Alors que les technologies de l’Apprentissage Machine, le Machine Learning (ML), existent depuis les années 60, cela ne fait qu’à peine 5 ans qu’elles sont réellement exploitées par l’industrie. C’est la montée en puissance du hardware et de nouveaux algorithmes qui autorisent maintenant de bénéficier des capacités d’analyse et de prédiction du ML. Apple et Google proposent des kits de développement qui rendent possible l’utilisation de modèles de Machine Learning appliqués à toutes les activités industrielles, même sur des plateformes mobiles bon marché.

 

Une technologie disruptive qui évolue très rapidement

 

Le Machine Learning est une technologie informatique qui n’a cependant rien à voir avec la programmation classique. Plutôt que d’envisager par codage toutes les possibilités pour répondre à un problème posé le développeur créée un modèle statistique basé sur les méthodes de l’intelligence artificielle. On utilise la régression, la classification, et bien d’autres méthodologies pour que le modèle soit capable de prédire des événements en fonction de ceux qui lui ont déjà été soumis.

La création d’un modèle ML se fait en plusieurs étapes. On réunit tout d’abord toutes les données qui doivent lui permettre d’apprendre et on les traite de façon qu’elles soient le plus pertinentes possibles. On entraîne ensuite le modèle avec ces données en lui soumettant des informations dont la combinaison donne des résultats connus et vérifiés. On teste alors le modèle avec des informations nouvelles afin de vérifier les résultats et on ajuste au besoin ses hyper-paramètres pour que les résultats soient de plus en plus satisfaisants. Il faut finalement déployer le modèle en production et éventuellement le ré-entraîner lorsque l’on dispose de nouvelles informations intéressantes.

 

Portabilité et optimisation des modèles sont dues à l’expérience des grands éditeurs

 

Avec l’arrivée des grands éditeurs comme Apple et Google sur le marché de l’apprentissage machine, c’est tout un secteur qui voit son développement accéléré. Google a pris les devants avec TensorFlow, un framework sous Python, qui facilite le développement de modèles ML grâce à des bibliothèques de haut niveau. TensorFlow est désormais disponible pour JavaScript ou en version Lite pour Android. Chez Apple c’est IOS ML kit qui autorise le déploiement de modèles ML sur les plateformes équipées de son système d’exploitation.

Jusqu’à présent il fallait disposer d’une grande puissance de calcul pour entraîner les modèles les plus complexes d’Apprentissage Machine pour l’Industrie 4.0. D’une part on peut utiliser des calculateurs basés sur des GPU (Graphical Processing Units – NVIDIA) ou sur des TPU (TensorFlow Processor Units – Google) pour accélérer l’entrainement et le test. D’autre part tous les grands acteurs du Cloud, Amazon, Microsoft et Google, proposent maintenant des machines virtuelles surpuissantes pour les effectuer. Les déploiements de ces modèles en production étaient souvent complexes. Ce n’est plus le cas avec l’apparition de formats de fichiers standardisés facilement transférés et exploitables sur des terminaux mobiles.

 

L’utilisation de l’Apprentissage Machine devient un avantage industriel décisif

 

Pour l’Industrie 4.0 le Machine Learning devient rapidement un avantage décisif à la fois tactique et stratégique. Grâce aux Data Lakes (lacs de données) qui sont produits en permanence, et en temps réel, par les capteurs et les activateurs de l’Internet des Objets (IoT) on peut utiliser l’Apprentissage Machine pour rendre possible l’analyse prédictive. Plus les volumes de données sont importants et régulièrement mis à jour, plus les analyses sont fiables. Elles autorisent un maintien et un accroissement de la performance industrielle et augmentant l’agilité des processus-métiers. Les industries qui ne disposeront pas bientôt de ces outils technologiques de rupture vont voir leur croissance réduite et même leur existence hypothéquée au cours de ces 5 prochaines années.

 

UsiTab prend les devants en intégrant le Machine Learning pour doper analytique et décisionnel

 

Les outils UsiBox et UsiChart vont voir leurs fonctions augmentées des capacités analytiques et décisionnelles procurées par les kits de développement d’Apple et de Google. Ceux-ci seront nativement intégrés aux plateformes mobiles utilisées pour piloter les processus industriels avec UsiCase en tenant compte des recommandations de nos modèles développés en interne. Ceux-ci pourront aussi servir à fluidifier encore plus les prises de décisions collaboratives rendues possibles par notre application SynergyTab. Il sera aussi possible de les mettre à profit depuis UsiPass pour que les échanges d’informations soient encore plus rapides et performants. Cette convergence facilitée et optimisée pourra être pleinement être exploitée via nos API pour donner vie à des applications sur-mesure.

Le Machine Learning n’est plus une révolution mais un outil industriel à part entière. Ses avantages essentiels pour la croissance en termes de parts de marché et la performance industrielle qu’il procure rendent son emploi obligatoire pour les industries et tous les collaborateurs qui passent à l’usine 4.0. Le temps n’est plus à l’attente des résultats pour prendre des décisions. C’est plutôt celui de la proactivité initiée par le machine learning grâce à ses capacités analytiques inégalables. La prise de décision des Industries 4.0 devient intelligente, artificielle et permanente. Ainsi la France, développe sa compétitivité en développant l’industrie de demain grâce à ses nouveaux outils.  C’est à ce prix que les entreprises industrielles pourront espérer exister sur des marchés mondialisés de plus en plus pressés et exigeants.