Présentation du deep learning appliqué à la fabrication

Si vous réfléchissez à une façon d'expliquer à un enfant ce qu'est une maison, une approche consisterait à dessiner un carré avec un triangle sur le dessus, ainsi qu'une porte et quelques fenêtres, et à dire « ça, c'est une maison ». Une autre approche serait de montrer à l'enfant plusieurs images de maisons et laisser l'enfant comprendre par lui-même ce qu'est une maison. Un jour, l'enfant regardera un bâtiment, par exemple un immeuble d'habitations, et comprendra naturellement les différences entre celui-ci et une maison.

En apprenant ce qu'est une maison à l'aide d'images de maisons, l'enfant apprend à partir d'exemples. Ce processus fondamental est au cœur du deep learning, en particulier pour la fabrication.

Le deep learning est un sous-ensemble de l'intelligence artificielle et fait partie de la famille élargie de l'apprentissage automatique. Au lieu d'humains programmant des applications informatiques propres à chaque tâche, le deep learning utilise des données non structurées et apprend à produire des résultats précis basés sur ces données d'apprentissage. Les applications de deep learning apprennent et effectuent des tâches limitées sans être explicitement programmées pour.

Le deep learning n'est ainsi qu'une vaste technologie pour aider les humains à l'avenir. À l'heure actuelle, il résout des problèmes, aussi bien banals qu'importants : reconnaissance faciale pour déverrouiller des téléphones ou identifier des amis sur des photos de réseaux sociaux, moteurs de recommandation de services de streaming de vidéos et de musique ou lors d'achats sur des sites de commerce électronique, imagerie médicale pour le diagnostic de maladies telles que le cancer, filtres anti-spam de messagerie et détection de fraude à la carte bancaire.

Les applications de deep learning évoluent grâce à leur capacité à identifier systématiquement et massivement des anomalies et des variations dans un jeu de données. Repérer les différences ou comprendre ce qui caractérise une maison est une tâche facile pour les humains, mais qui était jusqu'à présent difficile pour les systèmes informatiques basés sur une programmation rigide.

Les humains se fatiguent toutefois facilement dans leur prise de décision, contrairement aux ordinateurs. C'est pour cela que, s'il est mis en œuvre pour les bons types d'applications, conjointement avec la vision industrielle, le deep learning peut bénéficier aux usines et entreprises de fabrication plus rapidement que d'autres technologies émergentes qui peuvent prendre des années à porter leurs fruits.

La technologie de deep learning permet de prévoir les tendances et prendre des décisions opérationnelles cruciales. Les pratiques de fabrication avancées se servent désormais de cette technologie pour une inspection de qualité et d'autres applications basées sur le jugement, telles que la détection des défauts ou la vérification de l'assemblage final.

Le deep learning s'appuie essentiellement sur le travail des réseaux neuronaux. Lorsqu'un réseau neuronal est entraîné, les données d'apprentissage sont transmises à la couche inférieure, la couche d'entrée, puis elles passent par des couches de calcul successives, multipliées et additionnées de façon complexe, jusqu'à ce qu'elles arrivent enfin, radicalement transformées, à la couche de sortie. C'est à ce moment que le programme détermine pour quelles raisons une image représente une maison et non un chien, par exemple.

L'explosion des technologies de deep learning est due en grande partie à l'énorme gain de popularité des jeux vidéo modernes. Selon le MIT, « l'imagerie complexe et la cadence rapide des jeux vidéo actuels nécessitent du matériel adapté, en l'occurrence un processeur graphique, qui stocke des centaines de cœurs de calcul relativement simples sur une seule puce. Les chercheurs n'ont pas mis longtemps à comprendre que l'architecture d'un processeur graphique est remarquablement similaire à un réseau neuronal. »

Ces processeurs graphiques hautes performances modernes ont permis le développement des réseaux neuronaux à 50 couches actuels, ce qui a rendu possibles les applications de deep learning. Celles-ci confèrent aux technologies de fabrication de nouvelles capacités d'identification des images, de détermination des tendances, d'établissement de prévisions et de prise de décisions intelligentes.

Pour en savoir plus sur les technologies de deep learning applicables à la fabrication, téléchargez notre eBook gratuit, Comparaison entre le deep learning et la vision industrielle.