Nous suivre Industrie Techno

[Dossier IA] « Le transfer learning est crucial pour l’industrie », pointe Mathilde Mougeot, de l'ENS Paris-Saclay

Soyez le premier à réagir

Soyez le premier à réagir

[Dossier IA] « Le transfer learning est crucial pour l’industrie », pointe Mathilde Mougeot, de l'ENS Paris-Saclay

Professeure à l’ENSIIE et titulaire de la chaire Industrial data analytics and machine learning du Centre Borelli, ENS Paris-Saclay, Mathilde Mougeot détaille les contraintes et spécificités de l'industrie en matière d'intelligence artificielle.

Industrie & Technologies : Pourquoi les industriels ont-ils intérêt à se mettre à l’intelligence artificielle ?

Mathilde Mougeot : Quand on parle d’IA aujourd’hui, on parle essentiellement de machine learning, d’apprentissage automatique. C’est-à-dire d’algorithmes qui construisent un modèle à partir de données, à la différence de l’IA dite symbolique, qui part de règles fournies par l’humain, et de la simulation, qui part des équations de la physique. Les industriels ont depuis longtemps des données, mais c’est finalement depuis peu, avec la vague de l’industrie 4.0, qu’ils les stockent systématiquement sous forme numérique dans des bases de données. Le machine learning leur permet aujourd’hui d’exploiter ces données pour résoudre des problèmes complexes qui dépassent les statistiques simples. Avec une finalité classique : produire plus, à moindre coût et avec une meilleure qualité.

Quelles sont les contraintes et les limites du machine learning en contexte industriel ?

Une première limite tient à la difficulté d’identifier ce qu’a appris le modèle – comment il « raisonne » –, notamment dans le cas des réseaux de neurones. Or un opérateur a par exemple besoin de comprendre pourquoi un modèle d’IA signale ou non une alarme pour pouvoir s’y fier. Plus généralement, il faut bien comprendre que le machine learning n’apprendra rien d’autre que ce qu’il y a dans les données d’apprentissage. Quand on utilisera le modèle sur de nouvelles données, il faudra que celles-ci soient dans le même domaine et suivent la même distribution que les données d’apprentissage – le modèle fonctionne en interpolation. Si on cherche à extrapoler, à sortir du domaine d’apprentissage, le modèle risque de faire vraiment n’importe quoi. Or dans l’industrie, parfois, on n’a pas ou trop peu de données dans le domaine d’intérêt pour bâtir un bon modèle.

Que peut-on faire s’il n’y a pas assez de données ?

Le transfer learning [apprentissage par transfert, ndlr] est une réponse : on utilise des données dans un domaine proche, on apprend un modèle à partir de ces données, puis on l’adapte au domaine visé par des méthodes mathématiques. On peut ainsi s’appuyer sur les données d’une ligne de production existante pour mettre de l’IA sur une nouvelle ligne. Autre exemple : nous avons travaillé avec une société produisant des revêtements de sol pour la détection de chutes de personnes âgées grâce à des capteurs installés dans le revêtement. Pour recueillir des données expérimentales et construire un modèle, cette société a organisé une expérience et fait marcher et tomber de jeunes gens. Ensuite, nous avons adapté ce modèle par transfer learning afin qu’il soit valide pour des personnes âgées qui marchent et tombent différemment. C’est une approche cruciale pour l’industrie.

Une autre difficulté réside dans la pérennité des modèles…

Quand on utilise en production un modèle de machine learning, il faut effectivement être vigilant : il peut vite devenir obsolète si les données viennent à sortir du domaine d’apprentissage. Or c’est souvent le cas dans l’industrie, où l’on va sans cesse modifier des réglages machine, changer de produit fabriqué… Ce peut être plus subtil : vous voulez par exemple détecter la surconsommation d’énergie d’un compresseur. Vous prenez l’historique de données et vous construisez votre modèle. Il est valide. Mais à un moment, il y a une opération de maintenance, avec des opérateurs qui viennent décrasser le compresseur. Il ne fonctionnera plus exactement de la même manière. Vous ne pouvez plus utiliser votre modèle, la relation entre les données d’entrée et de sortie a changé. Le simple ré-étalonnage d’un capteur peut avoir le même effet ! Les outils mathématiques existent pour surveiller le bon comportement du modèle et l’adapter aux changements, il faut simplement être vigilant pour s’assurer que votre modèle de machine learning soit utilisé à bon escient.

Propos recueillis par Manuel Moragues et Kevin Poireault

vous lisez un article d'Industries & Technologies N°1030

Découvrir les articles de ce numéro Consultez les archives 2020 d'Industries & Technologies

Bienvenue !

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

Nous vous recommandons

[Innover contre le virus] Le casse-tête des masques, de la pénurie à la surproduction

[Innover contre le virus] Le casse-tête des masques, de la pénurie à la surproduction

Pendant l'été, Industrie & Technologies revient sur plusieurs mois de mobilisation des industriels et des chercheurs pour faire[…]

07/08/2020 | IndustrieTextile
[Innover contre le virus] Pallier le manque de respirateurs, des makers aux géants de l’industrie

[Innover contre le virus] Pallier le manque de respirateurs, des makers aux géants de l’industrie

Classement des écoles d’ingénieurs, hydrogène, France Industrie, le best-of de la semaine

Classement des écoles d’ingénieurs, hydrogène, France Industrie, le best-of de la semaine

Relance verte et soutien à l’innovation, points clés du plan de relance proposé par France Industrie

Relance verte et soutien à l’innovation, points clés du plan de relance proposé par France Industrie

Plus d'articles