Retour sur le Café IA du 25 septembre : "Explorez l'avenir industriel avec l'IA"

L’IA est présentée comme un levier stratégique pour l’optimisation et l’automatisation en milieu industriel (vision, robotique, choix entre solutions classiques et ML/DL selon la variabilité et la data). Les retours montrent des ROI rapides sur cas éprouvés, la nécessité d’une acquisition de données de qualité, d’une démarche éthique et itérative, et d’une montée en compétences des équipes.

Quelques verbatims de la conférence :

• “L’intelligence artificielle, ce n’est pas seulement ChatGPT et le Prompt Engineering.” Allan Cronier
• “Rien ne sert de développer un système IA si un système de vision classique permet déjà de réaliser ce qu’on souhaite faire.” Allan Cronier
• “Pour apprendre à une machine ce qu’est un défaut, il faut de la matière: beaucoup de défauts.” Allan Cronier
• “Permettre à un non-roboticien de générer une trajectoire de robot fiable, c’est démocratiser l’automatisation.”– Allan Cronier
• “l’IA, ça peut vraiment compléter le travail de l’humain.”
• “Il faut démarrer petit, avec un cas d’école sur un système proto.”
• “Pour moi finalement l’IA aujourd’hui, c’est un outil stratégique pour la réindustrialisation.” Allan CRONIER

Présentation d’Alan Cronier et de Poly Process Solutions.

Allan Cronier, est ingénieur en systèmes intelligents et technologies de pointe, avec une belle expérience en accompagnement industriel, déploiement de solutions IA en usine, modernisation des procédés, optimisation de la production et innovation organisationnelle, notamment lors d’une expérience au Japon chez Toyota.

Il est le Co-fondateur de Poly Process Solutions basée à Trégueux. Les cas d’usage traités sont notamment l’automatisation des bouts de ligne de production via la robotique et la vision industrielle, l’usage régulier de l’IA pour optimiser des process chez des clients.

• Robotique: cobots permettant travail proche de l’humain avec règles de sécurité et vitesses spécifiques.
• Vision industrielle: caméras et éclairages pour acquisitions sur lignes, logiciels donnant la «capacité de voir» aux machines.

Principes de la vision industrielle et rôles de l’IA :

La vision industrielle repose sur l’acquisition massives d’images et traitement logiciel. L’IA est principalement utilisée pour l’apprentissage (machine learning et deep learning) à partir de bases de données images, afin d’améliorer la performance de détection et de contrôle.

Les modèles d’apprentissage :

• Machine learning: apprentissages simples; la machine apprend des typologies de défauts récurrentes sur des pièces.
• Deep learning: traitement de datas plus complexes; utile pour produits vivants (fromage, animaux, sexage de poussin) où aucun produit n’est identique.
• Edge learning: efficace pour pièces de production manufacturières répétables avec paramètres faciles à reconnaître.

Choix IA vs vision classique: si les pièces sont très répétables, l’IA n’est pas nécessaire ; la vision classique suffit pour un meilleur ROI.

Cas concret 1 : Menuiserie industrielle (contrôle qualité en sortie de centre d’usinage)

En menuiserie industrielle, le contrôle qualité en sortie d’usinage est essentiel mais rendu complexe par la diversité des dimensions et la variabilité des défauts.
Un système de contrôle innovant, basé sur l’intelligence artificielle, a été développé pour identifier rayures, irrégularités ou anomalies de teinte.
Il repose sur l’apprentissage progressif d’images enrichies et qualifiées par les opérateurs. Cette base de données permet au logiciel d’affiner sa capacité à distinguer défauts réels et simples variations d’aspect.

Un module d’OCR probabiliste complète le dispositif en reconnaissant les marquages, même partiellement effacés. La principale difficulté est la faiblesse initiale de la base d’images, nécessitant une acquisition et une annotation massives. L’IA apprend ainsi de façon autonome et s’adapte progressivement aux spécificités des produits. L’objectif est d’obtenir un logiciel fiable, capable de classer les pièces bonnes ou non conformes.

Il fournit en outre un niveau de confiance exprimé en pourcentage. Au-delà de l’automatisation, ce système vise à instaurer un processus évolutif et robuste, adapté à chaque lot de production.

Cas concret 2 : Agroalimentaire – mimolette (tri qualité selon marché)

Dans le secteur agroalimentaire, le tri des boules de mimolette illustre la nécessité d’un contrôle qualité différencié selon les marchés. Le Japon exige une mimolette parfaite, sans aucun défaut, tandis que la France et les États-Unis appliquent des critères distincts.

Pour répondre à cette diversité, un système de vision artificielle couplé à de l’intelligence artificielle a été mis en place. Celui-ci repose sur l’acquisition de centaines d’images en conditions réelles, annotées puis validées avec les clients. Les défauts sont marqués visuellement (ex. en rouge) et confirmés ou infirmés afin d’ajuster les critères.

Le dispositif fonctionne en boucle d’apprentissage : lorsqu’un défaut est mal interprété, l’IA corrige son modèle pour progresser dans ses détections futures. Chaque produit est évalué à travers un score de conformité et un niveau de confiance probabiliste (par ex. « défaut X détecté avec 80 % de certitude »).

Des matrices de performance permettent de mesurer la fiabilité et la répétabilité du système. La réussite dépend toutefois de prérequis essentiels : fournir un grand volume de produits en conditions de production, constituer une base d’images diversifiées et impliquer activement les clients dans la validation.

L’objectif final est un tri automatisé, précis et adaptable, garantissant que chaque marché reçoive des produits conformes à ses propres standards.

Cas concret 3 : Îlot de palettisation multi-formats (pots de peinture)

Développement d’un logiciel permettant à un non-roboticien de définir un plan de palettisation couche par couche pour une ligne traitant une grande diversité de pots (petits de retouche ronds/carrés, gros ronds avec anses ou sans, poids hétérogènes comme 60 kg vs 25 cl). Problèmes: diversité des produits, changements fréquents de design dictés par des clients (p. ex. Leroy Merlin), et adaptation régulière du plan de palettisation. Solution: IA qui évalue la robustesse du plan (risque de chute de cartons) sur la base d’une base de données client déjà robuste, et génère directement le code de programmation du robot pour adapter la trajectoire sans recourir à un roboticien sur place.

Détection de plastique dans de la viande via vision et IA

Un système de vision industrielle a été développé pour contrôler l’absence de plastique dans des boîtes de viande. Le dispositif utilise une caméra et un double éclairage pour analyser les produits une fois renversés sur une table par un robot. L’objectif est d’identifier divers plastiques résiduels (sachets, bâches, gants) malgré une forte variabilité de formes, tailles et couleurs.
La complexité est accrue par l’hétérogénéité de la viande, pouvant contenir plus ou moins de sang. L’IA repose sur un apprentissage supervisé basé sur de nombreuses acquisitions initiales. Chaque détection est validée par le client, via un processus répétitif de confirmation « oui / non ».

Cette validation alimente la base de données et améliore la précision du modèle. Au fil du temps, la quantité de validations nécessaires est réduite grâce à l’apprentissage progressif. Le logiciel devient alors capable de distinguer de façon autonome les produits conformes des non conformes. À terme, le système fournit une décision simple : « OK » ou « pas OK », garantissant la fiabilité du contrôle.

Optimisation de plans de chargement logistique avec ChatGPT

En interne, l’entreprise utilise ChatGPT pour optimiser les plans de chargement des camions. Les opérateurs saisissent les caractéristiques produits : dimensions, hauteur, poids, conditionnement, contraintes d’élingage et ordre de déchargement. À partir de ces données, ChatGPT propose directement un plan de palettisation du camion. Cette automatisation permet un gain de temps significatif dans la préparation logistique. Elle contribue également à réduire les coûts de transport en simplifiant la planification. Le recours à l’IA favorise ainsi une meilleure efficacité interne et une relation optimisée avec les fournisseurs logistiques. En revanche, pour les clients, l’usage de ChatGPT reste marginal.
L’essentiel de l’apport de l’IA côté client provient des applications de vision industrielle. Ces dernières permettent de contrôler la qualité des produits et d’automatiser certains processus critiques.

ChatGPT constitue donc un outil interne de productivité, tandis que la vision IA est privilégiée pour les interactions clients.

Capitalisation du savoir artisanal dans le cuir via machine learning

Chez un client du luxe, spécialisé dans le cuir pour sacs et pochettes, l’entreprise fait face à une population vieillissante et à une fuite des talents.
L’objectif est de capitaliser le savoir-faire des artisans dans la détection des défauts. Le processus combine la pose du cuir par l’artisan et une vision industrielle avec caméra et éclairage adaptés. Les tests d’éclairage sont essentiels, car les défauts n’apparaissent pas de la même manière selon la typologie lumineuse. Au démarrage, l’artisan annotait les défauts au stylet pour enrichir la base de données de l’IA.

Aujourd’hui, le système prédispositionne les défauts sur écran, guidant l’opérateur dans son travail. Cette approche permet un gain de temps notable et améliore la précision de la détection.

Elle facilite également la formation rapide de nouveaux opérateurs, garantissant la transmission du savoir.

Il n’y a aucune intention de supprimer des postes : l’IA complète l’humain et valorise le capital expertise. Ainsi, la technologie assure à la fois qualité, efficacité et pérennisation du savoir artisanal.

Enjeux de projet IA en industrie: expertise, données, démarche et éthique

Les clients s’appuient souvent sur des experts externes en vision et IA, faute de compétences internes suffisantes et de services techniques débordés.
La première étape consiste à clarifier le problème à résoudre et à évaluer la pertinence et les limites de l’IA selon les défauts ciblés (ex. relecture de caractères, dates de péremption).

La constitution d’une base de données d’images de qualité est cruciale, car les images initiales sont souvent insuffisantes ou non pertinentes.

L’accompagnement à l’acquisition des données permet de garantir la fiabilité du modèle.
Il est conseillé de démarrer par un prototype limité pour accélérer les tests, impliquer les équipes et faciliter la projection.

L’éthique et la sécurité des données sont essentielles : il faut éviter d’exposer des bases sensibles, comme le savoir artisanal, sur des plateformes publiques.
L’anticipation de l’interfaçage futur avec des systèmes de vision, des cobots ou des AMR est nécessaire pour la mobilité et l’automatisation en usine.
Une roadmap long terme, sur 5 à 10 ans, permet de planifier les acquisitions et évolutions du système.

Les principales difficultés résident dans les itérations multiples, le temps requis, le maintien de la motivation et le calcul du retour sur investissement.
Ainsi, la réussite d’un projet IA/vision repose sur expertise externe, rigueur dans les données, prototypage progressif et anticipation stratégique.

Positionnement stratégique de l’IA : réindustrialisation, formation et limites

L’IA constitue un outil stratégique pour la réindustrialisation, en optimisant les lignes de production et en capitalisant le savoir-faire industriel. Son déploiement nécessite un travail RH important pour préserver l’emploi et renforcer les compétences des équipes. La formation sur site permet aux opérateurs de s’approprier les nouveaux outils et d’intégrer l’IA dans leur travail quotidien. Les industriels doivent comprendre à la fois le potentiel et les limites de l’IA pour en tirer un bénéfice réel. La mise en place de POC (proof of concept) et de prototypes permet d’expérimenter, de valider et d’ajuster les solutions.

Ces expérimentations servent également à évaluer la faisabilité et la pertinence de chaque application sur la ligne de production. L’éthique des données et des usages doit être intégrée dès le début du projet, en parallèle du déploiement. Cette démarche garantit la conformité aux cadres légaux en évolution et la protection des informations sensibles. L’IA devient ainsi un levier d’innovation et de compétitivité, tout en assurant la montée en compétences des collaborateurs.
En résumé, l’intégration réussie de l’IA repose sur technologie, compétences humaines et respect de l’éthique.

Audits et accompagnement pour identifier les opportunités en IA et vision

Des audits permettent d’identifier les gisements pertinents pour l’IA, portés par des experts référencés, tels que le cabinet Electric Brain (Thomas et Guillaume) au Village by CA du Crédit Agricole.

Les visites sur site sont essentielles pour éviter une approche « IA pour l’IA » et concentrer les efforts sur les problématiques réelles. L’objectif est de prioriser les projets selon leur retour sur investissement et leur pertinence opérationnelle.

Les demandes d’IA sont parfois motivées par des effets de mode ou des aides, ce qui nécessite un cadrage précis.

Les audits incluent des réunions avec les clients pour évaluer les besoins et aligner les solutions sur les enjeux métiers. Ils permettent d’identifier rapidement les initiatives à forte valeur ajoutée. L’approche combine analyse technique, visite terrain et expertise stratégique pour maximiser le ROI.

Les experts conseillent également sur l’usage de la vision industrielle et des autres technologies IA adaptées. Ainsi, ces audits structurent la démarche IA, garantissant efficacité, pertinence et rentabilité pour les clients.