#AIoTMattersAtBosch

« Prêcher par l’exemple » n’est pas un vain mot chez Bosch. Si vous souhaitez intégrer l’intelligence artificielle (IA) dans vos produits et services, vous devez non seulement mettre en place les conditions techniques préalables, mais aussi disposer des connaissances internes nécessaires. Ce dernier point est une condition essentielle pour convertir l’expertise technique en activité commerciale.

En 2017, Bosch a créé le Bosch Center for Artificial Intelligence (BCAI). En utilisant les abondantes données disponibles chez Bosch, le BCAI mène des recherches de pointe sur l’IA, applique l’apprentissage automatique aux produits et services de Bosch dans les domaines de la fabrication, de l’ingénierie, de la gestion de la chaîne d’approvisionnement et des services intelligents.

Le BCAI forme également les associés de Bosch à mieux comprendre l’IA et à créer une communauté interne d’IA en pleine expansion. « Les sites Bosch peuvent externaliser les grands projets d’IA auprès du BCAI, mais nous avons également besoin d’experts en IA sur les différents sites et nous devons unir nos forces aux leurs en collaborant sur des solutions d’IA », explique Jennifer Thompson, Data Scientist chez Bosch et formatrice pour le BCAI.

La plupart des gens ne le réalisent pas, mais l’IA est déjà présente dans notre vie quotidienne. Il suffit de penser à Google Assistant, aux recommandations de Netflix ou aux maisons intelligentes. L’amélioration des algorithmes et les progrès technologiques, tels que la puissance de calcul et le stockage et la mémoire informatique tous à des prix plus abordables, ont accéléré les investissements dans l’IA. Toutefois, le facteur le plus important est l’augmentation considérable des données disponibles.

Aujourd’hui, chaque entreprise a accès à d’importantes quantités de données. Elles revêtent de multiples formes et volumes et se déplacent à une vitesse croissante. L’exploration de données, qui consiste à découvrir des modèles cachés précédemment inconnus et d’autres informations utiles dans ces données, permet de générer de nouvelles connaissances.

Ces connaissances constituent la base du machine learning et du deep learning, deux techniques d’IA courantes. Le machine learning permet à un système d’apprendre à partir de données, en faisant une prédiction et en la comparant au résultat concret. L’algorithme d’apprentissage automatique utilise ensuite cette différence pour améliorer son modèle prédictif. Le deep learning est un type d’apprentissage automatique. Il utilise généralement des réseaux neuronaux, qui sont conçus pour imiter le cerveau humain. La puissance de ces modèles réside dans leur capacité à créer des modèles directement à partir de données brutes. Par exemple, alors que les méthodes traditionnelles d’apprentissage automatique utilisent des éléments créés à la main, l’apprentissage profond peut être déployé directement sur des données brutes telles que les couleurs de chaque pixel de l’image d’un chat.

Il est nécessaire, pour tous les types du machine learning, de disposer d’un important volume de données fiables, compréhensibles et pertinentes. Le modèle du machine learning est chargé de créer le modèle prédictif à partir des données, tandis que les data scientists, ou experts en mégadonnées, sont chargés de choisir le modèle d’apprentissage automatique adéquat et de définir les « hyperparamètres » de pilotage qui donnent les prédictions les plus précises.

La courroie, composée de centaines d’éléments individuels en acier conçus spécialement, est un composant clé d’une TVC, car elle transmet la puissance du moteur à l’essieu moteur. « La qualité de ces éléments en acier est d’une importance capitale. Un élément faible a des conséquences sur l’ensemble de la courroie. Nous disposons déjà d’un excellent système de contrôle de la qualité, mais nous voulons l’améliorer encore grâce au programme d’IA », déclare Peter Hebben, coordinateur de l’intelligence artificielle chez Bosch Transmission Technology.

Avant de passer à la chaîne de montage, les éléments en acier passent par un système de contrôle, une machine conçue en interne où des caméras prennent des photos des différents éléments. « Les caméras zooment pour détecter les défauts et prendre une décision sur la base d’une description détaillée et documentée des défauts potentiels », explique Peter Hebben.

« L’approche actuelle, fondée sur des règles, est efficace, mais elle prend du temps et est souvent trop rigide. Au moindre doute, l’élément est rejeté. Avec l’aide de l’IA, nous entendons réduire le nombre de faux rejets. Cela permettra d’améliorer l’efficacité et de réduire les coûts. »

Le système de contrôle actuel a été adapté avec des équipements d’inspection améliorés et des modèles d’IA de pointe ont été adoptés pour accroître les performances. « Le système d’IA réduit le nombre de faux rejets, tout en maintenant le haut niveau de qualité actuel. Le système d’IA apprend ce que vous lui enseignez. Plus vous lui transmettez d’informations de qualité, plus il sera performant. Par conséquent, nous cherchons également à améliorer le processus de marquage des données. C’est une tâche qui demande beaucoup de travail et de temps. Avec un système de marquage secondaire assisté par l’IA, nous pouvons faire la différence sur ce plan. »