"Concentrez-vous sur les applications d'apprentissage automatique matures avec une valeur d'investissement"

Depuis plus d'une décennie, l'Internet des objets (IoT) connaît une croissance constante, portée par la prolifération des appareils connectés. Les milliards d’appareils connectés d’aujourd’hui offrent aux entreprises des opportunités sans précédent de collecter et d’analyser des données du monde physique afin d’améliorer leurs processus métier. Dans certains cas, ils sont également à l’origine de modèles commerciaux nouveaux et performants, incitant les entreprises à surfer sur la vague de l’adoption de l’IoT.

Dans la plupart des cas, les entreprises traitent les données IoT dans des clusters ou des cloud de périphérie, et non dans des appareils de périphérie ou des microcontrôleurs. L’émergence du machine learning intégré et de TinyML bouleverse ce paradigme, poussant l’intelligence applicative à la périphérie du réseau IoT. Comme mentionné dans le premier article de cette série, cela offre des avantages significatifs, notamment :

• Économies significatives en matière de bande passante, d'énergie et de ressources de stockage
• Possibilité d'un traitement des données plus rapide et à faible latence
• Facilitation des applications de contrôle en temps réel Et prendre des décisions rapides
• Exploiter de grandes quantités de données

Les avantages sont tangibles et ont une pertinence commerciale évidente. La possibilité pour les entreprises d'utiliser davantage de données et de processus à la périphérie du réseau peut accroître leur efficacité commerciale, ce qui se traduit directement par des gains monétaires et une amélioration des bénéfices de l'entreprise. L’apprentissage automatique embarqué change la donne en matière d’intelligence artificielle et d’informatique IoT, et peut accroître la productivité des entreprises. Voici 5 cas d’utilisation pour les entreprises industrielles déployant du machine learning intégré.

Gestion intelligente des actifs et maintenance industrielle

La plupart des entreprises industrielles entretiennent leurs actifs selon une approche de maintenance préventive, qui dépend d'un entretien régulier ou du remplacement des machines et des outils, etc. Ces intervalles sont déterminés par la politique de maintenance fournie par le fabricant de l'équipement. Cette approche permet d'éviter les arrêts de production catastrophiques, car les actifs sont souvent entretenus avant qu'une panne ne se produise. Cependant, la maintenance préventive entraîne une utilisation moins qu’optimale des actifs, car ceux-ci sont toujours remplacés prématurément.

L'émergence de l'Industrie 4.0 et de l'Internet industriel des objets permet aux entreprises industrielles de mettre en œuvre une surveillance conditionnelle de leurs actifs. En tirant parti des données numériques provenant de capteurs (par exemple, capteurs de vibrations, capteurs de température, images thermiques) et de systèmes de gestion des actifs, les entreprises peuvent désormais bénéficier d'une visibilité en temps réel sur l'état des actifs industriels tels que les outils et les machines. De plus, grâce à des algorithmes d’apprentissage automatique, ils peuvent obtenir des informations prédictives sur la durée de vie utile restante (RUL) de leurs actifs. Dans certains cas, des estimations RUL fiables permettent aux industriels de transformer la maintenance préventive en maintenance prédictive. La maintenance prédictive est la vision ultime des opérations de maintenance et de réparation afin d’obtenir une efficacité globale de l’équipement (OEE) optimale. La surveillance conditionnelle et la maintenance prédictive peuvent aider les entreprises à améliorer l'utilisation des actifs, à réduire les temps d'arrêt de production, à éliminer les gaspillages causés par les pannes d'équipement et à planifier les tâches de maintenance au moment optimal. La maintenance prédictive est considérée comme l'une des applications phares de la quatrième révolution industrielle (Industrie 4.0) : elle offre un retour sur investissement tangible et est applicable à presque tous les secteurs industriels, notamment la fabrication, l'énergie, la construction, les bâtiments intelligents, le pétrole et le gaz, et exploitation minière, etc.

La plupart des déploiements de maintenance prédictive transmettent et analysent les données dans le cloud. Cette approche présente des limites opérationnelles : par exemple, les prédictions de pannes issues des analyses d'apprentissage automatique basées sur le cloud ne sont pas toujours assez rapides pour permettre de prendre des mesures correctives ou préventives appropriées. L'apprentissage automatique intégré ajoute une valeur significative à la maintenance prédictive et à la surveillance des conditions : il génère des informations en temps réel et permet une prise de décision en temps réel. L'apprentissage automatique est effectué directement sur un dispositif d'acquisition de données ou un microcontrôleur à l'intérieur de la machine, permettant aux entreprises industrielles de comprendre l'état de divers actifs de manière rapide et précise. Cela libère le potentiel de prise de décision en temps réel basée sur les conditions réelles de l’équipement. Dans l’ensemble, l’apprentissage automatique intégré améliore l’efficacité des applications de maintenance prédictive, augmente l’utilisation des actifs et optimise la qualité de leurs services.

Gestion de la qualité et fabrication zéro défaut

L'apprentissage automatique a récemment ouvert de nouveaux horizons pour la gestion de la qualité dans les opérations de fabrication et de production. Plus précisément, cela donne le concept de qualité prédictive, c'est-à-dire la capacité de prédire les problèmes de qualité avant qu'ils ne surviennent. À cet égard, des techniques d’apprentissage automatique, dont le deep learning, sont appliquées à la chaîne de production. Le but de ses algorithmes est d’identifier de manière proactive les conditions ou les modèles qui conduisent à des défauts de produits. Sur cette base, le directeur de l'usine peut prendre des mesures correctives pour éviter l'apparition de défauts. De plus, les techniques d’apprentissage automatique peuvent être utilisées pour optimiser les modèles liés à d’autres paramètres tels que le coût et la performance environnementale.

L'apprentissage automatique intégré ajoute une valeur significative aux cas d'utilisation de la gestion de la qualité ci-dessus. Plus précisément, il fournit un moyen d’extraire des informations prédictives sur les défauts potentiels basées sur le traitement des données à l’intérieur d’un appareil. Ces informations peuvent être combinées avec les informations issues de l'analyse cloud pour identifier les paramètres de processus et de contrôle qui conduisent à des problèmes de qualité. De même, ils peuvent être utilisés pour optimiser plusieurs paramètres simultanément, permettant une fabrication zéro défaut. L'apprentissage automatique intégré fournit donc aux directeurs d'usine et aux ingénieurs qualité des informations en temps réel sur les défauts au niveau des actifs, qui complètent les connaissances existantes sur les problèmes de gestion de la qualité. Par conséquent, il permet aux entreprises d'exceller dans la mise en œuvre de stratégies de gestion de la qualité telles que la gestion de la qualité totale (TQM) et Six Sigma. Dans l’ensemble, les entreprises industrielles peuvent tirer parti de l’apprentissage automatique intégré pour compléter leurs connaissances existantes en matière de gestion de la qualité afin d’améliorer la qualité des produits tout en réduisant les délais et les coûts de production.

Surveillance d'occupation dans la gestion des installations

Ces dernières années, l'Internet des objets a eu un impact transformateur sur les applications de gestion des bâtiments et des installations intelligents. Le déploiement de capteurs dans les bâtiments et autres actifs immobiliers permet aux propriétaires d'accéder à des informations à jour en temps réel sur l'état de leurs propriétés. Sur la base de ces informations, ils peuvent optimiser le fonctionnement des systèmes CVC (chauffage, ventilation et climatisation) pour réduire les coûts et améliorer leurs indicateurs environnementaux. À cet égard, les applications de surveillance de l’occupation sont très importantes.

Compréhension précise de l'occupation des pièces et d'autres actifs physiques tels que les bureaux, les ordinateurs et les espaces de bureau, basée sur le traitement des données provenant de la température et d'autres capteurs. C’est la clé pour optimiser l’efficacité énergétique et maximiser le confort des locataires. De plus, il fournit aux gestionnaires d'installations des informations en temps réel sur l'utilisation des actifs, leur permettant de planifier leur utilisation et d'améliorer leur productivité globale. Au cours des derniers mois, la demande pour de telles applications de surveillance de l’occupation a augmenté en raison de l’épidémie de COVID-19. Cette dernière a conduit à la mise en œuvre de politiques de télétravail à grande échelle, ce qui a rendu plus difficile pour les gestionnaires d'installations de surveiller et de prévoir les modèles d'occupation des actifs. Les capteurs et les applications IoT peuvent les aider en fournissant des informations fiables et opportunes sur la présence physique des locataires dans divers espaces.

Dans les environnements de gestion d'installations, l'apprentissage automatique intégré améliore la durabilité et la précision des applications de gestion d'occupation. Plus précisément, il peut exécuter une analyse de données statistiques au sein des capteurs de surveillance d'occupation sans avoir à regrouper plusieurs valeurs de capteurs via une passerelle cloud. Cela améliore la précision et la rapidité de la surveillance tout en contribuant également à réduire les émissions de CO2. L'apprentissage automatique intégré est important à l'heure où les gestionnaires d'installations se tournent vers l'IoT pour réduire les émissions et atteindre des objectifs ambitieux en matière de développement durable. De cette manière, ils améliorent leur image de marque et augmentent le respect des réglementations en vigueur. Par exemple, la récente loi de New York sur la mobilisation climatique (CMA) exige que les bâtiments soient plus économes en énergie. Plus précisément, il exige que les bâtiments de plus de 25 000 pieds carrés réduisent les émissions de gaz à effet de serre de 40 % d'ici 2030 et de 80 % d'ici 2050, par rapport aux niveaux de 2005. Dans l’ensemble, l’apprentissage automatique intégré constitue un outil puissant pour les applications de gestion d’installations économes en énergie de nouvelle génération.

Surveillance des vaches

Au cours des dernières années, les systèmes IoT et les appareils embarqués ont pénétré le domaine agricole et permis une agriculture de précision. Un exemple frappant est que des capteurs et des appareils connectés omniprésents tels que des balises, des étiquettes RFID et des capteurs intégrés spécialisés (tels que des capteurs gastriques) sont de plus en plus implantés dans le bétail pour permettre aux agriculteurs de les surveiller. À cette fin, les applications IoT pertinentes ont tendance à transmettre des données brutes sur l’état du bétail vers le cloud pour une analyse appropriée. Cependant, dans certains cas, cette approche peut s’avérer inefficace, voire irréalisable, dans la mesure où la plupart des troupeaux de bovins vivent dans des environnements extérieurs s’étendant sur des milliers d’hectares. Dans ce contexte, la connectivité réseau (par exemple, les réseaux IoT à courte portée) peut ne pas être suffisante pour prendre en charge la qualité de service requise pendant le processus d'agrégation des données. De plus, ces appareils nécessitent souvent une alimentation par batterie, ce qui crée des problèmes d’autonomie énergétique.

L'apprentissage automatique intégré et TinyML fournissent une aide substantielle pour atténuer ces limitations. L'analyse des données s'effectue sur le bétail, ce qui réduit considérablement la quantité de données à transférer vers le backend de l'application. Au lieu de collecter un flux continu de données, le déploiement du machine learning sur des appareils embarqués permet de diffuser des données sur une base régulière (par exemple toutes les heures). Cela peut fournir aux agriculteurs un aperçu de l’état de leurs animaux et de leurs activités (par exemple, se reposer, souffrir ou rugir). Ces informations permettent aux agriculteurs de prendre des décisions éclairées sur les processus de production tels que la traite et l'abattage. Dans l’ensemble, l’apprentissage automatique intégré aide les agriculteurs à tirer parti des systèmes de surveillance précis du bétail dans des situations où le traitement cloud traditionnel est impossible ou inefficace.

Gestion de crise

Les techniques d'apprentissage automatique et d'intelligence informatique sont également utilisées dans les applications de gestion de crise et de protection civile, notamment dans les prévisions de tremblements de terre et d'incendies de forêt. À cet égard, les données de divers capteurs sont souvent regroupées et traitées dans le cloud. Cependant, dans la gestion de crise, le temps presse : le succès des actions de gestion de crise dépend en grande partie de l’actualité des prévisions des indicateurs de gestion de crise. Par exemple, identifier plus tôt les signes avant-coureurs de tremblements de terre pourrait conduire à une action plus rapide et plus efficace. Il s’agit d’un domaine dans lequel l’apprentissage automatique intégré est d’une grande valeur.

En matière de gestion des incendies de forêt, l'apprentissage automatique intégré peut offrir des avantages en matière de fiabilité et de déploiement, similaires aux situations de surveillance du bétail. En particulier, l’exécution de modèles statistiques au sein de capteurs intégrés pourrait faciliter la prévision rapide des incendies de forêt sans avoir besoin de connexions réseau solides et d’appareils alimentés par batterie.

Résumé

L'apprentissage automatique intégré a un large éventail d'applications, et son champ d'application ne se limite pas aux cinq ci-dessus. Par exemple, dans l'agriculture de précision, il peut détecter les maladies des cultures directement sur les cultures sans avoir besoin de regrouper divers flux de données. dans le cloud et l'analyse. Un autre exemple est qu'il permet des applications précises d'intelligence en réfrigération qui analysent directement la température de produits sensibles tels que les aliments, les boissons et les produits pharmaceutiques sans avoir à utiliser la température ambiante pour estimer les anomalies de température. Dans l’ensemble, l’apprentissage automatique intégré ouvre des opportunités d’innovation presque illimitées dans de nombreux domaines différents.

Cependant, développer et déployer des applications de machine learning embarquées dans des environnements industriels n’est pas chose facile. Chaque étape de mise en œuvre doit être soigneusement planifiée pour répondre à des exigences industrielles strictes. Du choix du bon appareil embarqué à l'obtention de suffisamment de données de formation et à la mise en œuvre du bon modèle d'apprentissage automatique, les développeurs et les déployeurs doivent faire des choix prudents.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!