Ne nous trompons pas : nous sommes au début, seulement, de l’exploration des pleines potentialités de l’IA dans l’industrie. Data science, Machine Learning, réseaux de neurones artificiels, Text Mining, ces technologies, déjà en partie matures dans le monde du web, du marketing ou encore de la finance, ont beaucoup à apporter en particulier à l’automobile.
De la phase de conception et développement à la commercialisation, en passant par les essais et la fabrication, l’IA trouve aujourd’hui de nombreuses applications sur l’ensemble du cycle de vie automobile. Les données issues des multiples capteurs désormais intégrés aux véhicules, extraites des lignes de production dans les usines ou encore de l’expérience client sont un formidable gisement d’informations. Leur analyse et leur interprétation offrent des leviers d’amélioration tant pour le design, les essais, et la maintenance que la connaissance des attentes des utilisateurs. A plus longue échéance, l’enjeu, aussi délicat que stimulant, est naturellement le développement de la conduite autonome et la délégation complète au véhicule de décisions à caractère sécuritaire.
De nouvelles fonctionnalités pour de nouveaux usages
Les recherches sur le développement de l’intelligence du véhicule s’orientent notamment vers la question de la perception de l’environnement – les infrastructures, les autres véhicules, les piétons ou tout objet pouvant être considéré comme un obstacle pour la voiture. Radars, capteurs, caméras, mais aussi météorologie, zones de travaux et autres événements extraordinaires : la machine doit pouvoir reconnaître l’ensemble des éléments extérieurs et évaluer leur incidence éventuelle sur sa trajectoire pour adapter en temps réel sa conduite. Expleo travaille actuellement sur ce sujet, à travers le développement d’une solution de stationnement autonome baptisée AVP (Automated Vallet Parking). Grâce à une application connectant la voiture, l’infrastructure et son conducteur, cette solution permet au véhicule d’entrer, de sortir et de se garer seul dans un parking souterrain. Cette innovation interne s’appuie sur des technologies de traitement d’image basées sur du Deep learning et deux algorithmes de type Yolo et de segmentation sémantique. Leur association permet au véhicule de reconnaître son environnement, détecter les obstacles et adopter le comportement adéquat en mode autonome.
Prévenir ou corriger les dysfonctionnements
Lors de la phase d’essais, la multiplicité des données disponibles donne accès à des informations précieuses pour le traitement des anomalies. Encore faut-il pouvoir les extraire. En détectant les dysfonctionnements à partir d’un volume important de data, les algorithmes permettent aux ingénieurs de se concentrer sur l’interprétation et la résolution plutôt que sur la recherche de l’information source. Lors des essais de roulage, les méthodes dites de clustering ou classification peuvent ainsi être utilisées pour analyser et qualifier les réactions du véhicule. A partir des données recueillies par les capteurs de la voiture, il devient possible, par exemple, d’identifier les scénarios de freinage intempestifs, connaître leurs causes et in fine, les corriger. Sans les algorithmes, l’exploitation de ces données serait bien plus complexe. L’IA, on le voit, ne supprime donc pas l’homme. Elle le recentre, au contraire, sur son expertise.
Capitaliser sur la connaissance client
S’il est un domaine où les effets du Big data sont bien connus, c’est celui de la connaissance du client final. Les applications d’analyse de données des consommateurs sont parmi les plus matures et permettent aux marques d’identifier leurs cibles et les attentes de celles-ci. Cette approche répond à une demande croissante de personnalisation des produits et des services. Dans l’industrie automobile, la connaissance client peut être exploitée pour l’amélioration de la fiabilité des pièces. Grâce au Text Mining, on est en capacité, par exemple, d’analyser les données contenues sous forme de texte libre dans les commentaires clients (sites marchands, forums…). En cas d’informations sur des anomalies récurrentes, le design de certaines pièces peut être réorienté, permettant ainsi d’éviter les campagnes de rappel.
Et demain ?
L’un des grands enjeux sera la validation des décisions à caractère sécuritaire prises par un véhicule autonome. Actuellement, la mise en service de tout véhicule est conditionnée par la démonstration de sa sécurité, au regard de standards prédéfinis. Dans le cas de la voiture autonome, la sécurité sera assurée par une IA. Or si à ce jour les réseaux de neurones artificiels montrent des résultats intéressants – sont capables, par exemple, de la réaction adéquate dans une situation de freinage d’urgence –, ces résultats ne peuvent être démontrés et donc garantis. Faudra-t-il en conséquence faire évoluer les standards de démonstration de sécurité actuels ? La question est posée.
David RENAUD, Head of Data Science chez Expleo
IA et design mécanique : une symbiose en développement
L’Intelligence Artificielle, en dépit de ses très nombreux succès récents dans ses usages traditionnels – traitement d’image, de la parole et de texte naturel – n’a pas encore pleinement investi le champ du Design Mécanique et plus généralement de la Simulation Numérique. Les raisons sont à la fois liées à leurs outils– données vs. équations physiques – et aux savoir-faire difficilement mathématisable du designer et de l’ingénieur mécanicien. Il existe néanmoins de nombreuses applications de l’IA et notamment du Machine Learning à la conception mécanique ; par exemple, pour construire une approximation peu coûteuse et rapide des calculs à réaliser dans le process de design. Des techniques de détection d’anomalies basées sur du Machine Learning sont désormais utilisées pour déceler des endommagements ou contrôler les structures. L’optimisation globale couplée à du Machine Learning permet de concevoir de meilleures structures plus rapidement que l’approche essai-erreur traditionnelle, en explorant un plus large espace de design. Au-delà de ces applications connues, l’IA va libérer le potentiel créatif de l’ingénieur mécanicien en assistant et en facilitant certaines tâches coûteuses en temps, telles que la construction ou reconstruction de modèles de CAO paramétrique. Les réseaux antagonistes génératifs généreront automatiquement des design 3D de plus en plus réalistes et performants. Enfin, grâce aux capacités de stockage et de traitement distribué de données volumineuses, il sera possible de lier entre eux les nombreux calculs nécessaires au design d’une pièce. De belles perspectives donc !
Dimitri BETTEBGHOR, Data Scientist chez Expleo
Un Chatbot industriel
Fort de son expertise en data science, Expleo a développé un chatbot industriel qui pourrait demain être utilisé sur les lignes de production automobile pour assister les opérateurs. Cette innovation, grâce à des technologies de Deep Learning et de Machine Learning, sera notamment en mesure de comprendre et de répondre à des questions humaines naturelles et non standardisées.
