Machine learning, Deep learning : que peut apporter l’intelligence artificielle au secteur industriel ?

Le Machine learning et le Deep learning sont deux composantes incontournables de l’intelligence artificielle appliquée au secteur industriel. Mais que signifient ces deux expressions ? En quoi sont-elles différentes ? Que peuvent-elles apporter à la transformation digitale de l’usine 4.0 ? Comment aller plus loin, et, au passage, maximiser la satisfaction client ? Les équipes de Visiativ font le point !

Un rappel : qu’est-ce que l’Intelligence Artificielle ?

L’Intelligence artificielle a été pour la première fois évoquée en 1956 par deux chercheurs américains, John McCarthy et Marvin Minsky, lors d’une conférence organisée à Dartmouth. Elle a trouvé sa première concrétisation dans ce que l’on a appelé les « systèmes experts », c’est-à-dire des systèmes capables de reproduire le comportement et les décisions d’un expert humain. Et ce dans l’armée et la médecine principalement.

L’Intelligence artificielle moderne va plus loin : elle regroupe l’ensemble des technologies qui permettent aux machines, du robot à la solution digitale, d’adopter un comportement proche des réactions et capacités humaines. Et pour cela, elle s’appuie sur deux dimensions : le Machine learning et le Deep learning.

Le Machine learning, pour un apprentissage autonome

Le Machine learning, c’est donc la capacité des machines à apprendre par elles-mêmes, sans intervention humaine ou presque, sans ajout de lignes de code ou de fonctionnalités. Il ne s’agit donc plus de reproduire / copier des réactions humaines, mais bien de concevoir des machines capables d’un apprentissage autonome.

Comment est-ce que cela fonctionne ? Le Machine learning repose sur l’analyse, via des algorithmes, d’une somme de données issues de différentes sources (capteurs, autres machines…) et rendue plus facile par le développement du Big data. En appliquant des statistiques et probabilités à ces données, la machine va prendre une décision. Bonne ou mauvaise, cette dernière devra être soit validée, soit corrigée. Enrichissant de fait la base de statistiques, ce qui aidera le programme à faire, lorsque la même situation se représentera, le meilleur choix.

Le Deep learning, pour la reconnaissance

Le Deep learning est une notion beaucoup plus récente, apparue il y a une dizaine d’années. Cette technologie intervient pour sa part dans la reconnaissance par les machines du langage naturel et d’images. Elle fonctionne par biomimétisme : le Deep learning reproduit en effet le mécanisme des réseaux de neurones : il s’agit d’imiter le fonctionnement du cerveau humain !

Il avance ainsi grâce à une analyse par couches, chacune d’entre elles aidant la machine à comprendre l’élément (image ou suite de mots) qui se présente face à elle et éliminant, couche après couche, les réponses non-pertinentes. Le Deep learning est donc extrêmement gourmand en données, ce qui explique qu’il s’est développé en même temps que le phénomène du Big Data, que l’Internet des objets (IoT)  et l’industrie 4.0.

Choisir entre Machine learning et Deep learning dans l’industrie

L’intelligence artificielle dans l’industrie repose donc sur le Machine learning et sur le Deep learning. Mais ces deux dimensions ne permettent pas la même chose.

En effet, le Machine learning sera particulièrement pertinent pour trier des données, segmenter une base de données, proposer des recommandations dynamiques, automatiser l’attribution de valeurs dans un programme… Bref, il s’agit avant tout d’un outil d’aide à la décision dans le secteur industriel.

Le Deep learning, pour sa part, permettra de repérer des défauts sur des pièces manufacturées, de reconnaître des éléments de langage naturel et de les transformer en actions. C’est donc un outil pour optimiser la production industrielle grâce à l’intelligence artificielle !