Auteur : Luis Galo, Data Scientist chez Lantek
Conséquence de la mise en place du Machine Learning (ML), plusieurs méthodologies sont désormais implémentées pour améliorer la qualité du cycle de vie d’un produit d’intelligence artificielle. Parmi elles, DevOps a pour objectif d’orchestrer le travail entre les équipes : le développement, le fonctionnement et à présent la science des données, grâce à un logiciel qui intègre la gestion des employés, des processus et de la technologie afin d’obtenir des produits de meilleure qualité en moins de temps, en minimisant les erreurs tout au long de leur cycle de vie.
L’apparition des modèles d’intelligence artificielle a permis de franchir une étape supplémentaire, il est donc nécessaire de la doter d’une couche qui permettra la gestion des modèles de connaissances apprises et leur automatisation. Le résultat s’appelle MLOPS (Machine learning + DEVOPS).
MLOps est la clé de la réussite des projets d’apprentissage automatique à grande échelle. Qu’est-ce que MLOps ? Il s’agit d’une pratique collaborative entre la science des données et les équipements informatiques conçus pour accélérer l’ensemble du cycle de vie dans la modélisation, l’implémentation et la supervision afin de permettre aux entreprises d’adopter pleinement l’IA et de se rendre réellement compte du potentiel de l’IA dans leur entreprise.
MLOps comporte trois phases :
Conception de logiciels : en fonction des besoins de l’usager, une solution d’apprentissage automatique qui réponde à ses attentes est conçue, qu’il s’agisse d’accélérer la fabrication, de réduire les coûts en minimisant la génération des rebuts, d’améliorer la productivité ou d’établir des prévisions de commandes. C’est lors de cette étape que les données extraites sont collectées et analysées pour proposer des solutions ad hoc.
Expérimentation et développement : dans cette phase, le modèle d’apprentissage automatique passe en production afin de le tester et de parfaire l’algorithme défini et ainsi proposer un modèle d’apprentissage automatique de qualité constante.
Opérations : le modèle développé à partir de l’utilisation des pratiques DevOps, telles que les tests, le contrôle des versions, la supervision, etc. est implémenté.
L’enjeu est de lancer en production ces modèles avec une ergonomie simple, il s’agit donc d’automatiser au maximum les processus afin de limiter l’intervention des ingénieurs dans les déploiements, en conservant la qualité du logiciel et des modèles.
Pour cela, les modèles sont compactés, téléchargés sur le cloud et stockés de manière sécurisée. À chaque modification des paramètres, une nouvelle version du modèle est automatiquement générée, qui passe à nouveau par un processus de contrôle qualité. Une fois déployé dans le Cloud, l’usager peut utiliser ce nouveau modèle ajusté à la nouvelle réalité de son usine.
Le système apprend au fur et à mesure à introduire des améliorations et à rendre les processus plus efficaces en fonction du travail quotidien des employés de chaque secteur et pour chaque processus. Car si les modèles ne sont pas alimentés en données, s’ils ne sont pas aidés dans cet apprentissage, ils deviennent obsolètes. Imaginons, par exemple, qu’un nouveau type de matériau soit mis en œuvre. Si cette nouvelle information n’est pas fournie à la machine, elle ne la comprendra pas et elle produira des erreurs.
Utilisation des MLOps dans l’industrie de la tôle et du métal
Chez Lantek, nous utilisons des MLOPS pour assurer la qualité et le contrôle des modèles déployés dans le cloud, qui respectent des critères d’équité et de sécurité, entre autres. Via notre plateforme Lantek 360, nos logiciels CAD/CAM et MES sont capables de se connecter à chacune des machines et de collecter leurs données pour les numériser, mais aussi de numériser le processus de fabrication de la pièce lui-même.
Désormais, avec le Machine Learning, nous sommes en mesure de modéliser et de poser des prédictions futures très rapides pour chaque circuit intervenant dans le processus de fabrication. À partir de la création de la commande, la préparation de l’offre, pour passer aux achats et par la suite l’envoyer à la conception et à la production. Cela signifie que nous bénéficions d’une vision complète de l’ensemble du processus.
Ainsi, les outils d’intelligence artificielle (IA) et les MLOps nous permettent de déterminer le temps de fonctionnement d’une machine, l’énergie qu’elle a consommée ou le nombre de pièces produites, mais aussi de quantifier la ferraille produite ou le nombre d’employés qui sont intervenus dans la production, afin de garantir la qualité des modèles dans le temps.
En matière de devis, il est bien connu que dans l’industrie de la tôle et du métal l’élaboration des offres est une tâche complexe, où interviennent de nombreuses variables et plusieurs départements, prenant beaucoup de temps. L’IA permet d’accélérer l’élaboration des devis et de les multiplier, tandis que les MLOPS garantissent leur validité dans le temps. Lantek iQuoting développe des modèles de budgétisation intelligente pour élaborer des offres en quelques secondes.
Actuellement, nous travaillons également sur des modèles de configuration des machines de découpe, une autre des complexités de ce secteur industriel. Cela nécessite des connaissances approfondies sur les machines et un personnel fortement expérimenté. Le concept est de permettre à un logiciel intelligent de seconder et conseiller le personnel lors de la configuration. Par la suite, ce sera l’opérateur qui décidera d’appliquer ou non la proposition du logiciel. De cette manière, sa décision sera beaucoup plus rapide à prendre et plus simple par rapport à ce qui existe aujourd’hui. Dans ce cadre, la quantité de connaissances générées (modèles) est si importante et variable dans le temps qu’il serait impossible de gérer les modèles d’IA sans appliquer les méthodologies MLOPS pour maintenir leur qualité tout au long du cycle de vie du produit. In fine, le but ultime est d’optimiser au maximum les processus de production de l’usine afin que la fabrication soit la moins chère possible (IA), et de pérenniser l’optimisation dans le temps (MLOPS) de manière simple. Cette optimisation cible spécifiquement les petites et moyennes entreprises afin qu’elles puissent être aussi compétitives que les grandes, et ce sans avoir besoin d’experts en architecture logicielle ou en science des données, qui elles utilisent déjà des systèmes MLOps pour être plus rentables et efficaces dans le déploiement de leurs modèles d’IA.
Dans le monde où nous évoluons, nous devons tous monter dans le train de l’Industrie 4.0 et notre rôle en tant que promoteurs est de démocratiser l’utilisation des outils d’intelligence artificielle visant à optimiser les ressources, les rendre exploitables et accessibles à tout atelier d’usine.