L'intelligence artificielle (IA) est une technologie extrêmement généraliste et à la fois performante pour l'automatisation des processus.
Elle est capable de repousser les limites de ce qui était réalisable jusqu'à ce jour, à savoir l'automatisation basée sur des algorithmes traditionnels. Néanmoins, les avantages de l'IA ne s'imposeront dans les applications industrielles que lorsque les modèles d'IA correspondants pourront être utilisés facilement, sans qu'il soit nécessaire de faire appel à un savoir-aire particulier dans le domaine de l'IA. C'est précisément ce qui a incité Beckhoff à développer le logiciel TwinCAT Machine Learning Creator.
L'automatisation classique basée sur des algorithmes repose sur des constructions assez rigides, presque comme un ensemble de règles. Si la situation A se produit, il faut réagir avec B pour obtenir le résultat souhaité C. En d'autres termes, le chemin qui mène d'une situation définie à un résultat souhaité est préconçu et ensuite mis en œuvre. Les méthodes basées sur l'IA, quant à elles, utilisent des exemples pour apprendre automatiquement le chemin qui mène de la situation au résultat, de sorte qu'il ne doit pas être explicitement pensé par les humains et transféré dans un algorithme.
Le paysage industriel recèle de nombreuses applications potentielles de l'IA, l'inspection visuelle basée sur l'IA étant actuellement au premier plan. Il s'agit notamment d'inspections en fin de chaîne des produits manufacturés, du tri des produits (souvent naturels) en fonction de leur qualité ou d'autres catégories de propriétés, ainsi que de la surveillance et de la classification optiques des processus.
Parmi les exemples spécifiques de ce vaste champ d'application, on peut citer :
– effectuer des inspections finales d'un corps métallique en ce qui concerne sa forme et/ou la qualité de surface
– trier les produits naturels tels que des fruits, des surfaces en bois et de la laine en différentes classes de qualité
– trier les déchets en vue de leur recyclage
– surveiller des zones de processus, par exemple, pendant le soudage au laser
– gérer des tâches de localisation visuelle, telles que celles conçues pour localiser et saisir des objets spécifiques
Les méthodes basées sur l'IA pour aborder ces tâches se distinguent par le fait que, à condition d'avoir été correctement formé, l'algorithme appris est très flexible face aux variations des données d'entrée. Cela signifie que, même dans ses limites, une IA bien entraînée peut aussi gérer efficacement des situations inconnues. Qu'il s'agisse de défauts dans des produits manufacturés, d'anomalies dans un processus de soudage au laser ou de surfaces de bois qui ne sont jamais tout à fait identiques, l'algorithme doit être capable de faire face à toutes ces inconnues et à bien plus encore.
Compte tenu de l'immense potentiel en jeu, le véritable défi auquel sont confrontées les entreprises industrielles aujourd'hui est le manque de collaborateurs qualifiés capables de créer des modèles d'IA à l'échelle industrielle. Les programmes d'études en science des données et en apprentissage automatique sont désormais monnaie courante dans les écoles supérieures et les universités, mais la demande d'experts en IA dépasse de loin leur disponibilité sur le marché du travail actuel. En outre, les experts en IA ne peuvent résoudre avec succès les défis de l'automatisation qu'en collaboration avec un expert en automatisation ou en processus.
C'est là que Beckhoff intervient : le TwinCAT Machine Learning Creator automatise les processus sophistiqués de formation à l'IA, ce qui permet directement aux experts en automatisation ou en processus de créer eux-mêmes des modèles d'IA. Le potentiel de cette technologie est donc directement applicable à tout le monde.
L'écosystème IA de Beckhoff
Beckhoff propose un écosystème complet pour les applications d'IA industrielles, avec un accent particulier sur l'exécution de modèles d'IA directement sur la commande industrielle (dans le PLC). Différents capteurs peuvent être connectés à la contrôle-commande via le bus de terrain EtherCAT et les dispositifs de réseau EtherCAT correspondants. Une gamme étendue de matériel de vision intégré au système est également disponible, y compris des caméras industrielles robustes, des objectifs de qualité industrielle et des dispositifs d'éclairage.
Les informations de capteur sont transmises à une contrôle-commande sur base PC, où elles peuvent être traitées directement, y compris avec l'intelligence artificielle. Des modules d'exécution intégrés au PLC pour des modèles entraînés d'IA sont disponibles précisément à cette fin sous la forme d'un serveur TwinCAT Machine Learning, de réseaux neuronaux TwinCAT Vision et d'un moteur d'inférence du réseau neuronal TwinCAT. Ils peuvent accéder à la fois aux ressources informatiques du processeur et à celles d'un processeur graphique NVIDIA disponible en option.
Les modules d'exécution de l'IA chargent des modèles entraînés d'IA qui ont été stockés dans la norme ouverte « ONNX ». Cela donne à l'utilisateur la liberté d'entraîner des modèles d'IA dans n'importe quel environnement d'entraînement et de les exécuter ensuite dans le contrôleur TwinCAT. Avec le PC industriel ultra-compact C6043, Beckhoff propose un matériel évolutif doté d'une carte graphique intégrée de NVIDIA conforme aux normes de l'industrie. L'ensemble de l'écosystème Beckhoff est donc parfaitement adapté à l'intégration de modèles d'IA au niveau de la commande de la machine.
Les modèles d'IA intégrés à la commande offrent l'avantage que leurs résultats peuvent être utilisés directement dans la contrôle-commande pour effectuer des actions. Si, par exemple, un composant est éjecté, fait l'objet d'un traitement spécial dans des processus en aval ou repasse par le processus qui vient d'être terminé, l'information peut être calculée dans la contrôle-commande de la machine et utilisée immédiatement. En outre, il n'est plus nécessaire de disposer de dispositifs matériels supplémentaires coûteux dotés d'interfaces complexes pour la commande, de calendriers de maintenance et de mise à jour indépendants et de protocoles de sécurité informatique distincts.
Création automatisée de modèles d'IA
Conformément à la philosophie de la technique de commande ouverte, Beckhoff a conçu les modules d'exécution intégrés au PLC existant pour les modèles AI, indépendamment de l'environnement d'apprentissage AI utilisé, en prenant en charge le standard ONNX. Un fichier ONNX décrit un modèle entraîné d'IA comme une séquence d'opérateurs avec les paramètres associés.
Ces fichiers de description peuvent être chargés avec les fonctions TwinCAT 3, telles que TwinCAT Machine Learning Server, puis exécutés à partir du PLC. Toutefois, les cadres d'IA pertinents, tels que PyTorch ou Scikit-learn, qui sont généralement utilisés pour entraîner les modèles d'IA, sont destinés aux experts spécialisés en IA qui préparent les données d'entraînement dans l'environnement de programmation Python, créent des structures de modèles d'IA et entraînent ensuite les modèles d'IA.
Avec TwinCAT Machine Learning Creator, Beckhoff propose désormais une approche beaucoup plus simple sous la forme d'une interface basée sur le web qui vous guide à travers les étapes de chargement des données, d'entraînement du modèle, d'analyse du modèle et de téléchargement. Les groupes cibles comprennent les experts en automatisation et en processus sans formation spécifique en science des données, l'objectif étant ici d'uniformiser le processus de formation pour les modèles d'IA.
Le téléchargement des données
Tout le concept du machine learning repose sur l'apprentissage par l'exemple. Dans cette optique, il est essentiel de disposer d'un ensemble de données propres et représentatives pouvant être utilisées pour l'apprentissage de la tâche. Cela nécessite généralement un ensemble de données annotées : dans le domaine de la classification d'images, par exemple, cela signifie qu'un certain nombre d'échantillons d'images ont déjà été classifiés par un être humain. Par conséquent, chaque image a son propre type de libellé, qui représente le résultat souhaité. La relation entre l'image et le libellé est établie par un fichier de libellés qui, dans le cas le plus simple, est un tableau contenant le nom du fichier et le libellé correspondant.
Le téléchargement des données est ouvert et prend en charge différents formats de données d'image et de fichiers de libellés. Cela signifie que les utilisateurs sont libres de choisir un outil de création de libellé (s'il est nécessaire). Des travaux sont actuellement en cours pour utiliser TwinCAT Analytics Data Scout comme outil de création de libellé afin de réaliser l'intégration des données du contrôleur TwinCAT vers le TwinCAT Machine Learning Creator.
L'entraînement du modèle d'IA
La configuration d'une session d'entraînement à l'IA reste légère, ce qui implique la création d'un nom de modèle et l'ajout d'un ensemble de données (ou de plusieurs ensembles de données) au processus d'entraînement. Toutes les autres configurations sont optionnelles et permettent de spécifier le comportement d'exécution du modèle AI sur le contrôleur TwinCAT si nécessaire. Si une plate-forme matérielle Beckhoff TwinCAT et le logiciel TwinCAT sur lequel le modèle IA à créer doit être exécuté sont spécifiés, les utilisateurs peuvent spécifier un temps d'exécution maximal acceptable pour le modèle IA. Ces informations sont prises en compte lors du processus de création du modèle d'IA. Si aucun temps d'exécution maximum n'est spécifié, l'optimisation est basée exclusivement sur la performance du modèle d'IA (capacité de généralisation).
L'analyse du modèle
Les modèles d'IA, en particulier les réseaux neuronaux profonds (modèles d'apprentissage profond) créés avec TwinCAT Machine Learning Creator, font preuve de très bonnes propriétés de généralisation. Cela signifie que les performances attendues des modèles sont également très bonnes. Cependant, les réseaux neuronaux sont des « boîtes noires » dont la fonctionnalité ne peut être déchiffrée qu'à l'aide de méthodes d'analyse spécialisées, plutôt que directement. Ces méthodes sont également appelées « IA explicable ».
Les méthodes d'analyse d'un modèle entraîné d'IA sont diverses. Le logiciel sépare automatiquement l'ensemble des données téléchargées en données d'apprentissage, utilisées pour l'apprentissage du modèle, et en données de test, utilisées pour l'analyse du modèle. Les données de test comprennent des cas inconnus pour le modèle d'IA, dont le résultat est connu grâce aux libellés. Cela permet de calculer des valeurs statistiques et de montrer combien de fois un modèle est correct et combien de fois il ne l'est pas. Une matrice de confusion, par exemple, fournit des informations détaillées sur la répartition des libellés « vrais » et des libellés « prévus ».
Les valeurs de confiance peuvent également être calculées pour chaque exécution du modèle et affichées statistiquement. Il est même possible de générer une carte d'attention pour chaque exécution du modèle, qui montre quelles régions de l'image ont été utilisées pour la classification lorsqu'elles sont superposées à l'image d'entrée.
Les méthodes d'IA explicable servent à accroître l'acceptation du modèle d'IA. En effet, seules les personnes qui acquièrent une connaissance plus fondamentale du comportement du modèle entraîné seront finalement prêtes à utiliser les modèles.
Le téléchargement du modèle
Une fois qu'un modèle d'IA a été entraîné et qu'il est prêt à être intégré dans la contrôle-commande de la machine, il peut être téléchargé à partir de la plate-forme sous la forme d'un fichier ONNX. Cela signifie que le modèle d'IA n'est pas lié à l'exécution dans TwinCAT et qu'il peut être déployé aussi souvent que nécessaire sur n'importe quelle plate-forme. En outre, le code PLC complet pour TwinCAT peut être téléchargé à partir de la plate-forme au format PLCopen XML. Cela comprend le déroulement complet du processus, depuis l'acquisition et le prétraitement des images jusqu'à l'exécution du modèle d'IA et le post-traitement. La transition de l'outil d'entraînement au PLC TwinCAT se fait sans heurt.
Un autre avantage de l'exportation d'un fichier ONNX à partir de la plate-forme d'entraînement est l'implication potentielle d'experts en IA. Ces experts peuvent utiliser TwinCAT Machine Learning Creator pour obtenir un premier modèle d'IA rapidement et de manière standardisée. Le résultat au format ONNX peut ensuite être importé dans des outils experts individuels pour continuer à travailler avec lui, par exemple, pour des analyses supplémentaires ou pour affiner le modèle.
