Quelle est la différence entre l'intelligence artificielle, l'apprentissage automatique et le deep learning pour les applications d'inspection industrielle automatisée ?

AI vs deep learning vs machine learning

Il est souvent difficile de distinguer le vrai du faux lorsqu'il s'agit d'intelligence artificielle, en particulier dans le domaine de l'inspection industrielle automatisée. L'intelligence artificielle fait partie de notre quotidien de bien des façons, mais cette technologie demeure un concept futuriste à plusieurs autres égards.

Les filtres anti-spam de votre messagerie s'appuient sur l'intelligence artificielle pour que vous n'ayez pas à lire ces e-mails indésirables. D'autre part, un robot capable de réussir le test de Turing comme C-3PO dans Star Wars existe uniquement dans les films de science-fiction et les émissions de télévision. Au cours de ces dernières années, le potentiel d'application pratique de l'intelligence artificielle a explosé grâce à l'amélioration rapide des coûts de la puissance de calcul et du stockage sur le cloud ainsi qu'à l'augmentation de la production de données à partir d'images, de textes, de transactions logicielles et bien plus.

Les termes « intelligence artificielle », « apprentissage automatique » et « deep learning » sont souvent utilisés indifféremment avec peu ou pas d'explications quant à leur signification. Identifier les différents types d'intelligence artificielle, notamment l'apprentissage automatique et le deep learning, permettra de mieux comprendre en quoi cette technologie aide ou n'aide pas les fabricants et les usines d'aujourd'hui.

Intelligence artificielle – la programmation des tâches avec une logique

Pour commencer, l'intelligence artificielle est un sous-ensemble de l'informatique où les systèmes informatiques effectuent des tâches anthropomorphes (par exemple, le classement des images, la reconnaissance vocale ou encore la traduction) aussi bien ou mieux que les humains. Les concepts de logique ont fait leur apparition avec les débuts de l'informatique dans les années 1950.

L'intelligence artificielle se compose de deux segments : l'intelligence artificielle étroite et l'intelligence artificielle générale. L'« intelligence artificielle générale » est un concept futuriste qui considère que les robots agissent et pensent comme les humains. Peut-être qu'un jour nous aurons affaire à des robots sensibles, mais aux fins de cet article, nous nous concentrerons uniquement sur l'« intelligence artificielle étroite », qui désigne tout système informatique conçu pour effectuer des tâches anthropomorphes spécifiques.

L'intelligence artificielle est véritablement une discipline qui consiste à créer des algorithmes intelligents. À ses débuts, l'intelligence artificielle n'était qu'un ensemble d'instructions informatiques programmées. Aujourd'hui, elle désigne tout ce qui est compris entre un ensemble complexe de logiques et un algorithme autodidacte qui génère des résultats en se basant sur des exemples de référence et qui nécessite un minimum de programmation humaine.

Le fonctionnement des feux de signalisation est un exemple d'application de l'intelligence artificielle dans le monde réel. Ce qui exigeait autrefois une intervention humaine pour passer du rouge au vert nécessite désormais une logique et une programmation intelligentes pour permettre à un feu de rester vert pendant 45 secondes avant de passer au rouge. C'est ce qu'on appelle une commande à temps fixe. Il existe d'autres approches permettant de programmer un réseau de feux de signalisation, notamment le contrôle coordonné qui consiste à faire passer les feux au vert à mesure que les automobilistes avancent sur leur parcours. Fondamentalement, il suffit de programmer les feux de signalisation pour qu'ils effectuent une tâche spécifique afin que les humains n'aient plus à la réaliser manuellement.

Apprentissage automatique – l'application de l'intelligence artificielle

L'apprentissage automatique a été développé comme un sous-ensemble de l'intelligence artificielle et est considéré comme une technique permettant d'atteindre l'intelligence artificielle. L'apprentissage automatique désigne l'utilisation d'algorithmes pour permettre aux systèmes informatiques d'acquérir la capacité d'apprendre à partir de données et de prendre des décisions.

Au fil des années, les arbres décisionnels, l'analyse de groupement, l'apprentissage par renforcement et les réseaux bayésiens, parmi tant d'autres, sont venus enrichir les algorithmes de prise de décision Si nous reprenons notre exemple des feux de signalisation, les algorithmes d'apprentissage automatique pourraient être utilisés pour déterminer un modèle de définition de la durée optimale avant le passage du rouge au vert en fonction de l'heure de la journée et des embouteillages. Des villes telles que Las Vegas, au Nevada, expérimentent déjà cette application avec l'espoir que l'apprentissage automatique puisse contribuer à réduire les embouteillages de 40 %. L'apprentissage automatique permet aux villes d'aller plus loin que la simple programmation de leurs feux de signalisation en tirant parti des données générées par les voitures afin de prendre des décisions optimales quant à cette logique programmée.

Enfin, la vision industrielle constitue l'une des meilleures utilisations de l'apprentissage automatique. En tirant parti des données d'images acquises par des caméras et de plusieurs ensembles d'algorithmes appliqués à ces images, par exemple des outils de classement, de localisation ou de reconnaissance optique de caractères, les logiciels de vision industrielle sont capables de déterminer la présence ou l'absence d'une pièce, de mesurer la largeur entre deux bords ou encore d'identifier une chaîne de caractères sur un pneu.

Chez Cognex, ce que nous appelons vision industrielle est une approche classique ou basée sur les règles permettant de relever les défis de l'inspection. Nos règles, qui sont techniquement des algorithmes, ne sont en fait que des outils logiciels utilisés par les humains pour programmer des tâches spécifiques, telles que l'identification de deux bords sur une pièce puis la mesure de la largeur entre ces deux bords. Nous ne les considérons pas comme de l'apprentissage automatique ni de l'intelligence artificielle, même s'ils pourraient tout à fait entrer dans ces catégories.

Deep learning – la prochaine évolution de l'inspection

Les algorithmes de deep learning constituent un sous-ensemble de l'intelligence artificielle qui a récemment gagné en importance grâce aux avancées continues de la technologie. Le deep learning profite des avancées en matière d'apprentissage automatique, mais présente tout de même quelques différences clés.

Au lieu de s'appuyer sur les humains pour programmer des tâches à l'aide d'algorithmes informatiques, le deep learning parvient à obtenir des résultats grâce à une approche basée sur les exemples qui imite l'apprentissage humain. En tirant parti des réseaux neuronaux, les applications d'inspection basées sur le deep learning établissent des connexions et reconnaissent des formes dans des ensembles de données gigantesques.

Imaginons, par exemple, qu'un fabricant souhaite détecter les défauts sur les produits qu'il fabrique. Une première approche en ce sens consisterait à utiliser la vision industrielle classique. Cette dernière exigerait des ingénieurs qu'ils programment explicitement l'inspection pour qu'elle prenne en compte les millions de variations susceptibles de se présenter : la taille et le type de défauts, la localisation des défauts, etc. Cette application deviendrait alors fastidieuse à programmer et à gérer en raison de ces variations inhérentes.

Avec l'approche basée sur le deep learning, l'algorithme utilise les exemples fournis par l'utilisateur et développe automatiquement une compréhension de la pièce inspectée. En apprenant à quoi ressemble une bonne pièce et en prenant même en compte les variations légères, la solution d'inspection peut ensuite signaler toute anomalie, par exemple des rayures, des corps étrangers ou d'autres défauts visuels. Les utilisateurs peuvent améliorer davantage la solution en lui fournissant plus de données à partir desquelles l'outil peut apprendre. Plus l'application de deep learning dispose de données, plus elle devient performante dans la recherche d'anomalies.

L'avenir de l'inspection industrielle automatisée

Alors que l'intelligence artificielle continue d'être utilisée comme un terme marketing à la mode par de nombreuses entreprises, il est important de comprendre en quoi elle consiste et ce qu'elle peut faire et ne pas faire, en particulier dans un environnement d'automatisation industrielle.

À l'avenir, le fait que l'approche utilisée pour répondre aux besoins de l'inspection soit basée sur les exemples ou sur les règles, ou même sur une combinaison des deux, n'aura plus d'importance. Pour l'heure, cependant, chaque approche a ses propres forces et faiblesses, et doit être utilisée en conséquence.

Pour en savoir plus sur la différence entre les inspections basées sur les règles et celles basées sur les exemples, téléchargez notre ebook gratuit : Comparaison du deep learning avec la vision industrielle.

 

Plus d'articles

Quelle est la différence entre l'intelligence artificielle, l'apprentissage automatique et le deep learning pour les applications d'inspection industrielle automatisée ?

AI vs deep learning vs machine learning

Il est souvent difficile de distinguer le vrai du faux lorsqu'il s'agit d'intelligence artificielle, en particulier dans le domaine de l'inspection industrielle automatisée. L'intelligence artificielle fait partie de notre quotidien de bien des façons, mais cette technologie demeure un concept futuriste à plusieurs autres égards.

Les filtres anti-spam de votre messagerie s'appuient sur l'intelligence artificielle pour que vous n'ayez pas à lire ces e-mails indésirables. D'autre part, un robot capable de réussir le test de Turing comme C-3PO dans Star Wars existe uniquement dans les films de science-fiction et les émissions de télévision. Au cours de ces dernières années, le potentiel d'application pratique de l'intelligence artificielle a explosé grâce à l'amélioration rapide des coûts de la puissance de calcul et du stockage sur le cloud ainsi qu'à l'augmentation de la production de données à partir d'images, de textes, de transactions logicielles et bien plus.

Les termes « intelligence artificielle », « apprentissage automatique » et « deep learning » sont souvent utilisés indifféremment avec peu ou pas d'explications quant à leur signification. Identifier les différents types d'intelligence artificielle, notamment l'apprentissage automatique et le deep learning, permettra de mieux comprendre en quoi cette technologie aide ou n'aide pas les fabricants et les usines d'aujourd'hui.

Intelligence artificielle – la programmation des tâches avec une logique

Pour commencer, l'intelligence artificielle est un sous-ensemble de l'informatique où les systèmes informatiques effectuent des tâches anthropomorphes (par exemple, le classement des images, la reconnaissance vocale ou encore la traduction) aussi bien ou mieux que les humains. Les concepts de logique ont fait leur apparition avec les débuts de l'informatique dans les années 1950.

L'intelligence artificielle se compose de deux segments : l'intelligence artificielle étroite et l'intelligence artificielle générale. L'« intelligence artificielle générale » est un concept futuriste qui considère que les robots agissent et pensent comme les humains. Peut-être qu'un jour nous aurons affaire à des robots sensibles, mais aux fins de cet article, nous nous concentrerons uniquement sur l'« intelligence artificielle étroite », qui désigne tout système informatique conçu pour effectuer des tâches anthropomorphes spécifiques.

L'intelligence artificielle est véritablement une discipline qui consiste à créer des algorithmes intelligents. À ses débuts, l'intelligence artificielle n'était qu'un ensemble d'instructions informatiques programmées. Aujourd'hui, elle désigne tout ce qui est compris entre un ensemble complexe de logiques et un algorithme autodidacte qui génère des résultats en se basant sur des exemples de référence et qui nécessite un minimum de programmation humaine.

Le fonctionnement des feux de signalisation est un exemple d'application de l'intelligence artificielle dans le monde réel. Ce qui exigeait autrefois une intervention humaine pour passer du rouge au vert nécessite désormais une logique et une programmation intelligentes pour permettre à un feu de rester vert pendant 45 secondes avant de passer au rouge. C'est ce qu'on appelle une commande à temps fixe. Il existe d'autres approches permettant de programmer un réseau de feux de signalisation, notamment le contrôle coordonné qui consiste à faire passer les feux au vert à mesure que les automobilistes avancent sur leur parcours. Fondamentalement, il suffit de programmer les feux de signalisation pour qu'ils effectuent une tâche spécifique afin que les humains n'aient plus à la réaliser manuellement.

Apprentissage automatique – l'application de l'intelligence artificielle

L'apprentissage automatique a été développé comme un sous-ensemble de l'intelligence artificielle et est considéré comme une technique permettant d'atteindre l'intelligence artificielle. L'apprentissage automatique désigne l'utilisation d'algorithmes pour permettre aux systèmes informatiques d'acquérir la capacité d'apprendre à partir de données et de prendre des décisions.

Au fil des années, les arbres décisionnels, l'analyse de groupement, l'apprentissage par renforcement et les réseaux bayésiens, parmi tant d'autres, sont venus enrichir les algorithmes de prise de décision Si nous reprenons notre exemple des feux de signalisation, les algorithmes d'apprentissage automatique pourraient être utilisés pour déterminer un modèle de définition de la durée optimale avant le passage du rouge au vert en fonction de l'heure de la journée et des embouteillages. Des villes telles que Las Vegas, au Nevada, expérimentent déjà cette application avec l'espoir que l'apprentissage automatique puisse contribuer à réduire les embouteillages de 40 %. L'apprentissage automatique permet aux villes d'aller plus loin que la simple programmation de leurs feux de signalisation en tirant parti des données générées par les voitures afin de prendre des décisions optimales quant à cette logique programmée.

Enfin, la vision industrielle constitue l'une des meilleures utilisations de l'apprentissage automatique. En tirant parti des données d'images acquises par des caméras et de plusieurs ensembles d'algorithmes appliqués à ces images, par exemple des outils de classement, de localisation ou de reconnaissance optique de caractères, les logiciels de vision industrielle sont capables de déterminer la présence ou l'absence d'une pièce, de mesurer la largeur entre deux bords ou encore d'identifier une chaîne de caractères sur un pneu.

Chez Cognex, ce que nous appelons vision industrielle est une approche classique ou basée sur les règles permettant de relever les défis de l'inspection. Nos règles, qui sont techniquement des algorithmes, ne sont en fait que des outils logiciels utilisés par les humains pour programmer des tâches spécifiques, telles que l'identification de deux bords sur une pièce puis la mesure de la largeur entre ces deux bords. Nous ne les considérons pas comme de l'apprentissage automatique ni de l'intelligence artificielle, même s'ils pourraient tout à fait entrer dans ces catégories.

Deep learning – la prochaine évolution de l'inspection

Les algorithmes de deep learning constituent un sous-ensemble de l'intelligence artificielle qui a récemment gagné en importance grâce aux avancées continues de la technologie. Le deep learning profite des avancées en matière d'apprentissage automatique, mais présente tout de même quelques différences clés.

Au lieu de s'appuyer sur les humains pour programmer des tâches à l'aide d'algorithmes informatiques, le deep learning parvient à obtenir des résultats grâce à une approche basée sur les exemples qui imite l'apprentissage humain. En tirant parti des réseaux neuronaux, les applications d'inspection basées sur le deep learning établissent des connexions et reconnaissent des formes dans des ensembles de données gigantesques.

Imaginons, par exemple, qu'un fabricant souhaite détecter les défauts sur les produits qu'il fabrique. Une première approche en ce sens consisterait à utiliser la vision industrielle classique. Cette dernière exigerait des ingénieurs qu'ils programment explicitement l'inspection pour qu'elle prenne en compte les millions de variations susceptibles de se présenter : la taille et le type de défauts, la localisation des défauts, etc. Cette application deviendrait alors fastidieuse à programmer et à gérer en raison de ces variations inhérentes.

Avec l'approche basée sur le deep learning, l'algorithme utilise les exemples fournis par l'utilisateur et développe automatiquement une compréhension de la pièce inspectée. En apprenant à quoi ressemble une bonne pièce et en prenant même en compte les variations légères, la solution d'inspection peut ensuite signaler toute anomalie, par exemple des rayures, des corps étrangers ou d'autres défauts visuels. Les utilisateurs peuvent améliorer davantage la solution en lui fournissant plus de données à partir desquelles l'outil peut apprendre. Plus l'application de deep learning dispose de données, plus elle devient performante dans la recherche d'anomalies.

L'avenir de l'inspection industrielle automatisée

Alors que l'intelligence artificielle continue d'être utilisée comme un terme marketing à la mode par de nombreuses entreprises, il est important de comprendre en quoi elle consiste et ce qu'elle peut faire et ne pas faire, en particulier dans un environnement d'automatisation industrielle.

À l'avenir, le fait que l'approche utilisée pour répondre aux besoins de l'inspection soit basée sur les exemples ou sur les règles, ou même sur une combinaison des deux, n'aura plus d'importance. Pour l'heure, cependant, chaque approche a ses propres forces et faiblesses, et doit être utilisée en conséquence.

Pour en savoir plus sur la différence entre les inspections basées sur les règles et celles basées sur les exemples, téléchargez notre ebook gratuit : Comparaison du deep learning avec la vision industrielle.

 

Plus d'articles

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex