Nous suivre Industrie Techno

[AI Con 2021] L'hybridation avec les modèles physiques, futurs de l’IA dans l’industrie

Martin Clavey
Soyez le premier à réagir

Soyez le premier à réagir

[AI Con 2021] L'hybridation avec les modèles physiques, futurs de l’IA dans l’industrie

© Bosch

A l'événement AI Con 2021, organisé le 3 mars par Bosch, industriels et chercheurs ont pointé les limites de l'IA orientée uniquement vers l'apprentissage automatique. Le futur est à l’hybridation avec les modèles physiques de données, pour concevoir des outils plus efficaces et pertinents.

L'apprentissage automatique (machine learning), à lui seul, ne permettra pas à l'IA de tenir toutes ses promesses pour le monde industriel. Il faudra pour cela l’hybrider davantage avec les systèmes experts pour en accroître la pertinence et faciliter son déploiement. C’est, en substance, ce qu’ont martelé industriels et chercheurs lors de l'événement AI Con 2021, organisée par Bosch mercredi 3 mars.

Depuis quelques années, les solutions d'IA basées sur les données et l'apprentissage automatique ont fleuri dans le secteur industriel. Mais cette approche, essentiellement basée sur l'acquisition sur le terrain de la donnée, avant d'être digérée par des algorithmes de machine learning, ne fait plus aujourd'hui l'unanimité quant à son efficacité.

« Il faut réfléchir à la façon dont nous pouvons déployer l’IA dans le monde réel. Ce sont des systèmes par essence virtuels qui doivent être capables de restituer une information cruciale dans le monde réel. » explique Zico Kolter, responsable scientifique du Centre d’Intelligence Artificielle de Bosch.

Si, comme tous les chercheurs de la conférence, Karen Willcox, chercheuse au Oden Institute for Computational Engineering and Sciences et professeure d’ingénierie aérospatiale et mécanique à l’université du Texas, reste enthousiasmée par les opportunités qu’amène l'apprentissage automatique aux systèmes d’ingénierie, elle tempère les avancées actuelles. « Il faut reconnaître que les systèmes industriels sont extrêmement complexes. Ils posent des problèmes très différents de ceux dans lesquels le machine learning a montré le plus de succès.»

A l’utilisation du seul machine learning pour automatiser les systèmes d’ingénierie, la chercheuse opposent ces questions : « Et si nous n’avions jamais assez de données ? Que veut dire « assez de données » ? Quel genre de données faut-il collecter ? »

Pour Karen Wilcox, il est important de reconnaître que le calcul scientifique et les modèles physiques de données, développés depuis maintenant 50 ans, peuvent renforcer la pertinence des systèmes d'IA actuels.

En faveur de l’hybridation de ces différentes approches la responsable scientifique chez Uber ATG, Raquel Urtasun appuie : « Nous pouvons avoir des algorithmes décomposables et vérifiables, mais intégrés à un système capable de s'ajuster de lui-même. Sinon, nous sommes obligés de prévoir toutes les conditions possibles, et le monde est trop compliqué pour qu’un système expert fonctionne dans tous les cas de figure. »

L’hybride pour bâtir le digital twin

Karen Willcox a pris l’exemple du jumeau numérique, réplique numérique d’un produit qui permet de suivre la dynamique de son fonctionnement et de son cycle de vie, pour plaider la cause de l’hybridation du machine learning avec les systèmes experts.

Pour créer ces jumeaux numériques de systèmes d’ingénierie, comme un avion par exemple, il faut tenir compte de nombreux paramètres multi-physiques qu'il faut modéliser sur toute la durée de vie du système. A cela se rajoute la complexité des interactions cyber-physiques qu'il faut également intégrer.  

« Oui, nous avons besoin du machine learning et de la science des données pour créer ce genre de modèles mais nous avons aussi besoin de l’historique des sciences numériques dans leurs ensemble, de la simulation prévisionnelle (forward simulation), de l’optimisation et de la quantification de l'incertitude (uncertainty quantification)… » affirme Karen Willcox.

Des réseaux de neurones respectant les lois de la physique

La nouvelle classe de réseaux de neurones «  Physics-Informed Neural Networks » (PINNs) représente un espoir important dans l’idée de pouvoir hybrider les connaissances d’ingénierie avec le machine learning. Ces réseaux de neurones sont entrainés pour résoudre des tâches d'apprentissage supervisé tout en respectant toutes les lois de la physique décrites par des équations aux dérivées partielles non linéaires générale.

George Karniadakis, l’un des pères de cette nouvelle classe, montre que ces nouveaux réseaux de neurones permettent, par exemple, de modéliser les comportements d’un DDG destroyer de l’US Navy dans des eaux déchainées de force 8. Il est impossible d’envoyer un destroyer dans une mer de cette puissance mais les PINNs permettent d’envoyer un jumeau numérique dans des mers de ce type pour connaître les problèmes que rencontrerait un navire de guerre de ce type.

Bienvenue !

Vous êtes désormais inscrits. Vous recevrez prochainement notre newsletter hebdomadaire Industrie & Technologies

Nous vous recommandons

Jumeaux numériques : trois défis à relever pour instaurer le dialogue entre réel et virtuel

Jumeaux numériques : trois défis à relever pour instaurer le dialogue entre réel et virtuel

L’association NAFEMS dédiée à la simulation et aux modèles numériques tient les 23 et 24 mars un[…]

L’apprentissage auto-supervisé, futur du deep learning appliqué à l’image chez Facebook AI Research

L’apprentissage auto-supervisé, futur du deep learning appliqué à l’image chez Facebook AI Research

Véhicules autonomes : EasyMile prend la tête d'un projet européen sur les véhicules lourds

Véhicules autonomes : EasyMile prend la tête d'un projet européen sur les véhicules lourds

Cybersécurité des véhicules connectés : SystemX fait le bilan du projet SCA et prolonge ses recherches

Cybersécurité des véhicules connectés : SystemX fait le bilan du projet SCA et prolonge ses recherches

Plus d'articles