Pourquoi avons-nous besoin de l’intelligence artificielle ?
Les systèmes de traitement d’image traditionnels utilisent des algorithmes basés sur des règles qui offrent une grande fiabilité pour les tâches répétitives. En raison du déroulement toujours identique des étapes du processus, seuls de faibles écarts sont tolérés. Dès que la variance des images augmente, par exemple en raison de variations naturelles de l’objet, telles que les nuances de couleur, les formes ou les conditions ambiantes changeantes telles que les conditions d’éclairage, l’application devient de plus en plus complexe et peut par conséquent devenir non économique. Dans le cas contraire, la variance a un impact direct sur la précision ou les performances de l’algorithme. Cela entraîne des erreurs de décision du système de traitement d’image basé sur des règles, telles que des pièces correctes rejetées (également appelées pseudo-rejets) ou des pièces défectueuses non détectées (également appelées glissements). Le traitement d’image industriel a toujours pour objectif de les minimiser.
Les technologies d’IA élargissent les possibilités d’utilisation de la vision industrielle en tolérant les variations dans les données d’image, ce qui permet, par exemple, d’identifier de manière fiable les erreurs irrégulières. Ils augmentent la rentabilité grâce à des taux de détection plus robustes avec une grande variance et réduisent les obstacles à l’entrée dans la vision industrielle, car il n’est plus nécessaire d’avoir une connaissance approfondie des algorithmes.
L’intelligence artificielle est le terme générique qui désigne les technologies qui permettent aux machines de résoudre différentes tâches de manière autonome, souvent inspirées par la pensée et l’apprentissage humains. L’apprentissage automatique (également appelé « Machine Learning ») est un sous-domaine de l’IA dans lequel les algorithmes ne sont pas programmés de manière rigide, mais apprennent des modèles et des relations à partir de données d’exemple. Au lieu de définir chaque règle manuellement, le système « apprend » lui-même comment traduire les entrées en sorties. Le Deep Learning est une forme spécialisée d’apprentissage automatique basée sur des réseaux neuronaux artificiels avec de nombreuses couches de traitement (« deep » = profond). Cette architecture permet d’identifier des modèles très complexes et de fournir des résultats précis, même dans des conditions variables.
Deep Learning
Machine Learning
Intelligence artificielle
Quels sont les avantages de l’utilisation de l’IA dans le contrôle qualité ?
Malgré le traitement d’image basé sur des règles, le contrôle qualité dans les processus est souvent encore effectué manuellement par l’homme, car la grande variété d’erreurs est souvent difficile, voire indétectable. Dans ce cas, l’utilisation de systèmes de traitement d’image assistés par l’IA est judicieuse.
| Problèmes liés au contrôle manuel | Solution grâce aux avantages du traitement d’image basé sur l’IA |
|---|---|
| Évaluation incohérente de la qualité | Évaluation cohérente et répétable basée sur de grands ensembles de données |
| Plage d’attention limitée | Utilisation 24 h/24 et 7 j/7 sans fatigue |
| Documentation complexe des décisions | Enregistrement automatique des images avec représentation par carte thermique et valeur de score pour la traçabilité |
| Augmentation des coûts de main-d’œuvre, pénurie de personnel et formation élevée | Évolutif indépendamment de la disponibilité du personnel, faible obstacle à l’entrée grâce à une formation réduite |
|
Problèmes liés au contrôle manuel
|
|||
|---|---|---|---|
|
Évaluation incohérente de la qualité
|
Plage d’attention limitée
|
Documentation complexe des décisions
|
Augmentation des coûts de main-d’œuvre, pénurie de personnel et formation élevée
|
|
Solution grâce aux avantages du traitement d’image basé sur l’IA
|
|||
|
Évaluation cohérente et répétable basée sur de grands ensembles de données
|
Utilisation 24 h/24 et 7 j/7 sans fatigue
|
Enregistrement automatique des images avec représentation par carte thermique et valeur de score pour la traçabilité
|
Évolutif indépendamment de la disponibilité du personnel, faible obstacle à l’entrée grâce à une formation réduite
|
L’IA remplace-t-elle le traitement d’image basé sur des règles ?
L’IA étend les possibilités du traitement d’image industriel, mais ne remplace que très rarement complètement les solutions basées sur des règles éprouvées. La combinaison du traitement d’image basé sur des règles et sur l’IA étend la polyvalence de la vision industrielle. L’IA permet de réaliser des tâches d’inspection qui seraient trop fastidieuses ou peu rentables avec une évaluation basée sur des règles.
Quand les systèmes d’imagerie basés sur des règles et quand les systèmes IA sont-ils utilisés ?
L’approche basée sur des règles des systèmes de traitement d’image traditionnels reste une solution éprouvée pour les tâches d’inspection par vision. Les technologies d’IA élargissent les domaines d’application du traitement d’image industriel. Malgré différents algorithmes, les capacités des deux technologies se chevauchent de nombreuses fois.
Généralement, une combinaison d’outils basés sur des règles et sur l’IA est utilisée. Par exemple : La localisation basée sur des règles avec suivi des pièces et découpe de l’objet à inspecter est combinée à la classification des défauts basée sur l’IA. Pour finir, le défaut est mesuré sur la base de règles.
Applications types
Traitement d’image basé sur des règles
| Mesure, tâches de mesure |
| Lecture de code |
| Alignement et positionnement précis (également Robot Vision, Robot Guidance) |
Combinaisons et chevauchements
| Inspection, détection des défauts |
| Identification (lecture de code, OCR/reconnaissance de caractères) |
| Localisation d’objets et de caractéristiques (également Robot Vision, Robot Guidance) |
Traitement d’image basé sur l’IA
| Détection d’objet très variables ou de défauts |
| OCR difficile (par ex. mauvaise qualité d’impression, arrière-plans variables) |
| Localisation d’objets à forte variance |
| Classification (par ex. des matériaux ou des textures) |
Quelles technologies d’IA sont utilisées dans le traitement d’images ?
Classification
La classification affecte une image à une ou plusieurs classes prédéfinies. On fait la distinction entre Multi-Class et Multi-Label.
Multi-Class : une classe par image, par ex. « vis »
ou classification des défauts avec des classes mutuellement exclusives : « OK » (sans défaut) ou « NOK » (défectueux). Une classification simultanée dans les deux classes est exclue.
Multi-Label : plusieurs classes possibles par image, par ex. « vis », « clou »
ou classification des défauts avec des étiquettes indépendantes : « bosse » et « rayure ». Un objet peut présenter une bosse, une rayure, les deux ou aucun des deux, car ces classes ne s’excluent pas mutuellement.
Détection d’objet
La détection d’objet localise et classe plusieurs objets dans l’image à l’aide de cadres de délimitation appelés boîtes de délimitation. Pour chaque objet trouvé, il indique à quelle classe il appartient et où il se trouve exactement dans l’image. Il convient de faire la distinction entre la détection d’objet « parallèles à l’axe » (comme illustré) et la détection d’objet « orientés ». Lors de la détection d’objet orientés, les boîtes englobantes sont alignées sur l’objet et décrivent la plus petite boîte englobante possible.
Segmentation
Attribue une classe à chaque pixel de l’image pour délimiter précisément les objets (par ex. clou, vis, arrière-plan) ou les défauts (par ex. défauts de peinture).
Remarque : Outre les modèles d’IA courants, il existe de plus en plus de modèles d’IA entraînés à un cas d’utilisation spécifique, par ex. Deep OCR. La reconnaissance optique des caractères par Deep OCR utilise des réseaux neuronaux entraînés sur de grandes quantités d’images de texte pour extraire des lettres et des chiffres. Contrairement à l’OCR classique, il permet de reconnaître avec précision du texte dynamique, avec des tailles de police variables et des arrière-plans différents, même avec des marquages et étiquettes spécifiques ou détériorés.
Qu’est-ce qu’un modèle d’IA ?
Les modèles d’IA sont des modèles informatisés inspirés par le cerveau humain. Ils sont composés de neurones artificiels qui traitent des informations et sont reliés entre eux par des poids. Un poids est une valeur numérique qui détermine l’influence d’un signal d’entrée sur le neurone.
La construction d’un modèle d’IA se fait en couches, appelées « Layers » : L’« Input Layer » reçoit les données brutes (par ex. des images). Dans les « Hidden Layers », les caractéristiques sont automatiquement détectées et la « Output Layer » prend une décision en fonction de ces informations.
Lors de l’entraînement, le modèle d’IA compare ses prédictions à la vérité fondamentale et ajuste progressivement les poids. Ce processus d’apprentissage se répète à travers de nombreux exemples jusqu’à ce que le modèle d’IA détecte les modèles de manière fiable.
La construction d’un modèle d’IA se fait en couches, appelées « Layers » : L’« Input Layer » reçoit les données brutes (par ex. des images). Dans les « Hidden Layers », les caractéristiques sont automatiquement détectées et la « Output Layer » prend une décision en fonction de ces informations.
Lors de l’entraînement, le modèle d’IA compare ses prédictions à la vérité fondamentale et ajuste progressivement les poids. Ce processus d’apprentissage se répète à travers de nombreux exemples jusqu’à ce que le modèle d’IA détecte les modèles de manière fiable.
Modèle d’IA ou réseau neuronal : quelle est la différence ?
Tous les modèles d’IA ne sont pas des réseaux neuronaux. Le terme « modèle d’IA » est un terme générique pour de nombreux types d’algorithmes, y compris les arbres de décision, les modèles statistiques et les réseaux neuronaux. Ces derniers sont une forme de modèles d’IA particulièrement adaptés à des tâches complexes telles que la reconnaissance d’images ou le traitement de la parole. Cependant, les termes « réseau neuronal » et « modèle d’IA » sont souvent utilisés de manière synonyme.
Tous les modèles d’IA ne sont pas des réseaux neuronaux. Le terme « modèle d’IA » est un terme générique pour de nombreux types d’algorithmes, y compris les arbres de décision, les modèles statistiques et les réseaux neuronaux. Ces derniers sont une forme de modèles d’IA particulièrement adaptés à des tâches complexes telles que la reconnaissance d’images ou le traitement de la parole. Cependant, les termes « réseau neuronal » et « modèle d’IA » sont souvent utilisés de manière synonyme.
Input Layer
Hidden Layers
Output Layer
ONNX – le format d’échange universel
Le logiciel de traitement d’image uniVision 3 permet une intégration transparente des réseaux ONNX. GitHub vous permet également de quantifier votre réseau ONNX pour une utilisation sur le matériel wenglor.
wenglor AI Loop – comment fonctionne l’IA dans le traitement d’image industriel
Il est rare qu’un ensemble de données représentatif et complet d’une application soit disponible au début. Des modèles d’IA de haute précision et fiables sont créés grâce à l’extension continue des données et à la validation des réseaux une fois créés. Une approche centrée sur les données et les processus permet d’optimiser systématiquement et de maintenir la précision d’un modèle d’IA tout au long du cycle de vie d’un équipement d’inspection. Les données existantes sont à nouveau contrôlées ou de nouvelles données sont enregistrées et annotées.
Créer et gérer un enregistrement
Annoter (étiqueter) le jeu de données
Former et valider le modèle d’IA
Déployer et exécuter le modèle d’IA
La première étape, qui est essentielle pour l’approche centrée sur les données, consiste à capturer des images qui représentent l’application de la manière la plus représentative possible. Par la suite, de nouvelles images seront ajoutées en permanence.
Qu’est-ce qui est important lors de la création d’enregistrements appropriés ?
50 à 100 images réelles par classe peuvent suffire pour obtenir les premiers résultats pratiques. Les données doivent être bien sélectionnées, variées et cohérentes. De nombreuses données d’image ne signifient pas automatiquement de meilleurs modèles. L’objectif est d’obtenir, avec peu d’images mais de haute qualité, toute la dispersion naturelle des lots, des couleurs, des influences lumineuses, etc. pour créer une solution robuste et généralisable.
Exemple : Si une usine capture uniquement des images de cartes défectueuses à partir d’une machine dans des conditions d’éclairage spécifiques, le modèle d’IA pourrait apprendre à associer les défauts aux conditions particulières d’arrière-plan ou de luminosité de cette machine plutôt qu’aux caractéristiques réelles des défauts. Cette distorsion pourrait entraîner une classification incorrecte des défauts provenant d’autres machines ou dans d’autres conditions d’éclairage. En intégrant de multiples images provenant de différentes machines, conditions d’éclairage et angles de vue, le modèle d’IA apprend les caractéristiques réelles des défauts, garantissant ainsi une détection fiable dans tous les scénarios de production.
Une stratégie d’éclairage ciblée réduit la variance de l’image, augmente la précision du modèle et réduit le besoin d’images d’entraînement. Par exemple, il est possible d’obtenir la même précision avec seulement un quart de la quantité d’image en améliorant considérablement la qualité de l’image en choisissant le bon principe d’éclairage, la bonne couleur de lumière (longueur d’onde), un éclairage homogène et des filtres optiques.
Comme pour les systèmes de traitement d’image basés sur des règles, de mauvaises images entraînent une nette diminution de la précision du modèle’d’IA. Veillez à ce que les images soient nettes avec une profondeur de champ, un contraste et une cohérence suffisants dans la configuration (caméra, éclairage, optique).
Une résolution plus élevée montre plus de détails, mais nécessite plus de temps d’apprentissage et plus de ressources. Les images des jeux de données sont souvent réduites pour l’entraînement, par exemple à 320 × 320 pixels (image d’entrée de l’IA).
Important : La caractéristique décisive doit rester clairement identifiable, même dans cette résolution réduite. Ce qui est visible à l’œil nu peut généralement également être détecté par le modèle d’IA.
Les images doivent être réelles et, si possible, prises dans des conditions proches de la production. Prévoyez des variations naturelles, telles que des changements d’arrière-plan, des conditions d’éclairage légèrement différentes, de la poussière, du bruit ou de légers écarts de position pour rendre l’ensemble de données plus robuste. Cependant, un usinage intensif ou des pièces défectueuses fabriquées artificiellement peuvent entraîner des modèles d’apprentissage irréalistes. Il est également important d’éviter les erreurs systématiques, comme le fait que chaque pièce correcte ait un marquage, mais pas les pièces défectueuses. Veillez à ce que la configuration de la caméra, de l’éclairage et de l’optique soit identique.
Lors de l’apprentissage, utilisez uniquement la zone de l’image dans laquelle se trouve l’objet concerné ou l’emplacement du défaut. Cela évite que le modèle d’IA apprenne involontairement en arrière-plan ou que des détails importants soient sous-représentés de manière proportionnée. Le cropping permet d’obtenir des détails plus pertinents à faible résolution et de gagner du temps d’entraînement.
Une représentation pondérée de manière égale de toutes les classes (par ex. pièce bonne, pièce mauvaise) est recommandée. Un déséquilibre, par ex. 99 % OK et 1 % NOK, produit des modèles d’IA déformés qui passent souvent inaperçus dans l’application. Une base de données équilibrée empêche le biais de sélection du modèle d’IA et améliore les performances de détection, même sur des images d’erreur rares.
Augmentation désigne la création artificielle de variantes par exemple par rotation, grossissement (zoom), distorsion, bruit ou modification de la luminosité. Cela permet d’étendre les ensembles de données existants et de préparer le modèle d’IA à des dispersions réelles, ce qui est particulièrement important pour les petits ensembles de données afin d’obtenir rapidement des précisions plus élevées.
Important : L’augmentation doit rester réaliste et proche de l’application, car l’utilisation a une grande influence sur la précision équilibrée du modèle d’IA. Par exemple, une rotation peut être un cas d’erreur et ne convient donc pas à toutes les applications.
Important : L’augmentation doit rester réaliste et proche de l’application, car l’utilisation a une grande influence sur la précision équilibrée du modèle d’IA. Par exemple, une rotation peut être un cas d’erreur et ne convient donc pas à toutes les applications.
Dans la deuxième étape, les images sont annotées ou étiquetées. Pour chaque image, l’utilisateur indique ce qu’on appelle la vérité fondamentale, par exemple s’il s’agit d’une pièce correcte ou d’une pièce défectueuse.
Comment minimiser les efforts liés au processus d’étiquetage ?
Pour garantir une annotation cohérente, il convient d’impliquer des experts en applications, par exemple de la production et du contrôle qualité, dans le processus.
Le classement selon « NOK » et « OK » peut être subjectif, c’est pourquoi il convient de veiller à une distinction claire des classes avant de s’entraîner et de poursuivre les annotations.
Conseil : Les échantillons limites doivent être marqués de manière ciblée à l’aide de balises. Ainsi, cette information peut être prise en compte lors de la validation ultérieure du réseau.
Conseil : Les échantillons limites doivent être marqués de manière ciblée à l’aide de balises. Ainsi, cette information peut être prise en compte lors de la validation ultérieure du réseau.
Lors de l’évaluation des données d’entraînement, il est essentiel de se baser exclusivement sur les images et non sur l’objet réel. Même si un défaut est plus visible sur la pièce d’origine, seul ce qui est visible sur l’image compte pour le modèle d’IA. Si des connaissances supplémentaires provenant de l’objet réel sont incluses, des incohérences se produisent, car le modèle d’IA ne fonctionnera plus tard qu’avec des informations d’image.
La mise à jour d’un catalogue de défauts avec des types de défauts clairement décrits et des exemples d’images aide à définir des critères d’exclusion de manière sûre et compréhensible. S’il est régulièrement mis à jour, par exemple en cas de nouveaux défauts ou produits, cela facilite le transfert de connaissances et l’intégration d’étiqueteurs supplémentaires.
Les balises permettent d’ajouter des mots-clés, ce qui rend les ensembles de données plus clairs et plus faciles à trier. En attribuant des balises, il est par exemple possible de visualiser quelles données ont été enregistrées à quel jour et à quelle heure de la journée ou quelles données sont considérées comme échantillons limites.
À l’étape suivante, le modèle d’IA est entraîné ou réentraîné. Il existe ici différentes approches, dans lesquelles un jeu de données est toujours divisé en données d’entraînement et de test.
À quoi faut-il faire attention lors de l’apprentissage d’un modèle d’IA ?
Le choix de l’architecture réseau dans un format adapté au matériel d’inférence (par ex. INT8) est déterminant pour la latence (vitesse d’exécution) et la précision équilibrée du modèle d’IA. Selon le cas d’application, il est possible d’optimiser la latence ou la précision.
Conseil : L’entraînement répété du modèle d’IA avec le même ensemble de données peut entraîner des valeurs de performance différentes. Des différences supérieures à 5 % indiquent un enregistrement incohérent.
Conseil : L’entraînement répété du modèle d’IA avec le même ensemble de données peut entraîner des valeurs de performance différentes. Des différences supérieures à 5 % indiquent un enregistrement incohérent.
Pour l’apprentissage, une résolution doit être définie pour l’image d’entrée.
Plus la résolution est élevée, plus
Plus la résolution est élevée, plus
- le temps d’évaluation est long,
- les exigences relatives à l’interférence (exécution) de la mémoire vive (RAM) sont élevées,
- l’entraînement dure longtemps,
- de données d’entraînement sont nécessaires pour obtenir la même précision équilibrée.
Ensuite, le modèle d’IA est validé. L’IA est souvent considérée comme une boîte noire avec des entrées et des sorties, mais sans informations claires pour valider le modèle d’IA. Le rapport du modèle d’IA fournit des informations sur les précisions équilibrées (Rappel et Précision), les prédictions erronées, le temps d’inférence estimé et aide ainsi à la traçabilité.
Trucs et astuces pour comprendre le modèle d’IA
La matrice montre à quelle fréquence les prédictions d’un modèle d’IA correspondent aux classes réelles et où les erreurs se produisent.
Conseil : Les raisons les plus courantes d’erreurs de prédiction sont une annotation incorrecte ou un modèle limite. Dans ce cas, il convient d’adapter l’annotation et de la réentraîner. L’objectif est de minimiser les prédictions erronées.
La carte thermique montre quelle zone de l’image a été déterminante pour prédire le résultat. La vue détaillée permet de tirer des conclusions sur les erreurs d’annotation ou les distorsions d’échantillonnage. Cela permet d’améliorer la transparence et la traçabilité des modèles de données.
La prédiction d’un modèle d’IA est basée sur ce que l’on appelle le score, qui indique dans quelle mesure le modèle d’IA est sûr de sa décision. Il n’est pas essentiel d’obtenir des scores aussi élevés que possible dans tous les cas, mais d’établir une distinction claire entre les cas sûrs et les cas incertains : Des scores élevés ne doivent apparaître que pour des résultats clairs, tandis que des scores délibérément plus bas sont judicieux dans les cas incertains. Cela permet d’éviter que le modèle d’IA ne prenne des décisions « faussement trop sûres », même dans des situations peu claires.
Lors de l’entraînement et de l’inférence du modèle d’IA, la résolution de chaque image d’enregistrement est réduite avant d’être utilisée comme image d’entrée d’IA. Vérifiez donc si la caractéristique pertinente est toujours reconnaissable. Si ce n’est pas le cas, un recadrage plus cohérent ou le choix d’une résolution plus élevée de l’image d’entrée d’IA peuvent par exemple aider.
Il existe différentes méthodes de validation pour évaluer les modèles d’IA. Généralement, les enregistrements sont divisés en données d’apprentissage, de validation et de test.
Remarque : Les utilisateurs bénéficient d’une évaluation robuste de la validation K-Fold, en particulier pour les ensembles de données plus petits. Le choix d’une méthode de validation inappropriée entraîne des évaluations peu fiables du modèle d’IA.
- Les données d’entraînement sont utilisées pour entraîner le modèle d’IA et représentent généralement 70 à 80 % des données.
- Les données de validation sont utilisées pendant l’entraînement pour harmoniser les poids et vérifier si le modèle d’IA est surentraîné. Elles représentent généralement 10 à 20 % des données.
- Les données de test ne sont utilisées que pour évaluer la qualité finale du modèle d’IA et représentent 10 à 20 % des données.
| Caractéristique | Validation de la retenue | Validation K-Fold (pliage transversal) |
|---|---|---|
| Description | Le jeu de données est divisé une seule fois, par ex. 80 % d’apprentissage / 20 % de test | Le jeu de données est divisé en k parties, le modèle d’IA est évalué k fois avec d’autres données de test |
| Avantages |
|
|
| Inconvénients |
|
|
Le modèle d’IA déjà entraîné est transféré de l’environnement d’apprentissage à la plateforme d’inférence, souvent aussi sur plusieurs installations en même temps. Cette première mise en service est appelée déploiement du modèle d’IA.
Comment intégrer l’IA dans l’application de traitement d’images ?
L’utilisation efficace de l’IA nécessite une expertise adéquate, sinon la mise en œuvre devient très fastidieuse. Avec l’AI Lab, wenglor propose une plateforme d’apprentissage intuitive pour la création de modèles d’IA qui peuvent être exécutés de manière transparente sur le matériel performant de wenglor. weHub permet de suivre en permanence des cycles d’apprentissage et d’ajouter en permanence de nouvelles données pertinentes aux jeux de données.
Lors de la création d’un modèle d’IA, l’utilisateur choisit d’abord une architecture réseau appropriée. Sur cette base, le choix d’une plateforme d’apprentissage appropriée et de l’outillage d’exécution est ensuite effectué. Le format d’échange universel Open Neural Network Exchange (ONNX) pour les réseaux d’IA offre l’utilisation multiplateforme des modèles d’IA en tant que norme ouverte. Le logiciel de vision industrielle uniVision 3 permet une intégration transparente des modèles d’IA dans le format ONNX. GitHub vous permet également de quantifier votre réseau ONNX pour une utilisation sur le matériel wenglor.
Une fois la mise en service effectuée, il peut y avoir les raisons suivantes pour effectuer un nouvel entraînement :
- De nouvelles classes qui doivent être reconnues apparaissent.
- Les valeurs de score diminuent, par ex. en raison de changements de lot, de l’encrassement ou de l’usure des porte-pièces ou d’une puissance lumineuse réduite.
- Les exigences en matière de précision équilibrée évoluent.
Assurez-vous d’abord que la base de données existante est cohérente et unique avant d’ajouter de nouvelles données. Passez en revue les prédictions erronées et revoyez chaque annotation si nécessaire. Utilisez des outils de validation tels que la carte thermique, les scores et la matrice de confusion. Concentrez-vous ensuite sur la classe la moins performante et fournissez environ 100 images supplémentaires de cette classe, idéalement de variantes ou de produits pour lesquels le modèle obtient des performances particulièrement faibles et la valeur de score est donc faible. Il est également possible d’ajouter 50 nouvelles images par classe.
Plus la qualité des données est élevée, plus le modèle d’IA est robuste. La qualité prime toujours sur la quantité, L’accent mis sur des données de haute qualité, équilibrées et proches de la réalité permet d’obtenir des modèles d’IA plus fiables, de réduire le risque de surajustement et d’améliorer la mise au point quotidienne dans la production. Si vous investissez du temps dans une sélection intelligente des données, vous économiserez du temps et de l’argent lors de l’apprentissage et obtiendrez plus rapidement des résultats traçables et de haute précision.
Trois approches fondamentales de l’apprentissage de modèles d’IA en comparaison
Le Deep Learning utilise des réseaux neuronaux complexes et est particulièrement adapté aux applications avec une grande variance d’image et des exigences de précision élevées. Pour cela, il faut généralement beaucoup de puissance de calcul et des temps d’entraînement plus longs. L’apprentissage Edge est également basé sur le Deep Learning, mais se distingue par le fait que l’apprentissage se déroule directement sur le terminal (appareil Edge). Cela permet un déploiement rapide et facile, mais conduit généralement à des modèles d’IA moins puissants, plus adaptés aux tâches d’inspection simples.
L’apprentissage Edge est souvent utilisé par les débutants de l’IA comme solution simple pour les tâches de traitement d’images, y compris là où les méthodes classiques basées sur des règles sont plus adaptées et ont fait leurs preuves depuis des années. L’utilisation de l’apprentissage Edge comporte des risques, car la simplicité de la mise en place de solutions Edge se fait souvent au détriment de la robustesse, de la traçabilité et de la précision de la détection.
| Cloud (par ex. AI Lab) | On-Premise | Edge | |
|---|---|---|---|
| Caractéristiques | Cloud hébergé en externe | Cloud d’entreprise, serveur, PC local | Localement, directement sur l’appareil dans la production |
| Complexité d’application | Simple à complexe | Individuel | Simple |
| Maîtrise des coûts | Paiement à l’utilisation, pas de frais d’acquisition pour le matériel d’apprentissage | Investissements matériels et coûts d’exploitation | Pas de frais supplémentaires (fonctionne sur appareil intelligent) |
| Configuration et accès | Aucune configuration spéciale n’est nécessaire, accessible via un navigateur avec connexion Internet | Installation et configuration d’un matériel d’apprentissage approprié nécessaires | S’exécute directement sur le matériel (par ex. Smart Camera), navigateur/logiciel tiers nécessaire |
| Flexibilité de l’apprentissage | Grande flexibilité des modèles d’IA simples à complexes et des petits à grands ensembles de données
|
La responsabilité incombe à l’exploitant | La flexibilité de l’entraînement est souvent limitée
|
| Validation et traçabilité | Validation statistiquement fiable basée sur de grandes quantités de données, stockées de manière centralisée | Validation statistiquement fiable à l’aide de grandes quantités de données, l’enregistrement relève de la responsabilité de l’utilisateur | Test de fonctionnement manuel simple à l’aide de pièces individuelles |
| Collaboration et gestion des enregistrements | Administrable de manière centralisée et compatible avec les équipes | Dépend de la configuration | Solution autonome uniquement, pas de véritable collaboration ou de contrôle basé sur les rôles |
| Adaptabilité | Évolutivité automatique via le serveur cloud | Dépend de l’exploitant (mémoire, puissance de calcul, solution logicielle) | Évolutif uniquement par l’achat d’appareils Edge supplémentaires |
| Disponibilité et déploiement | Centralisé, utilisable depuis n’importe quel appareil Déploiement évolutif : Déploiement de modèles d’IA sur plusieurs lignes, sites ou régions |
Disponible localement ou sur le réseau | Disponible de manière décentralisée, sur le matériel local ou sur le réseau (hors ligne) |
| Sécurité des données, contrôle d’accès et sauvegardes | Dépend du fournisseur de cloud, centralisé avec rôles d’utilisateur et sauvegardes | En fonction de la configuration, la responsabilité incombe à l’utilisateur | Le stockage local des données est sécurisé, mais sans gestion centralisée des utilisateurs ni sauvegardes automatiques |
|
Caractéristiques
|
||
|
Cloud (par ex. AI Lab)
Cloud hébergé en externe
|
On-Premise
Cloud d’entreprise, serveur, PC local
|
Edge
Localement, directement sur l’appareil dans la production
|
|
Complexité d’application
|
||
|
Cloud (par ex. AI Lab)
Simple à complexe
|
On-Premise
Individuel
|
Edge
Simple
|
|
Maîtrise des coûts
|
||
|
Cloud (par ex. AI Lab)
Paiement à l’utilisation, pas de frais d’acquisition pour le matériel d’apprentissage
|
On-Premise
Investissements matériels et coûts d’exploitation
|
Edge
Pas de frais supplémentaires (fonctionne sur appareil intelligent)
|
|
Configuration et accès
|
||
|
Cloud (par ex. AI Lab)
Aucune configuration spéciale n’est nécessaire, accessible via un navigateur avec connexion Internet
|
On-Premise
Installation et configuration d’un matériel d’apprentissage approprié nécessaires
|
Edge
S’exécute directement sur le matériel (par ex. Smart Camera), navigateur/logiciel tiers nécessaire
|
|
Flexibilité de l’apprentissage
|
||
|
Cloud (par ex. AI Lab)
Grande flexibilité des modèles d’IA simples à complexes et des petits à grands ensembles de données
|
On-Premise
La responsabilité incombe à l’exploitant
|
Edge
La flexibilité de l’entraînement est souvent limitée
|
|
Validation et traçabilité
|
||
|
Cloud (par ex. AI Lab)
Validation statistiquement fiable basée sur de grandes quantités de données, stockées de manière centralisée
|
On-Premise
Validation statistiquement fiable à l’aide de grandes quantités de données, l’enregistrement relève de la responsabilité de l’utilisateur
|
Edge
Test de fonctionnement manuel simple à l’aide de pièces individuelles
|
|
Collaboration et gestion des enregistrements
|
||
|
Cloud (par ex. AI Lab)
Administrable de manière centralisée et compatible avec les équipes
|
On-Premise
Dépend de la configuration
|
Edge
Solution autonome uniquement, pas de véritable collaboration ou de contrôle basé sur les rôles
|
|
Adaptabilité
|
||
|
Cloud (par ex. AI Lab)
Évolutivité automatique via le serveur cloud
|
On-Premise
Dépend de l’exploitant (mémoire, puissance de calcul, solution logicielle)
|
Edge
Évolutif uniquement par l’achat d’appareils Edge supplémentaires
|
|
Disponibilité et déploiement
|
||
|
Cloud (par ex. AI Lab)
Centralisé, utilisable depuis n’importe quel appareil
Déploiement évolutif : Déploiement de modèles d’IA sur plusieurs lignes, sites ou régions |
On-Premise
Disponible localement ou sur le réseau
|
Edge
Disponible de manière décentralisée, sur le matériel local ou sur le réseau (hors ligne)
|
|
Sécurité des données, contrôle d’accès et sauvegardes
|
||
|
Cloud (par ex. AI Lab)
Dépend du fournisseur de cloud, centralisé avec rôles d’utilisateur et sauvegardes
|
On-Premise
En fonction de la configuration, la responsabilité incombe à l’utilisateur
|
Edge
Le stockage local des données est sécurisé, mais sans gestion centralisée des utilisateurs ni sauvegardes automatiques
|
