Configurer simplement : GenISys met l'IA générative au service de l'ingénierie végétale
Dans le cadre du projet "GenISys", des chercheurs de l'université de Wuppertal travaillent avec deux partenaires pratiques pour développer des modèles génératifs d'IA afin de rendre la construction d'usines d'embouteillage plus intelligente et plus efficace en termes de ressources à l'avenir. L'objectif global est de promouvoir l'utilisation de l'intelligence artificielle (IA) dans les secteurs pertinents de l'économie.
Les modèles d'IA générative sont conçus pour générer un nouveau contenu à partir de données existantes. Ces modèles sont déjà intégrés dans de nombreuses applications commerciales et utilisateurs et démontrent des capacités impressionnantes, par exemple en générant des textes semblables à ceux d'un être humain. "Dans le secteur de la production industrielle, cependant, le potentiel connu et les performances des approches d'IA générative restent pratiquement inexploités. Cela s'explique en partie par le fait que les méthodes d'IA ne sont pas encore adaptées aux domaines d'application présentant des exigences très spécifiques", explique le Dr Hasan Tercan, chef de groupe du domaine de recherche "Industrial Deep Learning" à l'Institut des technologies et de la gestion de la transformation numérique de l'Université de Wuppertal.
Complexe, coûteux, chronophage
L'un de ces domaines d'application particuliers est la conception et la construction de systèmes de remplissage industriels, par exemple pour les matériaux pulvérulents et granuleux tels que le ciment, qui doivent être remplis dans des sacs dans le cadre d'une production de masse. Le processus de configuration complexe, en partie manuel, de ces systèmes se caractérise par des essais en laboratoire visant à déterminer les propriétés du matériau à remplir, ainsi que par le développement et l'essai en plusieurs étapes d'un prototype de système. En cas de nouvelles exigences opérationnelles et de modification des propriétés du matériau, d'autres étapes d'ajustement sont nécessaires pendant le fonctionnement du système. "Cette nature laborieuse du processus de conception, combinée à la nécessité récurrente de redéfinir les paramètres en raison des changements de matériaux, souligne la nécessité d'une approche plus innovante et adaptable de la configuration de l'usine", explique M. Tercan.
Le scientifique et son équipe collaborent avec l'éditeur de logiciels Snap et le fabricant d'installations Haver & Boecker dans le cadre du projet de recherche "GenISys", lancé récemment, qui vise à réduire le nombre de cycles d'essai grâce aux technologies numériques et à l'utilisation de processus d'IA générative. Leur objectif n'est pas seulement de faire avancer la mise en œuvre d'idées et de services innovants dans l'industrie - la réduction des coûts de production et de l'utilisation de matériaux permet également de protéger l'environnement. Selon les partenaires du projet, l'importance de l'innovation va bien au-delà de son application directe dans la construction de machines et d'installations. Le processus de développement et de formation à l'IA étant soigneusement conçu pour être adaptable et extensible, le cadre d'application peut ensuite être réutilisé sans problème dans différents contextes - par exemple sous la forme d'un modèle de licence pour un kit de modules d'IA - ce qui permet une intégration dans d'autres secteurs.
Pour plus de détails : Approche du projet
La vision du projet est de développer une application logicielle basée sur l'IA, facile à utiliser et interactive pour les entreprises de construction d'usines et les exploitants d'usines. Le point de départ de "GenISys" est constitué par les données et les informations relatives à la commande d'un client, sur la base desquelles le logiciel à développer doit configurer une nouvelle ligne de remplissage. Les données comprennent les propriétés matérielles du produit à remplir - telles que la taille et la densité des particules - qui ont été déterminées par des essais en laboratoire, ainsi que les images microscopiques existantes du produit, qui étaient auparavant prises principalement à des fins de documentation et de vérification. Des données historiques provenant de milliers de configurations de systèmes et de propriétés de produits sont également disponibles pour entraîner les modèles d'intelligence artificielle intégrés dans le logiciel.
Afin de rendre le logiciel utilisable, l'architecture des modèles d'IA, les méthodes d'entraînement, les stratégies de modularisation pour l'intégration dans les processus commerciaux existants et les stratégies d'automatisation pour leur optimisation continue, ainsi que les concepts pour l'intégration du retour d'information humain doivent être adaptés et, dans certains cas, nouvellement développés.
Par exemple, les chercheurs utilisent des méthodes avancées dans le domaine de la reconnaissance d'images basée sur l'IA (réseau neuronal convolutionnel) pour déterminer automatiquement les caractéristiques manquantes ou difficiles à déterminer, telles que les propriétés d'abrasion et l'humidité du produit de remplissage, à partir des images, et ainsi enrichir la base de données. Des modèles d'IA sont également développés et entraînés (y compris des modèles de réseaux adversaires à génération conditionnelle), qui génèrent la configuration appropriée du système sur la base des données d'entrée. En outre, selon les considérations au début du projet, des réseaux neuronaux artificiels distincts pourraient être utilisés pour évaluer la solution trouvée. L'évaluation est à son tour utilisée pour la formation des modèles d'IA.
"Un aspect essentiel du projet est l'intégration et le développement de stratégies d'apprentissage innovantes pour le traitement des données et l'entraînement des modèles, que nous utilisons pour garantir qu'un modèle d'IA déployé peut s'adapter en permanence à de nouvelles conditions d'exploitation telles que des changements de matériaux, de nouveaux systèmes ou des cas d'utilisation", explique M. Tercan. Le facteur humain entre également en jeu lorsqu'il s'agit d'apprentissage : le logiciel doit ensuite permettre au personnel d'exploitation de fournir un retour d'information, de vérifier les recommandations et de corriger les erreurs potentielles dans la configuration. Tercan : "La boucle de rétroaction garantit également que le système d'IA continue d'apprendre et de s'adapter sur cette base, améliorant progressivement la précision de ses recommandations."
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Autres actualités du département science
![Catalyse de la [Fe]-hydrogénase visualisée à l'aide de la spectroscopie de résonance magnétique nucléaire rehaussée de para-hydrogène](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
