Le cas d’usage Air liquide – Cylinder counting
Un cas d’usage pour le comptage automatique d’objets dans des conditions météorologiques défavorables
Functional sets /
Problématiques abordées :
Contexte
Pour apprendre, les modèles de machine learning ont besoin de s’entrainer sur la base d’une immense quantité de données. Idéalement, leur apprentissage doit porter sur tous les scénarios possibles. Mais des scénarios imprévisibles apparaissent inexorablement dans un contexte industriel où interviennent des facteurs humains et environnementaux. De plus, certaines données sont difficiles à obtenir et à exploiter. Le défi réside donc dans la capacité à proposer des modèles de machine learning qui maintiennent leur fonctionnement sur des scénarios pour lesquels aucune ou peu de données réelles ne sont disponibles. Les données synthétiques, produites artificiellement par des approches d’IA générative, représentent ainsi une réponse efficace à cette problématique et un moyen, pour les acteurs industriels, de créer des modèles d’IA plus performants et plus robustes.
Description détaillée du cas d’usage et du verrou à résoudre
Air Liquide utilise des caméras dotées d’un système à base d’IA pour le comptage automatique d’inventaire en plein air. Entrainé de jour et par temps ensoleillé, cet outil de comptage s’avère sensiblement moins performant la nuit ou en cas d’intempérie (ex : pluie, neige). Le défi à relever est donc multiple : comment détecter en temps réel ces nouveaux scénarios, dresser une analyse de sensibilité du système face à ces perturbations, proposer un outil garantissant le bon fonctionnement du système dans ce contexte, et recueillir, annoter et augmenter la quantité de ces nouvelles données pour des entrainements ultérieurs ?
Preuve de l’impact
Mesure de l’impact grâce à des données chiffrées
> 98 % performance
– 50 % réduction des erreurs de comptage
Présentation de l’impact industriel
La Data Platform, développée dans le cadre du programme Confiance.ai, a contribué à améliorer la robustesse et la fiabilité de fonctionnement des modèles d’Air Liquide pour la prévision de la demande sur un mois et de comptage automatique d’objets dans des conditions météorologiques adverses. Elle a notamment permis de réduire de moitié l’erreur de comptage de nuit, pour arriver à des performances de précision au-dessus de 98% :
- Grâce à un prétraitement des données consistant à éliminer les flocons de neige/transformer des images de nuit en jour qui a permis au système de traiter, sans entrainement supplémentaire, ces données comme en conditions normales d’apprentissage.
- Grâce à une meilleure maîtrise de ces nouvelles données (étude, visualisation, caractérisation) et à la complétion de la base de scénarios d’entrainement. Des méthodes synthétiques peuvent permettre d’annoter automatiquement ces données, voire de générer d’avantage d’images de nuit/neige susceptibles d’être exploitées par Air Liquide.
Citation représentant CODIR
« La gestion des bouteilles est bien entendu au cœur de l’excellence opérationnelle d’Air Liquide pour les activités de gaz conditionnés. Être capable de compter correctement les bouteilles qui entrent et sortent de nos centres de remplissage est essentiel pour bien gérer les stocks et planifier correctement les opérations quotidiennes ou hebdomadaires. Les développements réalisés lors de confiance.ai sur les intervalles de confiance nous ont permis d’atteindre un niveau de confiance et de qualité suffisant pour proposer une solution à nos opérations. Celle-ci est désormais testée dans différentes parties du monde avant un déploiement complet. »
Fabien MANGEANT,
Scientific Director Computing & Data Sciences, Air Liquide
