Blogs Cognex

Quels enseignements les fabricants peuvent-ils tirer d'AlphaGo en matière d'automatisation industrielle basée sur le deep learning

alphaGo and deep learning

Au printemps 2016, Lee Sedol, l'un des meilleurs joueurs de Go au monde, a affronté un adversaire qui l'a battu à plate couture au cours d'un duel en cinq manches, mais cela l'a finalement conduit à jouer certaines des meilleures parties de Go de sa carrière.

Son adversaire ? Un programme d'intelligence artificielle appelé AlphaGo et conçu par l'équipe DeepMind de Google.

Le Go est un ancien jeu de guerre abstrait chinois dont la complexité est nettement supérieure à celle des échecs. Avec plus de configurations de plateau possibles que d'atomes dans l'univers, la majorité de la communauté de Go pensait qu'il aurait fallu attendre encore au moins une décennie avant qu'un ordinateur puisse comprendre la complexité de la prise de décision et rivaliser avec les meilleurs joueurs humains.

Malheureusement, comme Lee Sedol a pu le découvrir, les ordinateurs sont parfaitement capables de jouer au jeu de Go et à un très haut niveau. À un niveau si haut, à vrai dire, que M. Sedol a récemment annoncé prendre sa retraite en insistant sur le fait que l'intelligence artificielle constitue « une entité qui ne peut être vaincue ».

Le deep learning imite l'intuition humaine

AlphaGo a appris à jouer au jeu de Go par le biais du deep learning. Des données de jeu ont tout d'abord été transmises au système informatique afin qu'il apprenne les mouvements, les règles et la stratégie de base, puis il s'est entraîné seul à partir des données issues des parties jouées en utilisant des algorithmes de deep learning. AlphaGo s'est appuyé sur deux réseaux neuronaux : un « réseau de décision » pour décider du prochain mouvement à jouer et un « réseau de valeur » pour prédire le vainqueur de la partie à partir de chaque position sur le plateau.

À mesure qu'il joue, le réseau neuronal d'AlphaGo s'ajuste et se met à jour pour prédire les mouvements ainsi que l'éventuel vainqueur. Avec chaque itération, les performances du système s'améliorent un peu plus et la qualité des parties jouées automatiquement augmente, ce qui permet d'obtenir des réseaux neuronaux toujours plus précis et des versions d'AlphaGo toujours plus fortes.

M. Sedol est sans nul doute comparable à d'autres grands sportifs, aussi bon dans sa spécialité que Roger Federer au tennis, que Tiger Woods au golf, ou encore que LeBron James au basket. Et pourtant, son match désormais tristement célèbre contre AlphaGo est notamment interprété comme une défaite cuisante contre un adversaire basé sur l'intelligence artificielle bien plus fort. Mais cela suppose de voir les choses à travers le prisme de la compétition entre l'homme et la machine. Une autre interprétation possible du match se base sur deux mouvements clés, chacun joué par l'un des deux adversaires, et suggère non pas que l'intelligence artificielle vient en remplacement des humains, mais plutôt que les humains épaulés par des outils tels que le deep learning et les réseaux neuronaux sont le futur de l'automatisation industrielle.

Lors de la 2e manche, au 37e coup, AlphaGo a joué un mouvement inattendu, appelé « coup à l'épaule », sur le côté supérieur droit du plateau. Le mouvement était si inhabituel dans le cadre de la compétition classique que M. Sedol a dû quitter le jeu pendant 15 minutes pour se calmer. Les commentateurs ont décrit le mouvement comme « magnifique », « un mouvement très étrange » et peut-être « une erreur ». Mais ces derniers n'étaient pas en mesure d'effectuer autant de calculs que l'ordinateur, qui avait identifié ce mouvement comme une chance sur 10 000 de finalement gagner la partie.

Au cours de la 4e manche, au 87e coup, un cas de figure plutôt similaire s'est présenté, mais cette fois c'était au tour de Lee Sedol de troubler l'ordinateur avec un mouvement qui a depuis été baptisé « Hand of God » (la main de dieu). AlphaGo était on ne peut plus confus puisqu’il ne pouvait expliquer ce mouvement : selon ses calculs, un humain ne pouvait le jouer qu'une fois sur 10 000. Lee Sedol a par la suite expliqué que c'était le mouvement inattendu de l'ordinateur lors de la deuxième manche qui lui avait permis de mieux voir le plateau et l'avait conduit à jouer son propre mouvement tout aussi inattendu.

Comme le fait remarquer Christopher Moyer dans The Atlantic : « ce que nous devons retenir de cette série n'est pas le fait que l'intelligence artificielle de DeepMind est capable de conquérir le jeu de Go, mais plutôt le fait que, par extension, elle puisse apprendre à conquérir tout ce qui est moins difficile que le Go, c'est-à-dire énormément de choses. Les possibilités d'application de ces avancées révolutionnaires en matière d'apprentissage automatique, notamment la capacité des machines à imiter la créativité et l'intuition humaines, sont quasiment infinies. »

Le deep learning en usine

La technologie sur laquelle AlphaGo s'est appuyé pour vaincre un adversaire humain n'est pas une vision éloignée du futur. Il s'agit même plutôt d'une réalité actuelle. Il existe bien entendu de nombreuses applications d'inspection basées sur le deep learning et les réseaux neuronaux pour l'automatisation industrielle dans des secteurs tels que l'automobile, l'électronique grand public et les sciences de la vie. La reconnaissance des défauts ou des anomalies sur les pièces est une excellente application du deep learning en usine.

De la même façon qu'AlphaGo a utilisé de nouveaux flux de données pour améliorer ses performances, les équipes d'automatisation industrielle peuvent tirer parti du deep learning et des flux de données continus pour améliorer l'inspection des pièces, la vérification de l'assemblage final, la détection des défauts et d'autres applications clés. La prochaine évolution de la vision industrielle appliquée à la créativité humaine et à la prise de décision avec la fiabilité et l'évolutivité d'un système informatique 24 heures sur 24, 7 jours sur 7 et 365 jours par an.

Comme l'a démontré AlphaGo, le deep learning associe la créativité et la capacité à prendre des décisions de l'humain avec la fiabilité et l'évolutivité absolues d'un système informatique. Il constitue non seulement un outil permettant aux humains de travailler plus efficacement, mais dans les meilleurs cas, il peut les aider à progresser dans ce qu'ils font, bien au-delà de ce qu'ils pensaient possible.

Pour découvrir comment le deep learning peut relever les défis complexes de l'inspection de la production, téléchargez notre ebook gratuit, Comparaison entre la vision industrielle et le deep learning.

Plus d'articles

Pour plus d'informations sur les produits Cognex ::

ACCÉDEZ À L'ASSISTANCE ET À LA FORMATION POUR LES PRODUITS ET PLUS

Rejoignez MyCognex

AVEZ-VOUS DES QUESTIONS ?

Les représentants de chez Cognex sont disponibles dans le monde entier pour soutenir votre vision et vos besoins de lecture de codes-barres industriels.

Contact commercial
Loading...