite un éventail plus large et plus diversifié de données centralisées dans une plateforme basée sur le cloud et provenant de différents sites et environnements. Une telle plateforme permettrait aux utilisateurs de travailler ensemble en temps réel, de collaborer sur des projets d'annotation, de formation et de test, et de partager leur expertise.
Comme dans de nombreux secteurs, les fabricants doivent faire face aux difficultés liées au recrutement et à la fidélisation de spécialistes de la vision industrielle qualifiés. Grâce à une plateforme collaborative basée sur le cloud, les entreprises ont la possibilité d’exploiter plus facilement les compétences et l'expertise des individus et des équipes d'un site, d'un pays ou d'une région au profit de tous, en particulier là où les talents en vision industrielle sont plus difficiles à trouver.
Une solution basée sur le cloud offre également l'évolutivité et l'accessibilité de la puissance informatique. Avec les systèmes traditionnels, certains salariés triés sur le volet disposent de cartes graphiques très puissantes dans leurs ordinateurs pour effectuer des entraînements de grande envergure. Avec le cloud, chaque utilisateur peut accéder à la même puissance de calcul depuis son ordinateur portable. Cela génère certains coûts, mais grâce à un modèle d'abonnement de paiement à l'utilisation, cette approche peut s'avérer plus avantageuse que d'investir davantage dans les serveurs de sa propre entreprise et dans du personnel informatique, souvent difficile à recruter.
Avec une telle plateforme, les utilisateurs ayant des rôles, des droits et des responsabilités définis pourraient former et tester des modèles de deep learning dans le cloud. Grâce à des données d’entraînement et de test de bien meilleure qualité, ils pourraient fournir des niveaux d'analyse et de précision d'inspection visuelle bien supérieurs à ceux de la vision industrielle traditionnelle basée sur des règles pour certaines applications. Les fabricants des secteurs de l'automobile, des batteries électriques, des semi-conducteurs, de l'électronique ou encore de l'emballage sont nombreux à rechercher ces résultats.
Une solution SaaS (Software-as-a-Service) donnerait aux équipes de vision industrielle la flexibilité et la facilité requises pour investir dans une plateforme basée sur le cloud grâce à un abonnement. Elle fournirait également de nouveaux modèles, fonctionnalités et mises à jour ajoutés en toute transparence par le partenaire technologique. Les plateformes de deep learning basées sur le cloud permettront le déploiement en périphérie de modèles sur des PC et des terminaux, pour prendre en charge des workflows numérisés et flexibles sur la chaîne de production, quel que soit l'endroit où se trouve l'utilisateur ou l'équipe.
Les leaders de la vision industrielle assistée par IA veulent des systèmes plus performants et opérationnels, et pour cela, doivent trouver de nouvelles façons d’implémenter, d'utiliser et de déployer la technologie. Les plateformes de deep learning basées sur le cloud montrent la marche à suivre pour atteindre cet objectif.
Par Donato Montanari, directeur général et vice-président de la division Vision industrielle chez Zebra Technologies
