Pourquoi déployer des solutions IA à Edge dans l’industrie manufacturière
Selon Matthias Huber, Sr. Director, Solutions Manager chez Supermicro, l'IA associée à l’Edge Computing est aujourd'hui un impératif pour l’industrie manufacturière.
www.supermicro.com
À mesure que les entreprises passent de projets pilotes à une mise en œuvre à grande échelle, l'accent n'est plus mis sur « Pourquoi l'IA ?», mais plutôt sur « Comment la mettre en œuvre de manière efficace et fiable dans les usines ?». Pour beaucoup, la solution réside dans l'IA à l’Edge : le déploiement de systèmes intelligents directement au point où les données sont générées.
Contrairement à l'IA déployée dans le cloud, l'IA à l’Edge traite les informations localement. Ce qui offre des avantages évidents. L'IA à l’Edge élimine la latence du réseau, permettant ainsi une prise de décision en temps réel dans des domaines tels que le contrôle qualité, la maintenance prédictive, l'automatisation des processus et le contrôle de la sécurité. L'IA à l’Edge réduit également la consommation de bande passante en transmettant uniquement les informations utiles plutôt que les données brutes. Plus important encore pour les fabricants, les données de production sensibles sont conservés sur site.
L'IA à l’Edge utilise deux types de technologies : l'IA prédictive et l'IA générative. L'IA prédictive analyse les données historiques pour anticiper les événements futurs. Par exemple, l'IA peut contribuer à créer des environnements de travail plus sûrs dans le secteur manufacturier en prédisant les dangers potentiels ou en garantissant la conformité. Dans le cadre du contrôle qualité automatisé, les lignes de production peuvent être surveillées en continu à l'aide de l'IA à l’Edge, afin d'obtenir des informations en temps réel pour le contrôle qualité et de réduire considérablement les risques de défauts.
L'IA générative capture les schémas et les tendances dans les données historiques et crée de nouvelles données et du nouveau contenu à partir de cette compréhension. L'IA générative, ou GenAI, peut être utilisée dans les environnements industriels pour faciliter le développement de nouveaux produits, améliorer les simulations numériques et permettre aux utilisateurs d'analyser des données complexes de manière innovante.
La principale caractéristique technique qui rend possible l'IA à l’Edge est la séparation de l'apprentissage et de l'inférence. Bien que l'entraînement de grands modèles d'IA nécessite toujours des ressources importantes au niveau des data centers, la phase d'inférence, au cours de laquelle l’IA applique ce qu’elle a appris à de nouvelles données, est beaucoup moins exigeante. Grâce aux progrès réalisés en matière de conception de processeurs et d'accélérateurs d'IA, les charges de travail d'inférence complexes peuvent désormais être exécutées sur des serveurs, compacts et économes en énergie, en périphérie. Cela rend l'intelligence fine accessible dans les ateliers de production.
L’IA à l’Edge en action dans les usines
Les fabricants reconnaissent la valeur de l’IA à l’Edge dans sa capacité à analyser les données en temps réel et à déclencher des réactions automatisées et immédiates. La reconnaissance d’image, par exemple, fait désormais partie intégrante de l’assurance qualité moderne. Alors que les systèmes d'inspection traditionnels prélèvent un échantillon parmi vingt pièces pour détecter les défauts, les systèmes de vision utilisant l'IA à l’Edge peuvent inspecter chaque pièce dès qu'elle sort de la chaîne de production. Ces systèmes détectent instantanément les défauts et identifient également les variations subtiles de qualité susceptibles de signaler des problèmes de processus émergents. Cela permet d’agir automatiquement avant l’apparition de défauts, réduisant ainsi les arrêts coûteux.
Les résultats sont tangibles. Selon McKinsey, l'adoption des technologies de l'Industrie 4.0, notamment l'IA, l'analytique avancée et l'Internet des Objets (IoT), peut réduire les temps d’indisponibilité des machines de 30 à 50 % et diminuer les coûts liés à la qualité de 10 à 20 % (1). Ces améliorations ne se limitent pas au contrôle qualité. La maintenance prédictive, optimisée par l'IA à l’Edge, permet aux fabricants de s'affranchir des calendriers de maintenance rigides. Au lieu de cela, l'IA surveille en permanence les équipements, apprenant à reconnaître les premiers signes d'usure ou de défaillance. Dans le domaine de l'automatisation des processus, elle facilite la prise de décision rapide, améliore l'agilité opérationnelle et rationalise les flux de travail.
La sécurité au travail est également un domaine où l'IA à l’Edge fait la différence. En analysant les données provenant de caméras de sécurité, des machines et des logiciels opérationnels, les systèmes d'IA peuvent identifier en temps réel les situations dangereuses, comme des travailleurs s'approchant trop près d'équipements en mouvement, et recommander, voire initier, des mesures correctives. L'IA à l’Edge est la seule technologie capable de traiter instantanément et d'exploiter de grands volumes de données vidéo et de capteurs.
Le choix de l’infrastructure compte
Alors que les fabricants passent de projets pilotes à l'IA à l’Edge en production, le choix de l'infrastructure devient crucial. Contrairement aux systèmes informatiques d’entreprises, les environnements industriels nécessitent des systèmes capables de fonctionner de manière fiable pendant des années, souvent dans des conditions difficiles. Si des serveurs standards peuvent suffire dans certains contextes, de nombreuses applications nécessitent un matériel robuste capable de résister à des températures extrêmes, à la poussière, aux vibrations et aux chocs. Les architectures sans ventilateur sont souvent privilégiées dans les environnements poussiéreux, car elles réduisent les besoins de maintenance et les risques de panne.
La fiabilité est primordiale. Des indicateurs tels que le temps moyen entre les pannes (mean time between failures, MTBF) et la possibilité de mettre à niveau ou de reconfigurer les systèmes au fil du temps doivent être soigneusement pris en compte. Les architectures de serveurs modulaires, comme celles proposées par Supermicro, permettent aux fabricants de personnaliser leurs systèmes en fonction de leurs charges de travail spécifiques et de leurs besoins environnementaux. Cette modularité facilite grandement les futures mises à niveau, garantissant la viabilité des investissements infrastructurels à mesure que les charges de travail - liées à l'IA - évoluent.
Choisir les bons accélérateurs pour l'IA est une décision clé. Les processeurs graphiques (GPU) constituent le type d'accélérateur IA le plus courant, et divers GPU spécialisés sont disponibles pour répondre aux besoins variés des charges de travail de l'IA à l’Edge dans le secteur manufacturier. Afin de garantir des performances et une prise en charge optimales des applications prévues, la compatibilité entre les plateformes serveur et les accélérateurs IA doit être vérifiée.
Surmonter les défis de mise en œuvre
Malgré ses avantages évidents, la mise en œuvre de l'IA à l’Edge n'est pas sans difficultés. Les environnements de production sont souvent confrontés à des contraintes d'espace, d'alimentation et de refroidissement. Les serveurs Edge doivent être compacts, économes en énergie et capables de fonctionner dans des conditions parfois extrêmes ou peu propices. La gestion des données constitue un autre obstacle : le volume et la diversité des données générées en usine peuvent saturer les capacités des systèmes informatiques classiques. Un traitement local efficace, un stockage performant et des garanties de sécurité sont essentiels.
En matière de gestion, il est important de noter que les déploiements de l'IA à l’Edge sont généralement répartis sur plusieurs sites et manquent souvent d'un support informatique local adéquat. L'infrastructure doit donc prendre en charge la surveillance, les mises à jour et le contrôle à distance afin de minimiser les temps d'arrêt et les perturbations opérationnelles.
L'intégration aux systèmes existants constitue également souvent un obstacle. Les solutions d'IA doivent s'interfacer avec les machines existantes, les systèmes de gestion de la production (manufacturing execution systems, MES) et les protocoles de sécurité. Une planification rigoureuse est nécessaire, ainsi que l'utilisation de kits de développement logiciel (software development kits, SDK) et de modules pré-intégrés qui simplifient l'intégration et accélèrent le retour sur investissement.
Des solutions éprouvées pour l'industrie manufacturière
En étroite collaboration avec Nvidia, Supermicro a développé une gamme de solutions d'IA à l’Edge conçues pour répondre aux exigences des environnements industriels. Cette approche complète full-stack combine un matériel serveur modulaire et robuste à la prise en charge des derniers accélérateurs d'IA Nvidia.
Les systèmes Supermicro couvrent une gamme de formats et de niveaux de performance. Ils vont des serveurs edge compacts et sans ventilateur pour les environnements à espace restreint aux systèmes multi-GPU capables de gérer les charges de travail d'IA les plus exigeantes en usine. Ces systèmes sont conçus pour fonctionner de manière transparente avec les accélérateur Nvidia. Chaque système est optimisé pour des tâches d'inférence et de génération par IA spécifiques.
Le Supermicro ARS-E103-JONX, équipé de la technologie Nvidia Jetson Orin™ NX, est adapté aux applications d'IA à l’Edge économes en énergie et exigeantes dans les secteurs de la fabrication, de la logistique et autres.
Par exemple, le système ARS-E103-JONX de Supermicro est adapté aux applications dans les secteurs de la fabrication, de la logistique et dans d'autres secteurs industriels. Il intègre le Nvidia Jetson Orin™ NX, l'ordinateur d'IA destiné aux applications et aux processus nécessitant des inférences à basse consommation et de hautes performances. Livré dans un format compact et sans ventilateur, ce système permet 157 TOPS pour plusieurs pipelines d'IA simultanés, avec un ensemble d'options d'interfaces d'E/S haut débit, dont la 5G et le Wi-Fi.
Les autres systèmes vont des modèles compacts sans ventilateur aux PC, en passant par les systèmes d'edge montés en rack, capables de déployer plusieurs accélérateurs GPU tels que la Nvidia RTX PRO™ 6000 Blackwell Server Edition ou la Nvidia H200 NVL. Chaque modèle se destine à des utilisations spécifiques, en fonction du type et du volume de données traitées, ainsi que de facteurs de déploiement tels que la taille et la consommation électrique. Choisir le bon matériel implique donc d'identifier l'accélérateur d'IA requis et de s'assurer de la compatibilité de la plateforme serveur.
La pile logicielle est tout aussi importante. Nvidia AI Enterprise fournit aux fabricants des frameworks, des bibliothèques et des outils optimisés qui garantissent une inférence IA efficace et une intégration transparente dans les flux de travail existants. Les développeurs d'applications constateront que la disponibilité de kits de développement (SDK) et de modules pré-intégrés permet d’accélèrer le développement et de réduire la complexité, permettant ainsi une rentabilisation plus rapide des solutions de fabrication pilotées par l'IA.
Bonnes pratiques pour une transition vers l'IA à l’Edge
Lors de la mise en œuvre de l'IA à l’Edge, les fabricants doivent commencer par définir clairement les cas d'utilisation et les objectifs mesurables. Ils doivent choisir une infrastructure fiable, modulaire et compatible avec les accélérateurs d'IA nécessaires. Les fabricants doivent également tenir compte des facteurs environnementaux, tels que la température, la poussière et les vibrations, et concevoir des systèmes permettant un accès à distance et une intégration aisée aux processus existants.
Plus important encore, les fabricants doivent considérer l’implémentation de l'IA à l’Edge comme un parcours, et non comme une finalité. La capacité à mettre à niveau et à adapter l'infrastructure au fil du temps est essentielle compte tenu de l'évolution constante des technologies d'IA et des besoins de fabrication.
(1) "Preparing for the next normal via digital manufacturing’s scaling potential. McKinsey & Company, 2020.
www.supermicro.com
