Aller au contenu
NEURIXIS

Secteur

L’IA en environnement de production

Vos ateliers produisent de la donnée depuis des années. Ce qui manque rarement, c’est la donnée. Ce qui manque, c’est un modèle qui tienne le temps de cycle, une intégration à l’automate, et un dossier technique qui passe l’évaluation de conformité.

Le contexte

Un atelier instrumenté produit déjà tout ce qu’il faut : automates, MES, GMAO, capteurs, historiens. Le problème n’est pas le volume, c’est l’alignement. Les signaux sont échantillonnés à des pas différents, horodatés sur des horloges qui ne sont pas synchronisées, et rangés dans des historiens propriétaires dont l’export est lent. Le premier mois d’un projet sérieux part dans la reconstruction d’une base temporelle commune, pas dans le choix d’un modèle.

La deuxième contrainte est le temps de cycle. Un contrôle qualité en ligne rend son verdict dans le rythme de la machine, souvent quelques centaines de millisecondes, sur du matériel logé dans une armoire, sans connexion sortante. Cela élimine d’emblée une partie des architectures, notamment celles qui supposent un appel à un service distant. La question de l’inférence en périphérie se pose au cadrage, pas à la mise en production.

La troisième est statistique. Les défauts qui coûtent cher sont rares. Avec un taux de rebut de quelques pour mille, un taux de bonnes réponses global n’a aucun sens : un modèle qui répond toujours « conforme » l’atteint. On raisonne en rappel sur la classe défaut, à précision fixée, et on négocie avec la production le nombre de fausses alarmes que la ligne peut absorber par équipe. Ce nombre est une donnée d’entrée du projet, pas un résultat.

La quatrième est la dérive. Changement de série, changement de fournisseur de matière, nouvelle position de la caméra, éclairage d’été : la distribution bouge. Un modèle de vision entraîné au printemps ne tient pas à l’automne si personne n’a prévu la procédure de réentraînement, le jeu de qualification et la personne qui la déclenche.

Machine industrielle en fonctionnement sur une ligne de production.

Contraintes réglementaires

Une fonction d’IA embarquée dans une machine n’est pas un projet logiciel posé à côté du produit : elle entre dans le dossier technique du produit. Voici ce qui structure le travail.

  • Directive Machines 2006/42/CE et règlement (UE) 2023/1230

    Le règlement (UE) 2023/1230 remplace la directive Machines à compter du 20 janvier 2027, avec une période de transition d’ici là. Il traite explicitement les machines comportant des éléments numériques et les comportements évolutifs, ce que la directive de 2006 ne faisait pas. Conséquence directe : si votre fonction d’IA participe à la sécurité de la machine, elle relève de l’analyse de risque et de la documentation technique du produit, et une mise à jour de modèle après mise sur le marché n’est pas un acte anodin.

  • Marquage CE et évaluation de conformité

    La question à trancher au cadrage est simple à formuler et lourde de conséquences : la fonction d’IA est-elle un composant de sécurité, ou un outil de pilotage à côté de la chaîne de sécurité ? La réponse détermine le niveau de preuve exigé, la nature de l’évaluation de conformité et le coût du projet. Composant de sécurité, l’évaluation peut faire intervenir un tiers et la charge de preuve monte ; outil de pilotage à côté, elle reste documentaire et interne. Elle se tranche avec votre responsable sécurité machine, avant la première ligne de code.

  • AI Act, annexe I

    Un système d’IA qui est un composant de sécurité d’un produit couvert par la législation d’harmonisation de l’annexe I, soumis à évaluation de conformité par un tiers, est classé à haut risque. La législation machines y figure. Cela emporte les obligations du haut risque : gestion des risques, gouvernance des données d’entraînement, documentation technique, journalisation, contrôle humain, exactitude et robustesse démontrées. Ces obligations recoupent le dossier machine que vous produisez déjà : le travail utile est de faire converger les deux, pas de monter deux dossiers.

  • NIS2, directive (UE) 2022/2555

    Plusieurs activités industrielles relèvent des entités essentielles ou importantes au titre de NIS2, avec des obligations de gestion du risque cyber, de sécurité de la chaîne d’approvisionnement et de notification des incidents. En pratique, cela pèse sur une décision d’architecture précise : toute passerelle qui fait sortir de la donnée d’atelier vers un service d’inférence externe doit être justifiée, tracée et contractualisée. C’est l’une des raisons pour lesquelles nous privilégions l’inférence sur votre infrastructure.

Classement des systèmes d’IA du plus au moins encadré : risque inacceptable, haut risque, risque limité, risque minimal.Le plus encadréLe moins encadréRisque inacceptableInterdit dans l’UnionHaut risqueAnnexe III, obligations lourdesRisque limitéObligations de transparenceRisque minimalUsage libre

Cas d’usage

  • Contrôle qualité visuel en ligne

    Le problème
    Le contrôle final est humain et échantillonné. Le défaut est découvert après plusieurs opérations à valeur ajoutée, parfois après expédition, et le coût de la non-qualité est porté par le client.
    L’approche
    Détection ou segmentation supervisée sur images annotées quand les défauts sont catalogués, détection d’anomalie sur pièces conformes quand ils sont trop rares pour être étiquetés. Inférence sur GPU embarqué ou caméra intelligente, dans le temps de cycle, sans réseau sortant. Protocole figé avant l’entraînement : position, éclairage, cadence.

    Critère de succès

    Rappel sur les défauts critiques, à taux de fausses alarmes fixé avec la production, mesuré sur un lot de qualification annoté indépendamment du lot d’entraînement. Plus le temps d’inférence au percentile 95, comparé au temps de cycle réel de la ligne. Les deux chiffres sont écrits avant de commencer.

  • Maintenance prédictive sur équipements critiques

    Le problème
    Les arrêts non planifiés dictent le planning et la charge de l’équipe. La GMAO enregistre les interventions, donc les conséquences, mais pas les signaux qui les précèdent.
    L’approche
    Séries temporelles multivariées sur vibration, courant, température, pression. Détection d’anomalie non supervisée pour amorcer quand les défaillances étiquetées manquent, puis modèle supervisé si l’historique le permet. L’horizon n’est pas un choix du modèle : il est fixé par le délai d’approvisionnement de la pièce et de mobilisation de l’équipe.

    Critère de succès

    Part des défaillances détectées avec un préavis supérieur au délai de mobilisation, et nombre d’alertes par semaine et par machine, comparé à ce que l’équipe de maintenance peut réellement instruire. Une alerte que personne n’ouvre est une fausse alerte, quelle que soit sa justesse statistique.

  • Prévision de demande et charge de production

    Le problème
    Le plan directeur repose sur des moyennes glissantes et sur l’expérience du planificateur. Ruptures et stocks dormants coexistent sur le même magasin, parfois pour la même référence.
    L’approche
    Modèles de séries temporelles avec variables exogènes (calendrier, promotions, carnet de commandes), comparés à du gradient boosting sur variables décalées. Systématiquement évalués contre une référence naïve, saisonnière quand la saisonnalité existe, et sur une période postérieure à l’entraînement.

    Critère de succès

    Erreur de prévision par référence et par horizon, sur une période postérieure à l’entraînement, comparée à la référence naïve et à la prévision en place aujourd’hui, à volume et périmètre comparables. Si le modèle ne bat pas la moyenne mobile du planificateur, nous le disons et nous arrêtons.

  • Extraction des dossiers de fabrication et documents fournisseurs

    Le problème
    Certificats matière, rapports de contrôle, bons de livraison et ordres de fabrication arrivent en PDF scanné. La ressaisie mobilise du temps qualifié et introduit ses propres erreurs.
    L’approche
    OCR sur documents semi-structurés, extraction de champs par modèle de langue contraint par un schéma explicite, contrôles de cohérence entre pièces d’un même dossier (références matière, quantités, dates), et mise en file humaine des extractions sous le seuil de confiance, avec un lien vers la source de chaque champ.

    Critère de succès

    Taux d’extraction correcte champ par champ sur un jeu de test annoté, en séparant les champs qui portent une conséquence (numéro de coulée, valeur de contrôle) des champs de contexte. Et part des documents traités sans reprise humaine au seuil retenu, mesurée sur un mois de flux réel.

Matrice deux par deux croisant l’effort d’intégration et le gain annuel estimé, avec quatre quadrants nommés.Quick winGain fort, effort faibleChantier structurantGain fort, effort fortGadgetGain faible, effort faiblePiègeGain faible, effort fortGain annuel estiméfortfaibleEffort d’intégrationfaiblefort

Ce qui fait échouer les projets

Ce qui suit n’est pas une liste de risques théoriques. Ce sont les façons dont un projet d’IA industrielle s’arrête réellement.

  • Le pilote tourne sur un poste dédié posé à côté de la ligne, sans lien avec l’automate ni la supervision. Il fonctionne, il est démontré, et personne ne sait quoi faire du verdict quand l’ingénieur n’est pas là. L’intégration n’est pas la dernière étape du projet, c’est sa condition.
  • Les images d’apprentissage viennent d’une campagne unique : un lot, une caméra, un éclairage, une équipe. Le modèle apprend la campagne. La première variation réelle le fait tomber, et aucune boucle de réentraînement n’a été prévue ni budgétée.
  • L’annotation est confiée à un prestataire qui ne sait pas reconnaître le défaut. Le désaccord entre annotateurs sur les cas limites finit plus grand que l’écart de performance qu’on cherche à mesurer : les chiffres ne veulent plus rien dire.
  • Le critère de succès est écrit en taux de bonnes réponses sur un jeu rééquilibré artificiellement. En production, au taux de défaut réel, le même modèle produit un flot de fausses alarmes que la ligne cesse de regarder en deux semaines.
  • La production et la qualité ne sont pas d’accord sur ce qui constitue un défaut acceptable. Le modèle hérite du désaccord et le rend visible. C’est un arbitrage à obtenir avant de démarrer, pas un problème d’algorithme.
  • L’informatique industrielle et l’informatique de gestion ne se parlent pas. Le réseau d’atelier est cloisonné pour de bonnes raisons, et la question de sa traversée est ouverte trois semaines avant la mise en service.
Cycle fermé du MLOps : entraîner, déployer, superviser, détecter la dérive, réentraîner.EntraînerDéployerSuperviserDétecter la dériveRéentraîner

Ce que nous faisons, et ce que nous ne faisons pas

Ce que nous faisons

  • Le cadrage se fait en atelier, avec les opérateurs, la qualité et la maintenance, pas en salle de réunion.
  • Nous écrivons le protocole d’annotation, nous constituons un jeu de qualification indépendant et nous relevons la mesure de référence avant la première ligne de code.
  • Nous entraînons des modèles de vision et de séries temporelles sur vos données, et nous les déployons en périphérie ou sur votre infrastructure.
  • Nous intégrons à l’existant : automate, MES, historien, supervision, remontée des verdicts et des journaux dans vos outils.
  • Nous produisons la documentation qui alimente le dossier technique et le dossier AI Act : origine des données, versions de modèle, limites d’usage, modalités de contrôle humain.
  • Nous formons vos équipes méthodes et maintenance à l’exploitation, au suivi de dérive et au réentraînement.

Ce que nous ne faisons pas

  • Nous ne sommes pas intégrateurs : nous ne posons pas de robot, nous ne modifions pas votre programme automate. Nous travaillons avec votre intégrateur, pas à sa place.
  • Nous ne sommes pas organisme notifié. Nous produisons la documentation technique, nous ne certifions pas et nous ne signons pas votre conformité.
  • Nous ne vendons pas de plateforme et nous ne facturons pas de licence. Le code et les modèles vous appartiennent.
  • Nous ne prenons pas de mission sans sponsor identifié ni mesure de référence accessible : nous serions incapables de prouver quoi que ce soit à la fin.
  • Nous sommes deux ingénieurs. Nous prenons un site à la fois. Un déploiement simultané sur quinze usines n’est pas un projet pour nous, et nous le disons avant la proposition, pas après.

Les autres secteurs

Questions fréquentes

  • Peut-on faire tourner l’inférence sans sortir de données de l’atelier ?

    Oui, et c’est souvent le bon choix. Un contrôle qualité en ligne rend son verdict dans le temps de cycle, sur du matériel logé dans une armoire, sans connexion sortante : l’inférence en périphérie, sur GPU embarqué ou caméra intelligente, répond à cette contrainte. Elle évite aussi la passerelle qui ferait sortir de la donnée d’atelier vers un service externe, laquelle doit de toute façon être justifiée et tracée au titre de NIS2. La question se tranche au cadrage, pas à la mise en production.

  • Notre fonction d’IA doit-elle entrer dans le marquage CE de la machine ?

    Cela dépend d’une question à trancher au cadrage : la fonction d’IA est-elle un composant de sécurité de la machine, ou un outil de pilotage à côté de la chaîne de sécurité ? La réponse détermine le niveau de preuve exigé et la nature de l’évaluation de conformité. Si la fonction participe à la sécurité, elle relève de l’analyse de risque et du dossier technique du produit, et une mise à jour de modèle après mise sur le marché n’est pas un acte anodin. Cet arbitrage se fait avec votre responsable sécurité machine, avant la première ligne de code.

  • Comment vous intégrez-vous à nos automates et à notre supervision ?

    Le pilote posé à côté de la ligne, sans lien avec l’automate, ne sert à rien : personne ne sait quoi faire du verdict quand l’ingénieur n’est pas là. Nous intégrons à l’existant, automate, MES, historien, supervision, avec remontée des verdicts et des journaux dans vos outils. Nous ne sommes pas intégrateurs et nous ne modifions pas votre programme automate : nous travaillons avec votre intégrateur, pas à sa place.

  • Le modèle va-t-il tenir quand la production change ?

    Pas tout seul, et c’est un point que nous traitons au cadrage. Changement de série, de fournisseur de matière, position de caméra déplacée, éclairage de saison : la distribution bouge, et un modèle de vision entraîné au printemps ne tient pas à l’automne si personne n’a prévu le réentraînement. Nous livrons la procédure de réentraînement, le jeu de qualification et la désignation de qui la déclenche. Sans cette boucle, un projet de vision se dégrade en silence.

Parlons de votre cas d’usage.

Une heure suffit pour savoir si votre sujet tient debout. Si ce n’est pas le cas, nous vous le dirons à ce moment-là, pas après trois mois de projet.

Nous contacterRéserver un Workshop Quick Wins IA