IA

Optimiser la performance des usines

19/05/2025

Comment caractériser l’IA et son évolution récente ?

Aurélien Verleyen : L’IA est un moyen d’exploiter automatiquement des données, c’est-à-dire de les mettre sous contrôle en prenant en compte une multitude de paramètres corrélés, d’alerter quand elles ont un comportement anormal et de faire des recommandations. L’IA a connu plusieurs évolutions en intégrant de plus en plus des données dites non structurées. Elle a commencé avec des données chiffrées de type tableurs, comme le chiffre d’affaires ou les paramètres de production. Elle a ensuite traité des images puis des vidéos, ce qui nécessitait des compétences souvent réservées aux data scientists. La dernière révolution est liée au LLM (Large Language Model), capable de traiter du langage dans des documents – facilitant ainsi l’accès à l’IA : on peut aujourd’hui interroger un algorithme qui comprend la question posée et y répond de la façon la plus pertinente possible.

Quel est le potentiel de l’IA dans les industries de grande consommation ?

A. V : Historiquement, avec le machine learning, il s’agissait d’analyser les données machines. La deuxième révolution, le deep learning, concerne l’analyse d’images pour la qualité, le pilotage des AGV (Automated Guided Vehicles), des robots, des cobots qui commencent à percevoir leur environnement de façon autonome. La troisième révolution, avec l’IA générative, va toucher le normatif ou le procédural. En alimentaire, on peut ainsi vérifier la cohérence entre des recettes mises dans un logiciel de gestion intégré et des contraintes réglementaires, ou automatiser le calcul du Nutri-Score. Pour la maintenance, il est possible d’écrire automatiquement une procédure d’intervention adaptée à la machine en s’inspirant d’une documentation, d’intégrer le contexte de la panne en exploitant les données de la GMAO (gestion de la maintenance assistée par ordinateur) et le tout dans la langue de l’utilisateur. Toutes ces techniques se combinent, et il est important de les appliquer graduellement en fonction des besoins.

Quels sont les principales applications ?

A. V : Elles concernent tous les pans de l’usine, des bureaux aux machines. Par exemple, le contrôle qualité est souvent réalisé selon une norme qui fixe une périodicité de mesure. Or l’analyse de signaux peut montrer qu’il est nécessaire de faire davantage de mesures. Par ailleurs, si le contrôle qualité existant n’est pas fiable ou trop dispersé, il devient nécessaire de l’améliorer avec une caméra qui utilise elle-même de l’IA. L’analyse des données fournies offre alors plus de précision dans le contrôle et donc souvent dans le calcul des recommandations en amont. Anticiper la qualité signifie chercher les paramètres de la non-qualité. Une fois identifiés, ils sont mis sous contrôle pour prévenir la survenue d’un problème et calculer un évitement. Cette approche est essentielle pour limiter les rebuts. Nous avons des exemples d’applications dans l’embouteillage d’eaux minérales, la fabrication de biscuits, de beignets, la découpe de viande…

Diagnostic et anticipation

Les économies d’énergie et d’eau sont aussi une priorité. Comment l’IA aide-t-elle à répondre à ce défi ?

A. V : L’IA est capable de détecter que la consommation d’énergie n’est pas celle attendue, en fonction du planning, des conditions météorologiques ou de la qualité de la matière première. Autre exemple d’optimisation : chez des malteurs, on a réussi à anticiper un point ultime et à arrêter le séchage avec cinq heures d’avance sans nuire à la qualité du malt. Concernant l’eau, l’IA peut prédire les consommations, ce qui est très apprécié en cas de sécheresse, afin d’informer les autorités des besoins. Par ailleurs, il est possible de valider automatiquement que le nettoyage en place est satisfaisant, afin de l’arrêter plus vite et d’économiser de l’énergie, de l’eau, et d’améliorer la disponibilité de la ligne de production.

Et pour la maintenance ?

A. V : En observant les machines dans leur fonctionnement, l’IA permet de détecter des anomalies par rapport à des comportements types, et d’alerter en cas de montée en fréquence des aléas de fonctionnement.

Il y a-t-il d’autres applications ?

A. V : Avec le dérèglement climatique, il y a un risque d’instabilité des conditions météorologiques saisonnières habituelles, avec par exemple des pics de chaleur en automne. Il va falloir réagir plus vite pour ne pas perdre une production. L’IA a la capacité d’aller chercher dans un savoir-faire historique pour faire des recommandations.

L’IA est-elle abordable pour les PME ?

A. V : Mettre en place de l’IA n’est pas forcément cher, surtout si on l’associe à un retour sur investissement. Si un gain n’est pas réalisable, cela ne sert à rien de mettre de l’IA. Certaines technologies rendent aussi le déploiement de l’IA plus abordable. Le « jumeau numérique » permet ainsi de modéliser n’importe quelle ligne de production avec les machines, les flux matières, quels que soient les secteurs concernés, et ensuite l’IA est capable de travailler automatiquement.

Quels sont les points de vigilance dans l’usage industriel de l’IA ?

A. V : L’IA générative ne répond pas à tout, mais comme elle est très accessible on a tendance à tout lui demander Par ailleurs, une IA ne remplace pas la mesure, donc avec un contrôle qualité, même par caméra, il faut faire attention à revérifier les calibrages. En fait, il n’existe pas une IA mais des IA, qu’il convient d’identifier pour chaque besoin. Cela permet d’améliorer l’efficacité des résultats, mais également de limiter l’empreinte carbone, car les IA sont très énergivores. Enfin, il est essentiel d’investir en priorité dans la qualité des données, sans quoi l’IA risque de ne pas être à la hauteur des enjeux.

Propos recueillis par Isabelle Gattegno (Icaal)