Smart Production L'IA dans l'industrie manufacturière : Quels sont actuellement les plus grands potentiels?

Cette année, l'intelligence artificielle semble enfin faire son entrée sur le marché de masse. Que l'IA transforme profondément l'économie est une évidence depuis un certain temps. Selon une statistique de 2018, l'IA devrait avoir un impact significatif et positif sur le PIB.

En 2018, la contribution estimée de l'IA au PIB des États-Unis était d'environ 191 milliards de dollars. Ce chiffre devrait augmenter régulièrement au fil des ans, atteignant environ 515 milliards de dollars en 2025 et environ 1,2 billion de dollars en 2030.

Cependant, dans l'industrie manufacturière, l'adoption de l'IA reste encore limitée. L'une des raisons est que les domaines d'application réellement pertinents – c'est-à-dire rentables – sont encore rares. Selon une enquête du TÜV, en 2020, 50 % des entreprises déclaraient ne pas connaître d'utilisation pertinente de l'IA pour leur activité, et 42 % ne savaient pas précisément ce que l'IA pouvait leur apporter. Bien que ces chiffres aient probablement évolué depuis, les cas d'utilisation concrets dans la production de masse ne sont pas encore omniprésents.

Où l’IA peut-elle déjà être déployée efficacement dans le secteur manufacturier avec l’état actuel de la technologie ? Dans certains domaines, les IA actuelles offrent un fort potentiel d’augmentation de la productivité, notamment dans les quatre suivants :

Robotique

La plupart des robots industriels actuels sont encore assez « aveugles » et limités. Ils fonctionnent selon des règles prédéfinies, ce qui convient aux grandes séries en production standardisée, comme les robots de soudage dans l’industrie automobile.

Cependant, lorsque l’environnement ou les produits varient davantage, les robots doivent gagner en intelligence. C’est le cas, par exemple, dans la fabrication de biens sur mesure ou le reconditionnement et le recyclage de produits usagés. Les robots dotés d’IA peuvent apprendre à traiter les pièces différemment en fonction de leur conception, de leur état ou de leur utilisation prévue.

Un autre cas d’usage pertinent de l’IA est la préhension et le dépôt de pièces. Un robot peut ainsi saisir correctement des pièces stockées de manière aléatoire dans un conteneur et les repositionner sans nécessiter de préparation manuelle.

Les cobots (robots collaboratifs) intègrent également partiellement l’intelligence artificielle. Partageant leur espace de travail avec les humains, ils doivent être capables de comprendre et de réagir aux situations en cours. Ils doivent anticiper les dangers et s’adapter aux différentes méthodes de travail des opérateurs humains.

Contrôle qualité

Le contrôle qualité est l’un des domaines où les solutions d’IA sont déployées avec succès depuis un certain temps. Cette tâche se prête particulièrement aux capacités de l’IA, notamment dans le domaine de l’apprentissage automatique. Plutôt que de simplement classer les composants comme bons ou défectueux selon des règles fixes, l’IA peut détecter, classer et évaluer les écarts, y compris ceux situés en zone limite. Ces capacités permettent notamment de réduire les faux rejets ou de préparer de grandes quantités de données pour une évaluation ultérieure par des inspecteurs humains.

À lire aussi : Les lignes de soudage peuvent-elles s'auto-optimiser grâce à l'IA ?

Planification de la production

De nombreux facteurs doivent être pris en compte dans la planification et l’ordonnancement de la production : état des commandes, types et quantités de produits commandés, délais de livraison, niveaux de stock, prix et disponibilité des matières premières et semi-produits, ressources humaines et machines disponibles, etc. Cela rend la tâche particulièrement complexe.

Les logiciels basés sur l’IA peuvent analyser ces nombreuses données en temps réel et fournir des recommandations de planification. Ils peuvent également intégrer des données externes, telles que les tendances du marché, des indices sectoriels ou des historiques de commandes des clients. Grâce à l’IA, les planificateurs peuvent simuler différents scénarios et établir des prévisions pour prendre de meilleures décisions.

Paramétrage des machines

Pour la production en petites séries ou sur mesure, les paramètres des machines doivent être ajustés et synchronisés. Avec des dizaines de paramètres à configurer, cela entraîne souvent de longues interruptions. De plus, lorsqu’un produit est fabriqué rarement, il manque parfois l’expérience nécessaire pour trouver immédiatement les réglages optimaux.

L’IA simplifie cette tâche en reconnaissant, par exemple, des similitudes entre différents produits et en suggérant des réglages adaptés. Elle peut aussi calculer la configuration idéale à partir de quelques paramètres prédéfinis, optimisant ainsi le processus de production.

Quelle est la meilleure approche pour identifier les domaines d'application rentables de l'IA ?L’initiative devrait idéalement venir des départements métiers, qui connaissent les processus et les problèmes à résoudre. Les projets purement technologiques – du type "Nous devons faire quelque chose avec l'IA" – échouent généralement.

Les responsables doivent analyser leurs propres processus : Quelles tâches sont répétitives ? Lesquelles sont monotones et donc difficiles à réaliser pour les humains sur de longues périodes ? En principe, ces types de processus sont particulièrement adaptés à l'IA. Le travail intellectuel numérique peut également être de plus en plus automatisé ou, du moins, assisté par l’IA.

Cependant, d'autres facteurs entrent en jeu : plus un système possède d'interfaces, plus il devient complexe à mettre en œuvre. À l’inverse, les systèmes isolés, comme le contrôle qualité ou la robotique mentionnés précédemment, sont idéaux. De plus, les entreprises doivent disposer des données d’entraînement nécessaires, car la réussite d’une solution de machine learning repose en grande partie sur elles.

Enfin, les compétences et le savoir-faire nécessaires à l’implémentation sont essentiels. Dans l'enquête TÜV mentionnée précédemment, 40 % des entreprises ont cité ces deux aspects comme étant les principaux freins à l’adoption de l’IA. Si les entreprises ont identifié des domaines d’application pertinents, cela ne devrait cependant pas être un obstacle insurmontable : des instituts de recherche et de nombreux prestataires proposent des modèles d’IA génériques, parfois pré-entraînés, et accompagnent leur mise en place.

Institut Fraunhofer pour l'ingénierie et l'automatisation de la fabrication IPA

M. Prof. Dr. Marco Huber, Chef du Département Intelligence Cyber Cognitive

M. M. Sc. Tobias Stahl, Chef de projet/Doctorant Département Stratégie et développement des entreprises