D'après le rapport « Intelligence artificielle industrielle et marché de l'IA 2021-2026 » récemment publié, le taux d'adoption de l'IA en milieu industriel est passé de 19 % à 31 % en un peu plus de deux ans. Outre les 31 % d'entreprises ayant déployé totalement ou partiellement l'IA dans leurs opérations, 39 % testent ou mettent actuellement cette technologie à l'essai.
L'IA s'impose comme une technologie clé pour les fabricants et les entreprises énergétiques du monde entier, et l'analyse de l'IoT prévoit 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. On constate que l'émergence de l'intelligence artificielle a accéléré le développement de cet Internet des objets.
Examinons quelques-uns des facteurs à l'origine de l'essor de l'IA industrielle et de l'IAoT.
Facteur 1 : De plus en plus d’outils logiciels pour l’IAoT industrielle
En 2019, lorsque l'analyse de l'Internet des objets (IoT) a commencé à s'étendre à l'intelligence artificielle industrielle, les fournisseurs de technologies opérationnelles (OT) proposaient peu de logiciels d'IA dédiés. Depuis, de nombreux fournisseurs OT ont investi le marché de l'IA en développant et en fournissant des solutions logicielles d'IA sous forme de plateformes d'IA pour les ateliers de production.
D'après les données disponibles, près de 400 fournisseurs proposent des logiciels d'IAoT. Le nombre d'éditeurs de logiciels entrant sur le marché de l'IA industrielle a connu une croissance spectaculaire ces deux dernières années. Au cours de son étude, IoT Analytics a recensé 634 fournisseurs de technologies d'IA destinés aux fabricants et clients industriels. Parmi ces entreprises, 389 (61,4 %) proposent des logiciels d'IA.
La nouvelle plateforme logicielle d'IA se concentre sur les environnements industriels. Au-delà d'Uptake, Braincube ou C3 AI, un nombre croissant de fournisseurs de technologies opérationnelles (TO) proposent des plateformes logicielles d'IA dédiées. Citons par exemple la suite d'analyse et d'IA Genix Industrial d'ABB, la suite FactoryTalk Innovation de Rockwell Automation, la plateforme de conseil en production 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, incluant des applications et des services préconfigurés pour la gestion des performances opérationnelles, l'intégrité des actifs, le développement durable et l'efficacité de la chaîne d'approvisionnement.
Les grandes entreprises déploient leurs outils logiciels d'IA directement dans les ateliers.
La disponibilité des outils logiciels d'IA est également favorisée par de nouveaux outils logiciels spécifiques à des 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. Le déploiement se fait en quelques clics.
Les solutions logicielles adaptées aux cas d'utilisation spécifiques contribuent à améliorer l'ergonomie.
Les suites logicielles dédiées à des cas d'usage spécifiques, 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, du recours aux modèles pré-entraînés et de l'adoption généralisée des technologies d'enrichissement des données.
Facteur 2 : Le développement et la maintenance des solutions d’IA se simplifient
L'apprentissage automatique automatisé (AutoML) devient un produit standard.
Face à la complexité des tâches liées à l'apprentissage automatique (ML), la croissance rapide des applications d'apprentissage automatique a engendré un besoin en méthodes prêtes à l'emploi, utilisables sans expertise particulière. Ce domaine de recherche, l'automatisation progressive de l'apprentissage automatique, est appelé AutoML. De nombreuses entreprises exploitent cette technologie dans leurs offres d'IA afin d'aider leurs clients à développer des modèles d'apprentissage automatique et à mettre en œuvre plus rapidement des cas d'usage 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 pour réduire les coûts et permettre de nouveaux modèles commerciaux pour 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 avec le 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 indispensables 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 investi le domaine du ML Ops, notamment DataRobot, Grid.AI, Pinecone/Zilliz, Seldon et Weights & Biases. Des entreprises établies ont intégré des opérations d'apprentissage automatique à leurs logiciels d'IA existants, à l'instar de Microsoft qui a introduit la détection de la dérive des données dans Azure ML Studio. Cette nouvelle fonctionnalité permet aux utilisateurs de détecter les variations de la distribution des données d'entrée susceptibles de dégrader les performances du modèle.
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 grands outils logiciels d'IA horizontale existants tels que MS Azure ML, AWS SageMaker et Google Cloud Vertex AI, les suites logicielles traditionnelles comme les systèmes de gestion de la maintenance assistée par ordinateur (CAMMS), les systèmes d'exécution de la production (MES) ou les progiciels de gestion intégrée (ERP) peuvent désormais être considérablement améliorées grâce à l'intégration de capacités d'IA. Par exemple, l'éditeur de progiciels de gestion intégrée Epicor Software enrichit ses produits existants de fonctionnalités d'IA via son assistant virtuel Epicor (EVA). Les agents intelligents d'EVA permettent d'automatiser les processus ERP, comme la reprogrammation des opérations de production ou l'exécution de requêtes simples (par exemple, obtenir des informations sur le prix d'un produit ou le nombre de pièces disponibles).
Les cas d'utilisation industriels sont modernisés grâce à l'AIoT.
Plusieurs cas d'usage industriels sont améliorés grâce à l'intégration de capacités d'IA aux infrastructures matérielles et logicielles existantes. La vision industrielle dans les applications de contrôle qualité en est un exemple frappant. Les systèmes de vision industrielle traditionnels traitent les images via des ordinateurs intégrés ou dédiés, 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 aux câblages variés), le nombre de faux positifs est très élevé.
Cependant, ces systèmes connaissent une seconde vie grâce à l'intelligence artificielle. Par exemple, Cognex, fournisseur de solutions de vision industrielle, a lancé en juillet 2021 un nouvel outil d'apprentissage profond (Vision Pro Deep Learning 2.0). Ce nouvel outil s'intègre aux systèmes de vision traditionnels, permettant ainsi aux utilisateurs finaux de combiner l'apprentissage profond et les outils de vision classiques au sein d'une même application. Cette combinaison permet de répondre aux exigences des environnements médicaux et électroniques, qui requièrent une mesure précise des rayures, des contaminations et autres défauts.
Facteur 4 : Amélioration du matériel AIoT industriel
Les puces d'IA progressent rapidement.
Les puces d'IA embarquées connaissent une croissance rapide, offrant une variété d'options pour faciliter le développement et le déploiement de modèles d'IA. On peut citer, par exemple, les derniers processeurs graphiques (GPU) de NVIDIA, les A30 et A10, lancés en mars 2021 et adaptés à des cas d'usage tels que les systèmes de recommandation et de vision par ordinateur. Autre exemple : les unités de traitement Tensor (TPus) de quatrième génération de Google, des circuits intégrés spécifiques (ASIC) puissants capables d'offrir une efficacité et une vitesse jusqu'à 1 000 fois supérieures pour le développement et le déploiement de modèles destinés à des charges de travail d'IA spécifiques (détection d'objets, classification d'images et benchmarks de recommandation, par exemple). L'utilisation de matériel dédié à l'IA réduit le temps de calcul des modèles de plusieurs jours à quelques minutes et s'est révélée révolutionnaire dans de nombreux cas.
Du matériel d'IA performant est immédiatement disponible grâce à un modèle de paiement à l'utilisation.
Les géants du cloud mettent constamment à niveau leurs serveurs pour rendre les ressources de calcul disponibles dans le cloud et permettre aux utilisateurs finaux de déployer 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, équipées du GPU NVIDIA A10G Tensor Core, pour diverses applications d'apprentissage automatique, notamment la vision par ordinateur et les moteurs de recommandation. Ainsi, Nanotronics, fournisseur de systèmes de détection, utilise des instances Amazon EC2 de sa solution de contrôle qualité basée sur l'IA pour accélérer le traitement et améliorer la précision de la détection lors de la fabrication de microprocesseurs et de nanotubes.
Conclusion et perspectives
L'IA se démocratise et deviendra omniprésente dans de nouvelles applications, comme la maintenance prédictive basée sur l'IA, ainsi que dans l'amélioration des logiciels et cas d'usage existants. Les grandes entreprises déploient de nombreux cas d'usage d'IA et constatent leur succès ; la plupart des projets affichent un retour sur investissement élevé. En définitive, l'essor du cloud, des plateformes IoT et des puces d'IA performantes offre un terreau fertile pour une nouvelle génération de logiciels et d'optimisation.
Date de publication : 12 janvier 2022