Les avantages de l'intelligence artificielle (IA) pour l'identification par code à barres
15/10/2021
Dans une interview, le Dr Henning Grönzin, Chief Technology Officer (CTO) chez Leuze, explique les avantages de l'intelligence artificielle (IA) pour l'identification des marchandises par code à barres. En collaboration avec un constructeur automobile, Leuze développe une solution à usage industriel.
Dr. Grönzin, quel est votre travail en tant que CTO chez Leuze ?
« Nomen est omen ». Je suis responsable de toutes les questions techniques, ce qui est communément associé au développement. Mais c'est plus que cela : la gestion traditionnelle des produits est également de mon ressort. Je suis également responsable de la mise en production des produits développés. Et enfin, le service technique des équipements après leur achat par le client.
Pourquoi Leuze, en tant que fabricant de composants, travaille avec l'IA ?
Pour nous, il a toujours été évident de créer nous-mêmes le changement. C'est pourquoi nous nous intéressons toujours aux nouvelles technologies et à leur pertinence pour nos principales industries. Par exemple, nous avons été le premier fabricant à développer des capteurs capables de communiquer directement avec le cloud via OPC UA. Nous pensons que l'intelligence artificielle est pertinente pour nos capteurs et leur utilisation dans les applications de nos clients.
Sur quoi Leuze travaille-t-il spécifiquement en ce moment ?
En ce moment, nous sommes en phase d'essai avec un constructeur automobile. Nous utilisons l'IA en relation avec nos lecteurs de codes à barres.
Un lecteur de codes à barres capture les étiquettes et fournit les identifiants pertinents à un système de niveau supérieur. Ce capteur s'autocontrôle, cela signifie qu’il connaît son propre état et est capable de le communiquer au système. Il en est ainsi depuis de nombreuses décennies. Le seul problème est le suivant : le capteur est limité à son unique point de vue. Par exemple, le capteur peut signaler "Je suis en train de lire", "Excellente lecture" ou "Très mauvaise lecture". Mais un seul appareil est incapable d'en déterminer la raison. Notre projet d'IA vise à résoudre ce problème : la mauvaise qualité de lecture est-elle due au dispositif, à l'étiquette du code à barres ou à des facteurs d'interférence dans l'environnement ?
Comment l'IA entre-t-elle en jeu ?
En logistique, nous avons souvent jusqu'à 1 000 lecteurs de codes à barres à différents endroits des installations, et des milliers d'étiquettes sur les palettes ou les boîtes passent devant ce lecteur de codes à barres. L'IA nous permet de traiter et d'analyser ce volume de données. Imaginez ceci : au cours d'un processus, une étiquette passe devant de nombreux lecteurs de codes à barres. Elle est également lue à différents endroits de l'installation. Globalement, cela donne une équation avec de nombreuses inconnues : les innombrables lecteurs de codes à barres, les quantités encore plus élevées d'étiquettes et les différents lieux d'installation. À chaque station et pour chaque étiquette, j'obtiens des résultats différents. Prenons la qualité de lecture, par exemple : parfois la qualité est de 90%, la fois suivante de 80%, etc. Et à partir d'une certaine valeur seuil, l'étiquette n'est plus lue. Je peux maintenant utiliser l'IA pour résoudre cette équation complexe en retraçant et en trouvant la cause. Le mauvais taux de lecture se produit-il toujours sur un lecteur de codes à barres, sur une seule étiquette, avec un certain type d'étiquette ou à un certain endroit de l'installation ?
Quelle méthode d'apprentissage est utilisée pour cela ? Un réseau neuronal ?
C'est exact. Nous utilisons des algorithmes dits de recommandation. Cette méthode est couramment utilisée par les services de streaming, qui évaluent le comportement des utilisateurs et utilisent ces informations pour recommander des films ou des séries. Pour utiliser cette analogie, imaginez que les codes-barres sont les films et que les lecteurs de codes-barres sont les utilisateurs du service de streaming. Ainsi, un code-barres est plus ou moins "attrayant" pour différents lecteurs de codes-barres.
Quels sont les avantages pour les clients ?
Il y a deux types de situations à considérer : la mise en service et les opérations courantes. Pendant la mise en service, le constructeur du système est soumis à un stress maximal : tout doit être fait rapidement. Imaginez un grand entrepôt où les matériaux doivent être transportés sur de grandes distances, jusqu'à 40 kilomètres. Si un seul des quelque 1 000 lecteurs de codes à barres installés est mal aligné et que vous ne savez pas lequel c'est, vous devez parcourir tout le trajet. Vous cherchez une aiguille dans une botte de foin, et l'heure tourne. Mais si je peux arriver directement au lecteur de codes-barres défectueux, cela apporte une énorme valeur ajoutée. En outre, parfois, il ne s'agit pas d'un seul lecteur de codes à barres, mais de plusieurs. Autres cas limite difficile : le lecteur de codes à barres est quelque peu aligné et lit la plupart du temps, mais les étiquettes sont encore fréquemment perdues, par exemple parce que le lecteur est légèrement incliné, qu'il lit dans la zone limite, que quelque chose vibre dans le système, qu'une fenêtre de visualisation est embuée ou qu'une étiquette est trop endommagée. L'IA nous permet de filtrer et de trouver rapidement les causes.
...et quels sont les avantages pour les opérateurs du système pendant l'exploitation ?
Pour un opérateur de système, il n'y a rien de pire qu'un arrêt inattendu. Cela coûte du temps et de l'argent. Un arrêt planifié, en revanche, est beaucoup plus agréable à vivre : la société d'exploitation peut par exemple produire et externaliser à l'avance ou maintenir la performance de livraison aux clients à un niveau élevé et la compenser par une production ultérieure. Notre approche permet également une maintenance prédictive. Nous utilisons parfois les données de plusieurs années d'exploitation, sur la base desquelles la détection précoce fonctionne de manière optimale - et le système apprend en permanence.
Quand la solution sera-t-elle disponible ?
Cela prendra encore un certain temps. Il faut toujours un peu de temps pour qu'une nouvelle technologie sous-jacente s'établisse. Prenez OPC UA, par exemple. Nous avons présenté le premier capteur avec OPC UA en 2016, et les premières installations plus importantes basées sur cette technologie commencent seulement à fonctionner. Avec les nouvelles technologies, il y a aussi toujours d'autres questions qui ont un effet indirect sur l'application. Par exemple, en ce moment, nous nous penchons sur les questions de sécurité informatique. Cette question concerne notamment les grands systèmes dans les environnements industriels, lorsque les données doivent transiter par le cloud. Par ailleurs, il est souvent possible d'utiliser des périphériques, ce qui permet de conserver les données sur place, chez le client.
