Selon le rapport sur l'IA industrielle et le marché de l'IA 2021-2026, récemment publié, le taux d'adoption de l'IA dans le secteur industriel est passé de 19 % à 31 % en un peu plus de deux ans. Outre les 31 % des répondants ayant déployé l'IA, en tout ou partie, dans leurs opérations, 39 % testent ou pilotent actuellement cette technologie.
L'IA est en train de devenir une technologie clé pour les fabricants et les entreprises énergétiques du monde entier, et l'analyse de l'IoT prédit que le marché des solutions d'IA industrielles affichera un fort taux de croissance annuel composé (TCAC) post-pandémique de 35 % pour atteindre 102,17 milliards de dollars d'ici 2026.
L'ère numérique a donné naissance à l'Internet des objets. L'émergence de l'intelligence artificielle a accéléré le rythme de développement de l'Internet des objets.
Examinons certains des facteurs qui stimulent l’essor de l’IA industrielle et de l’AIoT.
Facteur 1 : De plus en plus d'outils logiciels pour l'AIoT industriel
En 2019, lorsque l'analyse IoT a commencé à couvrir l'IA industrielle, les fournisseurs de technologies opérationnelles (OT) proposaient peu de logiciels dédiés à l'IA. Depuis, de nombreux fournisseurs d'OT ont pénétré le marché de l'IA en développant et en fournissant des solutions logicielles d'IA sous la forme de plateformes d'IA pour les usines.
Selon les données, près de 400 fournisseurs proposent des logiciels AIoT. Le nombre d'éditeurs de logiciels rejoignant le marché de l'IA industrielle a considérablement augmenté ces deux dernières années. Au cours de l'étude, IoT Analytics a identifié 634 fournisseurs de technologies d'IA pour les fabricants et les clients industriels. Parmi ces entreprises, 389 (61,4 %) proposent des logiciels d'IA.
La nouvelle plateforme logicielle d'IA est axée sur les environnements industriels. Outre Uptake, Braincube ou C3 AI, un nombre croissant de fournisseurs de technologies opérationnelles (OT) proposent des plateformes logicielles d'IA dédiées. Citons par exemple la suite d'analyse et d'IA industrielle Genix d'ABB, la suite FactoryTalk Innovation de Rockwell Automation, la plateforme de conseil en fabrication de Schneider Electric et, plus récemment, des modules complémentaires spécifiques. Certaines de ces plateformes ciblent un large éventail de cas d'usage. Par exemple, la plateforme Genix d'ABB fournit des analyses avancées, notamment des applications et des services pré-intégrés pour la gestion de la performance opérationnelle, l'intégrité des actifs, la durabilité et l'efficacité de la chaîne d'approvisionnement.
Les grandes entreprises installent leurs outils logiciels d’IA dans leurs ateliers.
La disponibilité des outils logiciels d'IA est également favorisée par les nouveaux outils logiciels spécifiques à chaque cas d'usage développés par AWS et de grandes entreprises comme Microsoft et Google. Par exemple, en décembre 2020, AWS a lancé Amazon SageMaker JumpStart, une fonctionnalité d'Amazon SageMaker qui propose un ensemble de solutions préconfigurées et personnalisables pour les cas d'usage industriels les plus courants, tels que la maintenance prédictive, la vision par ordinateur et la conduite autonome. Déployables en quelques clics seulement.
Les solutions logicielles spécifiques aux cas d’utilisation améliorent la convivialité.
Les suites logicielles spécifiques à chaque cas d'utilisation, comme celles axées sur la maintenance prédictive, se généralisent. IoT Analytics a constaté que le nombre de fournisseurs utilisant des solutions logicielles de gestion des données produits (PdM) basées sur l'IA a atteint 73 début 2021, en raison de la diversification des sources de données et de l'utilisation de modèles de pré-apprentissage, ainsi que de l'adoption généralisée de technologies d'enrichissement des données.
Facteur 2 : Le développement et la maintenance des solutions d’IA sont simplifiés
L’apprentissage automatique automatisé (AutoML) devient un produit standard.
En raison de la complexité des tâches associées à l'apprentissage automatique (ML), la croissance rapide des applications de ce type a créé un besoin de méthodes d'apprentissage automatique prêtes à l'emploi, utilisables sans expertise particulière. Le domaine de recherche qui en résulte, l'automatisation progressive pour l'apprentissage automatique, est appelé AutoML. De nombreuses entreprises exploitent cette technologie dans le cadre de leurs offres d'IA pour aider leurs clients à développer des modèles d'apprentissage automatique et à mettre en œuvre plus rapidement des cas d'utilisation industriels. En novembre 2020, par exemple, SKF a annoncé un produit basé sur AutoML qui combine les données de processus machine avec les données de vibration et de température afin de réduire les coûts et de proposer de nouveaux modèles économiques à ses clients.
Les opérations d’apprentissage automatique (ML Ops) simplifient la gestion et la maintenance des modèles.
La nouvelle discipline des opérations d'apprentissage automatique vise à simplifier la maintenance des modèles d'IA dans les environnements de production. Les performances d'un modèle d'IA se dégradent généralement au fil du temps, car elles sont affectées par plusieurs facteurs internes à l'usine (par exemple, les changements dans la distribution des données et les normes de qualité). Par conséquent, la maintenance des modèles et les opérations d'apprentissage automatique sont devenues nécessaires pour répondre aux exigences de qualité élevées des environnements industriels (par exemple, les modèles dont les performances sont inférieures à 99 % peuvent ne pas identifier les comportements mettant en danger la sécurité des travailleurs).
Ces dernières années, de nombreuses startups ont rejoint le secteur des ML Ops, notamment DataRobot, Grid.AI, Pinecone/Zilliz, Seldon et Weights & Biases. Des entreprises établies ont ajouté des opérations de machine learning à leurs offres logicielles d'IA existantes, notamment Microsoft, qui a introduit la détection des dérives de données dans Azure ML Studio. Cette nouvelle fonctionnalité permet aux utilisateurs de détecter les changements dans la distribution des données d'entrée qui dégradent les performances des modèles.
Facteur 3 : L'intelligence artificielle appliquée aux applications et cas d'utilisation existants
Les fournisseurs de logiciels traditionnels ajoutent des fonctionnalités d’IA.
Outre les outils logiciels d'IA horizontaux existants, tels que MS Azure ML, AWS SageMaker et Google Cloud Vertex AI, les suites logicielles traditionnelles telles que les systèmes de gestion de la maintenance assistée par ordinateur (GMAO), les systèmes d'exécution de la production (MES) ou les progiciels de gestion intégrés (PGI) peuvent désormais être considérablement améliorées grâce à l'intégration de fonctionnalités d'IA. Par exemple, le fournisseur de solutions ERP Epicor Software intègre des fonctionnalités d'IA à ses produits existants grâce à Epicor Virtual Assistant (EVA). Les agents EVA intelligents permettent d'automatiser les processus ERP, tels que la reprogrammation des opérations de fabrication ou l'exécution de requêtes simples (par exemple, pour obtenir des informations sur le prix des produits ou le nombre de pièces disponibles).
Les cas d’utilisation industriels sont mis à niveau grâce à l’utilisation de l’AIoT.
Plusieurs cas d'utilisation industriels sont optimisés par l'ajout de capacités d'IA à l'infrastructure matérielle et logicielle existante. La vision artificielle dans les applications de contrôle qualité en est un exemple frappant. Les systèmes de vision artificielle traditionnels traitent les images via des ordinateurs intégrés ou discrets équipés de logiciels spécialisés qui évaluent des paramètres et des seuils prédéterminés (par exemple, un contraste élevé) afin de déterminer si les objets présentent des défauts. Dans de nombreux cas (par exemple, pour les composants électroniques avec différentes formes de câblage), le nombre de faux positifs est très élevé.
Cependant, ces systèmes connaissent un regain d'intérêt grâce à l'intelligence artificielle. Par exemple, Cognex, fournisseur de vision industrielle, a lancé un nouvel outil de Deep Learning (Vision Pro Deep Learning 2.0) en juillet 2021. Ces nouveaux outils s'intègrent aux systèmes de vision traditionnels, permettant aux utilisateurs finaux de combiner Deep Learning et outils de vision traditionnels dans une même application pour répondre aux exigences des environnements médicaux et électroniques exigeants, qui nécessitent une mesure précise des rayures, de la contamination et d'autres défauts.
Facteur 4 : Le matériel AIoT industriel est en cours d'amélioration
Les puces d’IA s’améliorent rapidement.
Les puces d'IA embarquées connaissent une croissance rapide, offrant une variété d'options pour soutenir le développement et le déploiement de modèles d'IA. Citons par exemple les dernières unités de traitement graphique (Gpu) de NVIDIA, les A30 et A10, lancées en mars 2021 et adaptées aux cas d'utilisation de l'IA tels que les systèmes de recommandation et les systèmes de vision par ordinateur. Autre exemple : les unités de traitement Tensors (TPus) de quatrième génération de Google, de puissants circuits intégrés à usage spécifique (ASIC) capables d'atteindre une efficacité et une vitesse jusqu'à 1 000 fois supérieures dans le développement et le déploiement de modèles pour des charges de travail d'IA spécifiques (par exemple, la détection d'objets, la classification d'images et les benchmarks de recommandation). L'utilisation de matériel d'IA dédié réduit le temps de calcul des modèles de plusieurs jours à quelques minutes et s'est avérée révolutionnaire dans de nombreux cas.
Un matériel d’IA puissant est immédiatement disponible via un modèle de paiement à l’utilisation.
Les entreprises à très grande échelle mettent constamment à niveau leurs serveurs afin de mettre à disposition des ressources informatiques dans le cloud et permettre aux utilisateurs finaux de mettre en œuvre des applications d'IA industrielle. En novembre 2021, par exemple, AWS a annoncé le lancement officiel de ses dernières instances basées sur GPU, Amazon EC2 G5, optimisées par le GPU NVIDIA A10G Tensor Core, pour diverses applications de ML, notamment la vision par ordinateur et les moteurs de recommandation. Par exemple, le fournisseur de systèmes de détection Nanotronics utilise des instances Amazon EC2 de sa solution de contrôle qualité basée sur l'IA pour accélérer les processus de traitement et obtenir des taux de détection plus précis dans la fabrication de micropuces et de nanotubes.
Conclusion et perspectives
L'IA est en pleine expansion et sera omniprésente dans de nouvelles applications, comme la maintenance prédictive basée sur l'IA, ainsi que dans les améliorations apportées aux logiciels et cas d'utilisation existants. Les grandes entreprises déploient plusieurs cas d'utilisation de l'IA et font état de succès, et la plupart des projets affichent un retour sur investissement élevé. En résumé, l'essor du cloud, des plateformes IoT et des puissantes puces d'IA ouvre la voie à une nouvelle génération de logiciels et d'optimisation.
Date de publication : 12 janvier 2022