Auteur: Karl D’haveloose

Dans cet article, nous allons passer en revue les principes fondamentaux de l'IA Edge destinée aux entreprises manufacturières, ses avantages concrets, des cas pratiques et les principaux défis liés à sa mise en œuvre. Au cours de ces derniers mois, plusieurs auteurs ont en effet évoqué le sujet de la migration massive de l'IA du cloud vers l'Edge. Il s'agit donc d'un nouveau type d'IA, qui est directement déployé sur différents appareils, comme c'est déjà le cas sur votre smartphone.

Qu'est-ce que l'IA Edge ?

L'IA Edge exécute des calculs localement, directement au niveau de la source de données ou à proximité de celle-ci, plutôt que de dépendre de serveurs distants ou du cloud. Ce processus local permet de réagir en temps réel (généralement en quelques millisecondes), ce qui peut être extrêmement utile lorsqu'il est nécessaire, par exemple, de détecter des défaillances, d'identifier des risques de sécurité ou d'ajuster les performances des machines.

Dans le secteur manufacturier, le moindre retard, même d'une fraction de seconde, peut en effet entraîner la nécessité de réusiner des pièces, des temps d'arrêt ou des dommages matériels si un dysfonctionnement n'est pas détecté immédiatement. L'IA Edge permet d'éviter ces problèmes, dans la mesure où elle garantit une intervention immédiate.

Pour la détection de dysfonctionnements en temps réel, NVIDIA utilise notamment des modules Jetson, qui ne sont autres que des ordinateurs compacts et puissants spécialement conçus pour l'IA Edge. Des caméras et des capteurs analysent les produits localement et signalent immédiatement tout dysfonctionnement. Cela permet aux opérateurs d'intervenir sans dépendre de connexions cloud plus lentes, et donc de considérablement limiter le gaspillage.

Les avantages pour les parcs de machines

Malgré les progrès technologiques, les entreprises sont confrontées à une hausse des coûts et à des contraintes de capacité. L'IA Edge apporte des solutions directes et indirectes à ces problèmes :

Latence minimale : Dans les grandes usines dispersées, la rapidité avec laquelle les problèmes de surchauffe ou les défaillances sont détectés est cruciale. L'IA Edge traite les données des capteurs à la source, ce qui permet d'immédiatement arrêter ou ajuster la production. En contournant le cloud, le temps de réaction dans les situations critiques est considérablement réduit.

Réduction des coûts liés à la bande passante et au cloud : L'envoi de toutes les données vers le cloud coûte cher. L'IA Edge permet de réduire le trafic de données en ne transmettant que les anomalies pertinentes. Hitachi a déployé cette technologie sur les machines qu'elle utilise dans ses usines : en analysant localement les données relatives aux vibrations et à la température et en ne transmettant que les alertes, la transmission de données a diminué de 90 %. La maintenance prédictive a en outre permis de réduire les temps d'arrêt imprévus de 30 %.

Augmentation de la disponibilité et de la fiabilité : Les systèmes basés sur le cloud sont sensibles aux perturbations des connexions Internet. L'IA Edge exécute les modèles sur site, ce qui permet d'assurer la continuité de la production, même lorsque l'infrastructure est instable ou lorsque les sites se trouvent dans des endroits reculés.

Applications pratiques de l'IA Edge

Inspections visuelles : Les usines modernes automatisent le contrôle qualité à l'aide de caméras IA Edge capables de détecter toute fissure, tout désalignement ou toute pièce manquante. Ford collabore avec IBM dans ce domaine. Grâce à la plateforme Maximo Visual Inspection, le constructeur automobile effectue des inspections en temps réel sur la ligne de production. Cela permet d'améliorer la qualité sans avoir besoin de recourir à des data scientists sur place pour effectuer ces opérations.

Machines autorégulées : Au lieu d'un entretien réactif, l'IA Edge permet aux machines de s'optimiser de manière autonome. Elles ajustent leur vitesse et leur calibrage en fonction des conditions réelles plutôt que de se baser sur des manuels statiques. Bien que le cloud soit lui aussi capable de faire cela, l'Edge offre l'avantage crucial d'un traitement en temps réel sans dépendance vis-à-vis d'un système externe.

Sécurité et conformité : Dans les environnements industriels complexes, il est difficile de contrôler le respect des protocoles de sécurité en se contentant d'une surveillance manuelle. Les systèmes IA Edge analysent les images vidéo et les données des capteurs directement dans l'atelier, ce qui permet de signaler immédiatement toute situation à risque (comme p. ex. l'absence d'équipements de protection ou des issues de secours bloquées) et de limiter les risques de manière proactive.

Défis liés au déploiement à grande échelle

Bien que le potentiel soit énorme, plus de 80 % des initiatives visant à mettre en œuvre l'IA finissent par échouer. L'IA Edge rencontre elle aussi plusieurs obstacles :

Données et talents : l'IA repose sur la qualité des données, mais les données opérationnelles sont souvent fragmentées dans différents silos. Un audit approfondi des données est donc indispensable avant de se lancer dans l'aventure de l'IA Edge. D'autre part, la pénurie de professionnels capables de faire le lien entre les connaissances opérationnelles et les capacités de l'IA se fait clairement sentir. Il est dès lors essentiel d'investir dans des ateliers et des partenariats interfonctionnels pour permettre aux équipes d'acquérir les compétences nécessaires en matière d'IA.

Systèmes hérités et coûts : Bon nombre d'usines continuent d'utiliser des systèmes obsolètes qui n'ont pas été conçus pour s'adapter à l'IA moderne. Il faut donc remplacer ces systèmes, ce qui coûte cher et perturbe les activités. Pour les entreprises de taille moyenne, une approche progressive, impliquant l'utilisation d'API permettant de faire le lien entre les anciens systèmes et les nouvelles plateformes, constitue souvent la solution la plus raisonnable.

Limites matérielles : Les modèles d'IA locaux nécessitent une puissance de calcul considérable, que la plupart des machines qui équipent aujourd'hui les ateliers ne sont pas en mesure de fournir. La mise à niveau des équipements au moyen de puces spécialisées ou d'appareils Edge entraîne des coûts supplémentaires et une complexité technique accrue, ce qui peut perturber temporairement la production quotidienne.

Risques de sécurité et gérabilité

Les difficultés liées à la gestion et à la maintenance des systèmes, associées à la complexité des intégrations aux infrastructures existantes, rendent le déploiement complet de l'IA Edge particulièrement difficile. Les chefs d'entreprise s'inquiètent souvent de la fiabilité des performances et de la capacité à garder une bonne vue d'ensemble lorsque l'IA Edge est utilisée sur plusieurs sites. L'utilisation de l'IA en dehors des systèmes centralisés comporte en outre des risques considérables en matière de confidentialité, d'autant plus que ces appareils vulnérables sont souvent accessibles physiquement sur les sites de production.

Adoption de l'IA Edge

Malgré les défis évoqués précédemment, il n'est pas nécessaire de se lancer immédiatement dans des travaux de rénovation à grande échelle. Un projet pilote ciblé constitue souvent le meilleur point de départ. Identifiez un domaine à fort impact, tel que le contrôle qualité ou la surveillance des machines, où la nécessité de disposer d'informations en temps réel est la plus forte.

Gardez à l'esprit que la mise en œuvre de l'IA Edge ne se résume pas à une simple mise à niveau technologique ; il s'agit d'une transformation fondamentale de votre entreprise. Commencez par les bases : assurez-vous que les machines existantes sont bien capables de collecter des données. Établissez ensuite un lien entre les équipes informatiques et opérationnelles afin de poser des bases sûres et évolutives, à partir desquelles la technologie pourra être déployée dans d'autres services.

Acteurs belges actifs et recherche dans le domaine de l'IA Edge

VersaSense: dit bedrijf zet in op industriële AI voor real-time anomaliedetectie direct op de sensoren. Door gegevens lokaal te verwerken, verminderen ze de downtime van machines zonder afhankelijk te zijn van cloudverwerking.

VersaSense : Cette entreprise mise sur l'IA industrielle pour la détection en temps réel des anomalies directement au niveau des capteurs. En traitant les données localement, elle réduit les temps d'arrêt des machines sans être dépendante d'un traitement dans le cloud.

iQunet : L'entreprise belge utilise des modèles d'IA basés sur l'Edge pour analyser localement les données relatives aux vibrations et à l'alimentation électrique. Cela permet de détecter en temps réel les défaillances des équipements dans les environnements industriels.

VOCSens : Ces spécialistes associent des détecteurs de gaz ultramodernes à une IA intégrée afin d'adapter automatiquement les mesures à des facteurs tels que la température et l'humidité, ce qui améliore l'autonomie de la batterie et la fiabilité des applications IdO.

Sentiance : Bien qu'axé sur la mobilité, cet acteur belge est un véritable exemple en matière d'IA Edge axée sur la protection de la vie privée. Son activité consiste à traiter localement les données des smartphones, telles que les mouvements et les accélérations, afin de surveiller les comportements au volant sans dépendre du cloud.

ASUS IoT (cas belge) : Dans l'industrie belge du recyclage textile, la technologie de l'IA Edge est utilisée pour assurer un tri précis des textiles. Grâce aux systèmes de vision industrielle et à des ordinateurs assurant un traitement local des données (tels que le PE8000G), le tri peut être effectué en temps réel.

Initiatives de recherche et plateformes

Sirris - Vision & Edge AI lab : Ce laboratoire aide l'industrie manufacturière belge à intégrer l'IA dans son environnement de production. Il publie régulièrement des 'casebooks' (livres de cas) présentant des cas concrets d'IA intégrée au sein d'entreprises locales.

EdgeAI4Automation : Ce projet de recherche spécifique à la Flandre (TETRA) aide les entreprises manufacturières à mettre en œuvre l'IA industrielle pour le contrôle des processus en temps réel sur les automates programmables industriels (API) et les ordinateurs industriels.

Agoria : La fédération sectorielle publie régulièrement des rapports sur l'adoption de l'IA dans l'industrie manufacturière belge et organise des missions d'inspiration afin d'accompagner les entreprises dans leur transition vers l'Industrie 4.0.

Bien que la Belgique figure parmi les leaders européens en matière d'utilisation d'au moins une application d'IA (24,7 %), le déploiement à grande échelle de solutions spécifiques d'IA Edge dans le secteur manufacturier au sens large reste un axe de croissance prioritaire pour de nombreuses PME. Cette question sera sans aucun doute abordée lors des Cours d'Experts organisés dans le cadre du prochain salon ABISS2026, qui se tiendra à Breda et à Courtrai au mois d'octobre.