Depuis des décennies, les ingénieurs en informatique utilisent des débogueurs et des profileurs pour détecter les problèmes cachés dans leur code. Mais dans le secteur industriel, lorsqu'un processus tombe en panne ou ralentit, nous ne disposons souvent que d'un chronomètre et d'un bloc-notes.
Dans le dernier épisode de « Humans in the Loop », Rony Kubat, Tulip , et Mark Watabe, responsable des produits d'IA, s'entretiennent avec Madi Castillo, directrice marketing, pour examiner comment la situation évolue.
S'appuyant sur des compétences issues de l'architecture, du cinéma et du génie logiciel, l'équipe aborde l'émergence de l'« observabilité physique » : l'utilisation de modèles de langage visuel (VLM) pour « cartographier » l'environnement physique de l'usine à la manière d'un code, transformant ainsi la vidéo, qui n'est plus un simple support de stockage passif, en un outil actif au service de Amélioration continue.
Regardez l'épisode complet ci-dessous :
Le décalage contextuel : cuisiner pour grand-mère ou regarder la télévision
Sans contexte, les données ne sont que du bruit. Pour expliquer pourquoi, Mark et Rony ont recours à une analogie universelle : la cuisine.
Si vous préparez un repas pour le centième anniversaire de votre grand-mère, ce processus est marqué par le soin, la tradition et peut-être un rythme plus tranquille. Si vous préparez exactement le même repas pour un concours télévisé en direct, ce processus est marqué par la rapidité, la performance et le stress.
Un simple capteur de température placé sur la cuisinière indiquerait 177 °C dans les deux cas. Il ne peut pas faire la différence. Mais la réalité du fonctionnement est tout autre.
« L'architecte est confronté à un problème d'échelle, à savoir l'échelle humaine... Il en va de même pour les grands modèles de langage (LLM). Nous souhaitons disposer d'un contexte infini, mais celui-ci n'existe pas. Il faut concevoir un contexte de référence afin que l'IA sache où aller. » — Mark Watabe
Dans le secteur industriel, nous sommes souvent confrontés à ce « manque de contexte ». Nous disposons des données des capteurs (la machine fonctionne), mais il nous manque le contexte humain (qui la fait fonctionner, pourquoi rencontre-t-il des difficultés et comment évolue l'environnement ?). Pour combler ce fossé, il faut un nouveau type de capteur, capable d'avoir une vue d'ensemble.
Accédez à l'observabilité physique
Rony présente le concept du profileur logiciel, un outil qui surveille l'exécution d'un programme et met en évidence les endroits précis où le code ralentit ou plante.
Dans le contexte de l'usine, l'observabilité physique remplit la même fonction. Il ne s'agit pas simplement d'enregistrer des vidéos, mais d'utiliser l'IA pour analyser ce qui se passe dans ces vidéos.
Grâce à l'essor des modèles linguistiques visuels (VLM), les fabricants peuvent désormais « interroger » leurs flux vidéo. Au lieu de demander à une personne de passer au crible 8 heures d'enregistrements pour repérer un blocage, ils peuvent demander à un agent : « Montrez-moi toutes les fois où le chariot élévateur a bloqué l'allée pendant le quart A. »
Cela permet aux responsables opérationnels de « déboguer » leurs processus physiques avec la même précision que celle dont font preuve les ingénieurs logiciels lorsqu'ils déboguent du code.
De la surveillance à l'accompagnement : la métaphore du « poirier »
Une objection courante à l'installation de caméras dans les ateliers est la crainte du « Big Brother », c'est-à-dire que les enregistrements vidéo soient utilisés pour sanctionner les employés. Mark renverse ce discours à l'aide d'une métaphore personnelle : apprendre à faire le poirier.
Si vous souhaitez apprendre à faire le poirier, l'outil le plus précieux dont vous pouvez disposer est une caméra. Vous vous filmez non pas pour être jugé, mais pour voir ce que vous ne pouvez pas sentir : votre dos est-il cambré ? Vos coudes sont-ils pliés ?
C'est là l'essence même de l'IA centrée sur l'humain. Lorsqu'elle est correctement mise en œuvre, l'observabilité physique permet d'adapter le poste de travail à l'opérateur, plutôt que d'obliger ce dernier à s'adapter au poste. Elle identifie les points où l'ergonomie laisse à désirer, où les outils sont hors de portée et où le processus va à l'encontre des besoins de l'opérateur, permettant ainsi une personnalisation à grande échelle du flux de travail pour chaque individu.
Utilisez une IA centrée sur l'humain pour améliorer la production grâce à une plateforme opérationnelle connectée
Découvrez comment les fabricants utilisent Tulip collecter des données en temps réel sur le terrain, normaliser les flux de travail et mettre en place les bases opérationnelles dont les systèmes d'IA ont besoin pour améliorer la qualité, le rendement et la prise de décision.