Nouvelles

Lors d'une inflexion stratégique, il arrive un moment où il faut décider d'adopter ou de rejeter une nouvelle technologie. Cette décision peut paraître simple au premier abord, mais elle peut s'avérer bien plus complexe en réalité. Les révolutions ne se produisent pas toujours du jour au lendemain ; elles peuvent s'étendre sur des années, la plupart des progrès restant cachés jusqu'à ce qu'une avancée majeure les mette en lumière.

En 1986, l'École d'informatique de l'Université Carnegie Mellon a lancé le projet Navlab, qui a démontré le potentiel de l'intelligence artificielle. Elle a développé un système permettant à un fourgon Chevrolet de conduire de manière autonome. Ce projet s'inscrivait aux prémices du développement des algorithmes de vision par ordinateur et d'apprentissage automatique, aujourd'hui largement utilisés dans de nombreuses applications.

Lors de son développement, cette technologie était considérée comme révolutionnaire, mais elle n'était pas encore prête à être intégrée à la vie quotidienne. Cependant, aujourd'hui, nous sommes habitués à entendre parler, et parfois même à voir, de voitures autonomes. Diverses entreprises développent et commercialisent cette technologie auprès du grand public dans un avenir proche.

La conduite autonome, comme la plupart des applications d'IA, nécessite des algorithmes et des processeurs capables d'exploiter de très grands ensembles de données en temps réel. Par exemple, les grands modèles de langage (LLM), comme ceux utilisés par OpenAI dans ChatGPT, Microsoft dans Copilot ou d'autres applications utilisant Meta LLM Llama 3, nécessitent de grands ensembles de données pour reconnaître les schémas qui créent des phrases écrites par des humains. Ainsi, au cœur de l'apprentissage automatique, vous constaterez que les données et la capacité à les traiter rapidement sont toutes deux nécessaires pour travailler avec ces systèmes.

Imaginons que votre usine doive produire 1 000 unités par heure. Si l'une de vos machines tombe en panne à pleine capacité, vous n'atteindrez pas l'objectif de 1 000 unités par heure. Dans ce cas, l'une des priorités est d'accélérer le cycle de maintenance de la machine concernée. Pour éviter ce scénario d'arrêt de production, vous pouvez mettre en place un plan de maintenance et, si vous suivez les bonnes pratiques, déployer une méthodologie de maintenance conditionnelle. Cette méthode consiste à mesurer différentes variables sur une machine, telles que la température et les vibrations, à l'aide de capteurs. Lorsqu'une limite spécifique est dépassée, des alertes sont envoyées et vous savez qu'une pièce spécifique doit être remplacée avant la panne de l'équipement.

Pour la maintenance préventive, vous aurez besoin d'un système d'acquisition de données pour collecter les variables critiques et les stocker sur ordinateur. Une fois collectées, vous pourrez comparer ces données à des seuils définis afin de déterminer quand la maintenance est nécessaire. Jusqu'ici, cela semble relativement simple. Cependant, avec l'intégration des pièces de rechange, la machine peut présenter des comportements différents avec le temps, ce qui peut entraîner des faux positifs et des problèmes opérationnels imprévus. C'est alors que vous réalisez que vous disposez d'une quantité importante de données, notamment des données de contrôle qualité du produit final. C'est à ce stade que vous pouvez mettre en œuvre un algorithme d'apprentissage automatique pour analyser et croiser efficacement toutes ces données, permettant ainsi à votre système de prendre de manière autonome de meilleures décisions de maintenance.

L'avantage principal est que les modèles d'apprentissage sont évolutifs, car ils acquièrent davantage de données à chaque itération et, au fil du temps, les algorithmes d'apprentissage automatique s'améliorent. Mais ce n'est pas tout. Maintenant que vous disposez d'un algorithme évolutif, vous pouvez l'implémenter dans des systèmes qui prennent des décisions de manière autonome et s'améliorent au fil du temps.

Lors de l'examen des différentes options d'architecture, une approche consiste à utiliser des enregistreurs de données tels que le CONPROSYS famille de Contec qui collecte des données et les envoie ensuite données vers un serveur Pour le traitement. L'avantage de cette approche réside dans le transfert du traitement des données sur un serveur centralisé. Cependant, elle présente un inconvénient majeur : le risque de générer un trafic réseau important lors de l'envoi des données. À mesure que l'échelle des opérations augmente, cela peut entraîner des problèmes et des coûts opérationnels plus élevés en raison des limitations de bande passante. De plus, la capacité à réagir en temps réel aux tâches critiques est entravée par les retards du réseau vers et depuis le serveur.

D’autre part, nous pouvons également déployer un Système DAQ basé sur PC de Contec. Ce système permet d'exécuter localement des algorithmes lourds, tels que l'inférence basée sur l'apprentissage automatique, tout en obtenant simultanément les données directement sur le même système. Cette capacité déplace le traitement en périphérie et permet une évolutivité selon les besoins sans avoir à construire une infrastructure autour de serveurs. Un aspect intéressant de ce DAQ sur PC est la possibilité d'intégrer des enregistreurs de données distants, tels que les produits Conprosys, pour créer une architecture de plateforme hybride.

Tout algorithme d'intelligence artificielle ou d'apprentissage automatique aura toujours besoin de données pour être utile. C'est pourquoi il est essentiel de comprendre l'acquisition de données, et de trouver le partenaire idéal comme Contec pour prospérer dans cette révolution. Connaître les options disponibles et appliquer les meilleures pratiques d'acquisition de données est essentiel pour tirer le meilleur parti de l'intelligence artificielle.