L'intelligence artificielle pour la fabrication : glossaire terminologique

Il n'est pas nécessaire d'avoir un doctorat pour se sentir libre de discuter de l'intelligence artificielle, même si c'est un avantage indéniable. Connaître quelques termes et concepts de base liés à l'intelligence artificielle peut grandement faciliter la compréhension des dernières avancées en matière de technologie et d'inspection pour l'automatisation industrielle.

Voici les termes les plus couramment utilisés dans les conversations et les articles au sujet de l'intelligence artificielle pour l'automatisation industrielle.

Algorithmes : ensemble d'instructions et de calculs qui permet à un ordinateur d'atteindre un objectif. Dans l'automatisation industrielle, les algorithmes peuvent trier des ensembles gigantesques de données issues des capteurs, des lecteurs et des caméras numériques afin de révéler les dysfonctionnements, de booster la qualité et de recommander des améliorations. Un algorithme basé sur l'apprentissage utilise la méthodologie de l'expérimentation et de l'apprentissage basé sur les exemples pour optimiser les processus de production sans intervention humaine.

Intelligence artificielle (IA) : techniques de calcul qui cherchent à imiter le processus décisionnel humain en utilisant l'automatisation pour réaliser des tâches difficiles pour les humains. Les algorithmes d'intelligence artificielle sont au cœur de l'automatisation industrielle car ils s'appuient sur des technologies telles que la reconnaissance d'images et le traitement automatique du langage naturel pour réduire les erreurs humaines et anticiper les défis de la production.

Mégadonnées : technologies qui regroupent des ensembles gigantesques de données issues de plusieurs sources et utilisent des outils d'analyse pour générer des statistiques uniques. Les mégadonnées établissent les fondements de l'intelligence artificielle car les algorithmes basés sur l'apprentissage nécessitent des montagnes d'informations pour émuler la prise de décision humaine et pour produire des prévisions précises. Les usines automatisées utilisent les analyses des mégadonnées pour éclairer leurs initiatives en matière d'intelligence artificielle.

Classification : répartition des données en catégories distinctes visant à améliorer l'efficacité de l'intelligence artificielle. Dans l'automatisation industrielle, les systèmes de collecte des données balayent l'environnement de production et reconnaissent des objets spécifiques, tels que les pièces et les composants électroniques d'une machine. Les algorithmes d'intelligence artificielle aident à la classification de ces objets et les acheminent vers la bonne destination sur la ligne de production.

Regroupement : séparation d'une population de points de données en groupes afin de déterminer ceux qui se ressemblent et ceux qui diffèrent. Les algorithmes basés sur l'apprentissage analysent les groupes pour interpréter leur signification et prévoir un plan d'action approprié. Par exemple, les algorithmes de regroupement traitent des données obtenues grâce aux systèmes de lecture optiques afin de déterminer les actions à entreprendre lorsqu'au cours d'une lecture un défaut sur un produit est détecté.

Nettoyage des données : suppression des données incorrectes pour améliorer l'efficacité d'un algorithme d'apprentissage. L'intelligence artificielle s'appuie sur des modèles de données sophistiqués, dont les sources de données se doivent d'être précises, fiables et cohérentes. Malheureusement, la collecte des données génère souvent des informations redondantes, imprécises, dépassées, voire inutiles. Par conséquent, le nettoyage des données permet de réduire les risques et d'améliorer la précision de l'intelligence artificielle.

Deep learning : méthodologie de l'intelligence artificielle qui utilise les réseaux neuronaux et les algorithmes d'apprentissage basé sur les exemples pour s'améliorer au fil du temps sans l'aide d'un humain. Plus les algorithmes basés sur le deep learning traitent des données et plus ils deviennent efficaces, contrairement aux algorithmes basés sur les règles, dont la capacité de traitement des données est fortement limitée. Dans l'automatisation industrielle, les algorithmes basés sur le deep learning peuvent signaler les défauts des produits avec la même cognition que les humains, mais bien plus rapidement.

Téléchargez notre ressource gratuite : eBook Comparaison entre le deep learning et la vision industrielle

Reconnaissance d'image : utilisation de l'intelligence artificielle pour analyser le contenu d'une image numérique. Les algorithmes de reconnaissance d'image balayent des millions de pixels et appliquent le deep learning pour faire la distinction entre les personnes, les lieux et les objets. Ces technologies rendent possibles la lecture des codes-barres et l'inspection automatisée, qui peuvent améliorer de façon drastique la productivité d'une usine automatisée. Voir également : vision industrielle.

Internet des objets (IoT) : réseau de capteurs connecté à Internet pour combiner l'intelligence en temps réel des machines et le comportement humain. Les dispositifs concernés incluent les téléphones portables, les appareils portables, les caméras vidéo, les appareils de surveillance du trafic et les capteurs des machines et des lignes de production. Les capteurs IoT génèrent des quantités gigantesques de données nécessaires à l'apprentissage automatique.

Apprentissage automatique : processus de calcul capables d'améliorer les résultats sans qu'aucune programmation humaine ne soit nécessaire. Les algorithmes basés sur l'apprentissage automatique entraînent un ordinateur à rechercher la réussite et à éviter l'échec des millions de fois afin de générer des résultats d'apprentissage. La reconnaissance d'image, par exemple, analyse des millions d'images afin de distinguer les différents objets présents sur une image numérique. Voir également : données d'apprentissage.

Vision industrielle : algorithmes basés sur les règles qui identifient les caractéristiques spécifiques d'un objet. Les technologies de vision industrielle utilisent les données des lecteurs optiques et des caméras numériques pour inspecter les pièces sur les lignes de production et lire les codes-barres dans les centres de distribution. Bien que les outils de vision industrielle soient plus rapides que l'œil humain, le deep learning peut améliorer de façon drastique leur précision et leur efficacité.

Réseaux neuronaux : algorithmes et nœuds de données inspirés des voies neuronales du système nerveux humain. Un réseau neuronal émule la façon dont les cellules nerveuses reçoivent l'information, la traitent et la transmettent à d'autres nerfs. Les milliers de nœuds de traitement qui composent le réseau neuronal trouvent des modèles dans les données, par exemple des images, du texte ou des mots prononcés. Ces modèles aident l'algorithme à décider de la prochaine action à effectuer et à s'améliorer à chaque fois qu'il réussit une tâche.

Reconnaissance optique de caractères (OCR) : traduction de nombres, lettres et caractères imprimés en données numériques significatives. Si la technologie de reconnaissance optique de caractères existe depuis des décennies, elle reste un élément essentiel pour l'automatisation industrielle et la distribution des produits. Par ailleurs, les technologies basées sur l'intelligence artificielle font faire un bond en avant en matière de précision de reconnaissance optique de caractères en permettant la lecture d'étiquettes pliées, déchirées, endommagées et masquées par des emballages plastiques.

Automatisation des processus par la robotique : systèmes, logiciels et processus qui permettent d'automatiser les processus de production tout en améliorant la productivité et en déchargeant les employés des tâches fastidieuses et répétitives. Les systèmes d'automatisation des processus par la robotique incluent les bras robotisés qui effectuent des tâches telles que le soudage des pièces automobiles ou l'assemblage des microprocesseurs. Les logiciels d'automatisation des processus par la robotique peuvent inclure les algorithmes et les applications d'automatisation des processus qui nécessitaient auparavant que des données soient entrées par un humain.

Données structurées et non structurées : cadres distincts destinés à aider les machines à comprendre la signification des données et à les traiter avec précision. Les données structurées sont enregistrées dans des formats uniformes, par exemple les lignes, les colonnes et les cellules d'une feuille de calcul. Les données non structurées sont en quelque sorte similaires à un fichier de traitement de texte ou aux pixels dans une vidéo. Grâce aux algorithmes d'intelligence artificielle, les systèmes d'automatisation industrielle sont capables d'extraire des connaissances de ces deux types de données.

Intelligence en essaim : ensemble d'algorithmes travaillant conjointement pour produire une intelligence supérieure à celle des individus qui composent l'essaim. Modélisé sur le comportement des abeilles, des poissons, des oiseaux et d'autres organismes sociaux, le système d'intelligence en essaim attribue des tâches spécifiques simples à chaque algorithme basé sur l'apprentissage automatique. Le fait que ces algorithmes travaillent ensemble permet d'obtenir des résultats d'apprentissage bien plus sophistiqués que ceux qu'un algorithme serait capable de générer à lui tout seul. Voir également : réseaux neuronaux.

Données d'apprentissage : informations numériques qui alimentent l'apprentissage d'un algorithme basé sur l'intelligence artificielle. Les algorithmes basés sur le deep learning et les réseaux neuronaux doivent connaître la différence entre les bonnes données et les données défectueuses. Les données d'apprentissage leur permettent de comprendre cette différence. Dans une usine automatisée, par exemple, les images numériques constituent des données d'apprentissage qui permettent aux algorithmes d'apprendre à identifier les pièces défectueuses d'une machine et ainsi d'éviter qu'elles ne se retrouvent dans les produits finis.

Découvrez comment tirer parti des technologies d'inspection basées sur l'intelligence artificielle et le deep learning dans notre fiche technique sur le Deep Learning de VisionPro gratuite.