Une autre forme d'intelligence artificielle

« Beaucoup de gens associent l’IA aux chatbots basés sur de grands modèles linguistiques (LLM) qui semblent donner des réponses différentes à chaque fois. Ce type de comportement peut convenir pour la rédaction de textes, mais il n’est pas acceptable pour des applications telles que celles que nous utilisons dans l’industrie agroalimentaire, comme l’apprentissage automatique », explique Sindri Ólafsson.

« Notre priorité ne réside pas dans les grands modèles de langage (LLM), mais dans une intelligence artificielle dédiée à des tâches spécifiques qui nous permet de prévoir et de mesurer les performances. Nous ne développons pas de modèles d’IA de cette envergure, mais nous déployons des modèles plus petits qui font partie intégrante de la chaîne logicielle que nous déployons sur la machine. » 

« Une fois l'installation de notre modèle d'IA effectuée, il n'y a pas de mauvaises surprises, car nous savons exactement comment il se comporte, puisqu'il a été testé de manière approfondie pour l'application à laquelle il est destiné. Cette approche nous permet de fournir à nos clients des solutions de meilleure qualité, plus rapidement et de manière plus fiable. »

Ce n'est pas un jeu de devinettes

Sindri Ólafsson poursuit : « Dans notre monde où la productivité est primordiale, la reproductibilité est essentielle. Si un même produit passe devant le même capteur dans les mêmes conditions, le système doit donner à chaque fois la même réponse pour les mêmes points de données. Qu’elle soit correcte ou non, la réponse doit être prévisible. »

« Contrairement à de nombreuses applications LLM, conçues pour adapter leurs réponses à l'utilisateur, notre modèle d'IA est conçu pour garantir la cohérence. Notre activité ne tire aucun avantage de résultats qui s'apparentent à un jeu de devinettes. Elle repose sur un comportement stable et mesurable auquel les clients peuvent se fier. » 

L'IA sans surprises

« Du point de vue du client, l’IA ne doit pas improviser, et ce n’est pas le cas de notre modèle d’IA. Il ne change pas d’avis. Il assiste la machine en interprétant les données des capteurs de manière cohérente et mesurable. Nous développons et fournissons l’intelligence, tandis que le client bénéficie de son comportement constant dans ses opérations quotidiennes. »

« Nous entraînons nos modèles d’IA à effectuer des tâches spécifiques répondant à des exigences claires, à l’aide d’outils qui nous permettent de le faire à grande échelle. Nous suivons de près les données utilisées, la manière dont elles sont étiquetées et les performances des modèles sur différents ensembles de test. Cela nous permet de fournir des rapports précis et fiables, sans aucune surprise pour nos clients, exactement comme nous le ferions pour n’importe quel autre composant de logiciel. »

Sur le plan théorique, JBT Marel utilise principalement des réseaux neuronaux convolutifs (CNN), associés à des transformateurs de vision, ainsi que des réseaux neuronaux de type MLP (MultiLayer Perception).

Machines à enseigner 

Traditionnellement, les décisions en matière de qualité reposent en grande partie sur l'expérience humaine. Un opérateur peut évaluer une situation de manière légèrement différente d'un autre. L'IA permet d'éliminer ces variations.

Sindri Ólafsson poursuit : « Lors du développement d’un nouvel équipement, nous entraînons des modèles d’IA à l’aide de dizaines de milliers d’images représentant toutes sortes de variations. Chaque image est soigneusement étiquetée par des experts ; il s’agit donc toujours d’une tâche humaine. Petit à petit, le modèle apprend ce qu’il doit rechercher, tout comme un nouvel inspecteur apprendrait le métier en étudiant de nombreux exemples.

Une fois entraîné, le modèle est « gelé » et soumis à des tests approfondis. Nous mesurons sa précision et sa fiabilité, et pouvons ainsi présenter des résultats clairs, comme la détection de 99 % de caractéristiques spécifiques dans des conditions définies. Ce n’est qu’une fois ses performances validées que nous déployons le modèle sur une machine. »

Interprétation des images

Par exemple, sur la machine VC-i, les images captées par le capteur de vision sont traitées par un algorithme de suivi qui associe chaque image à un identifiant de manille spécifique. Une fois associée à la manille correspondante, l'image est transmise à un modèle d'IA qui identifie les caractéristiques importantes et les zones pertinentes, et détermine des éléments tels que :

• Y a-t-il un poulet dans la manille ?
• Où se trouve le cloaque ?
• Où se trouve la partie sensible du poulet ?
• Est-il bien fixé dans le crochet ?
• Est-il suspendu par les deux pattes ou par une seule ?

Les modèles d’IA ne prennent pas de décisions en eux-mêmes ; leur seul objectif est d’interpréter l’image à partir d’ensembles de données pré-entraînés et de fournir des informations structurées. Au cours du développement de la machine, le modèle d’IA traduit les données (visuelles) fournies par les capteurs en une forme compréhensible par le logiciel de la machine. Ces informations, associées à l’image d’origine, sont ensuite transmises à un système de post-traitement et stockées dans une base de données. 

« De plus, nous utilisons un système complet pour évaluer la qualité et la précision attendues des modèles d’IA. Par exemple, en utilisant un ensemble de données validé de 50 000 images, nous parvenons à un taux de détection correcte du cloaque proche de 100 % avec le VC-i », ajoute Sindri Ólafsson.

Une intelligence « figée » est synonyme de performances prévisibles

Le modèle d’IA de JBT Marel est statique, ou « figé », pendant toute la durée de vie de ce modèle au sein de la machine. Cela signifie qu’il n’apprend rien, n’évolue pas et ne modifie pas son comportement une fois qu’il est installé dans la machine et mis en production. Cela peut sembler contraignant, mais c’est en réalité un atout. Les modèles figés garantissent un comportement stable et prévisible dans le temps. La machine fonctionnera demain exactement comme elle l’a fait aujourd’hui.

« Avant l’installation des équipements, JBT Marel et le client mènent des discussions approfondies afin de s’assurer que le modèle d’IA répond à toutes les exigences du client. Tous les équipements fonctionneront exclusivement selon le comportement prévu. En aucun cas, lors du déploiement des machines, le modèle d’IA ne modifiera son comportement. » 

Utiliser l'IA là où elle apporte une réelle valeur ajoutée

JBT Marel n'utilise pas l'IA dans tous les cas, et c'est un choix délibéré. Certaines tâches sont mieux résolues à l'aide de la physique, de l'étalonnage ou d'algorithmes classiques. Par exemple, dans le SensorX, la détection de la graisse ou des os par rayons X s'appuie sur des propriétés physiques qui ne nécessitent pas l'IA.

Lorsque l'on recherche uniquement des anomalies simples, un algorithme basique peut suffire — par exemple, en appliquant un seuil à une ligne rouge et en identifiant son point le plus haut. Si c'est tout ce dont vous avez besoin, un modèle d'IA n'est pas nécessaire.

Cependant, si vous souhaitez détecter des schémas plus complexes ou inhabituels, c’est là que l’IA entre en jeu. C’est dans l’interprétation que l’IA excelle véritablement. Elle est très performante pour analyser les données des capteurs, reconnaître des schémas, repérer des anomalies et comprendre des informations visuelles complexes. Dans ces cas-là, les réseaux neuronaux convolutifs s’avèrent particulièrement efficaces, car ils permettent d’analyser les modèles au sein de séries de données et d’en extraire des informations plus pertinentes.

Moins dépendant

L'intelligence artificielle aide les machines à « voir » et à mieux interpréter les informations visuelles, ce qui leur permet de moins dépendre du jugement humain. Cela signifie que :

• Moins besoin d'une surveillance manuelle constante
• Une qualité plus stable d'une équipe à l'autre et d'un site à l'autre
• Détection plus rapide des anomalies avant qu'elles ne deviennent des problèmes

Les systèmes tels que le VC-i tirent parti d'une technologie de vision basée sur l'IA, et cette amélioration de la qualité se répercute en aval. Même les machines qui n'intègrent pas directement la technologie d'IA bénéficient des données d'entrée plus détaillées et plus cohérentes qu'elles reçoivent, à l'instar du Nuova-i, qui affiche désormais de meilleures performances.

« Notre technologie d’IA renforce la sécurité et la qualité du produit qui circule entre ces machines ; ainsi, l’ensemble de la chaîne d’éviscération bénéficie de l’IA fournie par le VC-i. L’IA sera-t-elle intégrée à chaque nouvelle machine que nous développons ? Certainement pas. L’IA aura-t-elle une influence sur toutes ces machines ? Absolument oui. » 

Conçu pour s'adapter à la croissance et garantir la cohérence

L’un des atouts de JBT Marel en matière d’IA réside dans son évolutivité. Une même plateforme d’IA prend en charge plusieurs machines et applications dans les secteurs de la volaille, de la viande, du poisson et de la transformation secondaire. Cela garantit des normes de qualité homogènes et une innovation plus rapide à l’échelle de l’ensemble du portefeuille. « Nous pouvons résoudre des tâches plus complexes plus rapidement et avec une plus grande précision. Et nous pouvons le faire à moindre coût, car nous n’avons plus besoin de consacrer autant d’heures d’ingénierie qu’auparavant. »

Pour JBT Marel, l'IA n'est pas simplement une initiative lancée pour « faire comme les autres ». Il s'agit d'une technologie soigneusement maîtrisée, utilisée uniquement lorsqu'elle apporte des avantages mesurables. »

Perspectives d'avenir

À l'avenir, toutes les machines ne fonctionneront pas nécessairement grâce à l'IA, mais de plus en plus de chaînes de production en tireront parti au fil du temps. En améliorant les performances des machines grâce à l'IA, JBT Marel aide ses clients à obtenir une meilleure qualité, une plus grande stabilité et à réduire leur dépendance vis-à-vis de l'expertise individuelle.

Au final, l'IA ne vise pas à remplacer les humains. Elle vise à doter les machines de capacités sensorielles plus performantes, afin que les humains puissent se concentrer sur le maniement de leurs activités en toute confiance.