Une carte électronique bloquée dans un four de refusion coûte cher. Plusieurs centaines d’euros, parfois plusieurs milliers. Composants grillés, PCB détruit, plusieurs semaines de retard pour recommander des pièces parfois rares.
Chez IACA Électronique, bureau d’études spécialisé dans les systèmes électroniques embarqués, ce problème revenait trop souvent sur les prototypes aux formats non standards. « Le problème est assez simple, raconte Julien, ingénieur en développement embarqué chez IACA Électronique. Chez IACA, nous faisons beaucoup de prototypes, dont les tailles ne sont parfois pas standard. Résultat : dans le four de refusion, ces cartes viennent se bloquer, surchauffer et se détruire. On perd alors les composants et le PCB. »
La solution retenue : une IA embarquée capable de détecter, en temps réel, qu’une carte reste coincée dans le four. Julien est venu détailler ce projet lors d’un LinkedIn Live animé par Eudes San Esteban, de Wireless Logic France (disponible ci-dessus). Voici ce qu’il faut retenir : le dataset, l’entraînement, l’intégration logicielle, et un paramètre trop souvent traité en dernier, la connectivité.
Le four de refusion, une étape critique et fragile
Pour fabriquer une carte électronique, il faut souder les composants sur le PCB. On utilise pour cela une pâte à braser, une sorte de colle sur laquelle les composants sont posés. Cette pâte doit ensuite se transformer en étain sous l’effet de la chaleur, à plusieurs centaines de degrés. C’est le rôle du four de refusion : il chauffe les cartes et transforme la pâte à braser en étain.
Le coût d’un blocage dépasse la simple perte de matière. « On perd alors plusieurs centaines, voire plusieurs milliers d’euros, puisque les prototypes peuvent atteindre ce niveau de prix, détaille Julien. Cela provoque aussi des délais, car il faut recommander les PCB et les composants, ce qui peut ajouter plusieurs semaines selon la rareté des composants. Et au final, cela entache notre image. »
Pourquoi une caméra plutôt que des capteurs classiques
Des capteurs industriels plus classiques auraient pu détecter le blocage. IACA Électronique les a écartés pour une raison simple. « On aurait effectivement pu utiliser des capteurs plus standards et plus faciles à mettre en œuvre, reconnaît Julien. Le problème, c’est qu’ils nécessitent une installation, donc une modification de la machine, ce qui est très intrusif. Une caméra, à l’inverse, se place simplement : ce n’est pas intrusif, on ne fait aucune modification irréversible sur la machine, et c’est bien plus simple à mettre en place. »
Le rôle de ces caméras, placées en entrée et en sortie de four, reste précis. Elles détectent la présence d’une carte électronique et relèvent ses coordonnées. Le suivi et le comptage des cartes, eux, sont assurés par la couche logicielle construite autour du modèle.
Pourquoi l’IA plutôt qu’un algorithme de vision classique
Un algorithme de vision par ordinateur plus traditionnel aurait pu suffire. IACA Électronique a préféré l’IA. « On a préféré l’IA pour deux raisons principales, explique Julien. D’abord, c’est beaucoup plus adaptable : cela fonctionne bien mieux dans des environnements non contrôlés, ce qui représente la majorité des cas réels. Ensuite, cela nous permet de développer des briques logicielles réutilisables, et comme nous sommes un bureau d’études, nous pouvons les proposer à nos clients. »
Cette réutilisabilité ne reste pas théorique. « Nous avons dû développer un moteur de suivi qui enrichit les données produites par le modèle, en ajoutant une direction et une vitesse de déplacement, ce qui est très utile pour compter les cartes, précise-t-il. Cette brique-là, on pourra la réutiliser pour n’importe quel autre projet, pour suivre autre chose que des cartes. »
La connectivité, un choix à faire dès le premier jour
A quel moment penser à la connectivité dans ce type de projet ? La réponse de Julien ne laisse pas de place au doute. « Dès le tout début, car c’est elle qui va définir l’architecture du projet. »
Y penser trop tard fait courir un risque précis. « On pourrait se retrouver avec un résultat inutilisable, prévient-il. Imaginons qu’on décide de tout basculer dans le cloud parce qu’on a déjà une infrastructure qui tourne. Pendant les phases de test, la connexion paraît stable, on ne détecte rien. Mais en phase d’exploitation, on s’aperçoit que certains jours la connexion baisse et que le système ne fonctionne plus. On a alors une perte de fiabilité, et dans l’industrie, une perte de fiabilité est fatale. »
L’IA ne supprime d’ailleurs pas ce besoin. « Non, l’IA ne supprime pas ce besoin, confirme Julien en réponse à une question de l’audience. On en aura toujours besoin, car il faut remonter les données vers un serveur central. Tout ce qu’on fait, c’est déplacer la charge de calcul. »
Les trois étapes d’un projet d’IA embarquée
Un projet d’IA embarquée industrielle se déroule en trois grandes phases : le dataset, l’entraînement, l’intégration.
Le dataset, la brique la plus sous-estimée
Un dataset, dans le milieu de l’intelligence artificielle, c’est un ensemble de données labellisées. « Dans notre cas concret, il est composé d’images associées à des fichiers contenant les coordonnées des cartes présentes sur ces images », précise Julien.
Pourquoi cette étape compte autant ? « Le dataset définit le type et même la nature des prédictions faites par le modèle. C’est donc essentiel, puisque toute la sortie du modèle dépend de ce qu’on a mis dedans. »
Les images du dataset associent un fond, une ou plusieurs cartes électroniques, et des éléments que Julien appelle des « distractions », ajoutés volontairement pour éviter les biais d’apprentissage. Chaque image reste associée à ses coordonnées labellisées.
L’entraînement, entre récompense et erreurs de biais
« On part d’un modèle vierge, on lui injecte les données du dataset, et on observe les prédictions qu’il fait, résume Julien. À chaque bonne prédiction, on récompense le système. Cela lui permet de se calibrer et d’améliorer ses prédictions, jusqu’à atteindre des taux de plus de 90 %, voire 95 %. »
Cette phase demande une puissance de calcul importante. « Les modèles ont plusieurs millions de paramètres, et les datasets plusieurs milliers, voire millions de données, précise-t-il. Pour ça, on fait souvent de la location de serveurs très puissants, à la minute, uniquement pendant la durée de l’entraînement. »
Un exemple concret illustre les limites du sous-entraînement. Testé sur un bureau, le modèle suivait parfaitement les cartes. Placé en conditions réelles, face au tapis du four, la détection sautait d’une ligne à l’autre. « C’est dû à un biais induit par un sous-entraînement, un manque de données, explique Julien. Le modèle croit que les lignes du tapis sont des bordures de cartes, et saute donc de ligne en ligne. Pour résoudre ce problème, il a fallu réinjecter dans le dataset des centaines de nouvelles images utilisant comme fond celui de notre four. »
L’intégration, un projet logiciel classique
Le modèle entraîné, le travail est loin d’être terminé. « J’aurais beaucoup aimé, mais non, sourit Julien. Il reste tout le développement logiciel autour, car l’IA ne fait que nous fournir des coordonnées. » Suivi des cartes, pilotage de l’alarme, remontée des données : cette étape ne demande pas de compétences en IA. « Sur cette partie, il n’y a pas forcément besoin de compétences en IA », confirme-t-il. C’est pourtant elle qui transforme un modèle en système utilisable, et donc en valeur réelle pour l’entreprise.
Pourquoi choisir l’embarqué plutôt que le cloud
IACA Électronique a opté pour l’edge AI, un traitement local, réalisé directement sur le hardware, plutôt que pour l’IA dans le cloud. « Ce choix a été motivé par des contraintes réseau, explique Julien. Nous avons un réseau assez instable, qui ne permet pas de faire remonter des flux vidéo vers un serveur distant. Nous avons donc préféré l’embarqué pour garantir une haute réactivité. »
La souveraineté des données pèse aussi dans la balance. « Certains clients ne souhaitent pas que l’image de leurs cartes et de leurs PCB soit mise à disposition sur des serveurs distants, précise-t-il. On n’envoie sur les serveurs distants que des données qui ne permettent pas d’identifier les entreprises ou les personnes. »
Ce que l’équipe a appris
Le coût réel de l’IA arrive en tête des enseignements. « Vue de l’extérieur, l’IA paraît simple, mais quand on commence à intégrer l’IA dans des projets, on se rend compte que ce n’est vraiment pas gratuit, confie Julien. C’est beaucoup de travail. Ce n’est pas la licence ChatGPT Pro à 22 € qui suffira. C’est un gouffre de temps important. »
Le dataset reste, pour lui, l’étape la plus sous-estimée. « Sa conception est un projet à part entière, un projet dans le projet. C’est l’étape la plus coûteuse et la plus longue, mais aussi la plus importante. » Sa recommandation tient en une phrase : « Éviter de sous-estimer le dataset, et surtout éviter de faire de l’IA pour de l’IA. »
Questions fréquentes
À quoi ressemble une équipe type pour un projet d’edge AI industriel ?
« On a plusieurs pôles de compétences, répond Julien. D’abord un data scientist, pour constituer le dataset : c’est l’une des premières étapes. Ensuite un spécialiste IA, pour gérer la partie entraînement. Et derrière, une équipe de développeurs pour toutes les briques logicielles qu’on a évoquées. »
Un modèle d’IA embarquée continue-t-il d’apprendre une fois déployé ?
« Cela dépend du type de modèle, précise Julien. En embarqué, c’est en général assez compliqué d’avoir des modèles qui apprennent. Ça existe, mais c’est plus rare, notamment en IA de vision. Dans le cloud, en revanche, on dispose de bien plus de puissance de calcul, ce qui permet de poursuivre l’entraînement du modèle. »
À partir de quand un projet d’IA industrielle devient-il rentable ?
« C’est aussi compliqué à évaluer que pour un projet classique, ça ne change pas énormément d’un projet standard, répond Julien. Il faut simplement bien prendre en compte toutes les étapes qu’on a citées dans le calcul du ROI, pour éviter les mauvaises surprises. »
Est-ce vraiment de l’IA, ou du machine learning ?
« Le machine learning fait partie de l’IA, tranche Julien. Il faut voir l’IA comme une énorme famille. Ensuite, on distingue les types d’apprentissage, et le machine learning en est un. »
Quel est le critère principal pour choisir l’edge AI plutôt que le cloud ?
« Sur notre projet, c’était la connectivité, plus précisément la stabilité du réseau, répond Julien. Il peut aussi y avoir une notion de coût : si l’on dispose déjà d’une infrastructure IA qui tourne, le cloud peut être plus intéressant. Dans ce cas, le critère premier devient l’argent, ce qui revient souvent dans les projets. »
Que se passe-t-il si une carte reste bloquée dans le four malgré le système ?
« Une alarme se déclenche pour prévenir l’opérateur, qui se trouve dans la salle machine et n’a pas le temps de surveiller le four en continu, explique Julien. Il peut alors stopper le four et sortir la carte avant qu’elle ne soit détruite. »
Un projet IoT industriel en préparation ?
Ce retour d’expérience le montre : la réussite d’un projet d’IA embarquée industrielle ne tient pas qu’à l’algorithme. Elle dépend aussi d’un réseau fiable, capable de tenir face aux usines réelles, pas seulement pendant les phases de test.