L'apprentissage machine prend-il le contrôle dans l'industrie de transformation ?

L'expression "les données sont le nouveau pétrole" (The Economist, 2017) existe depuis quelques années maintenant, soulignant le changement auquel nous sommes confrontés dans toutes les industries : du commerce de détail aux médias et aux divertissements, des soins de santé et des assistants personnels aux transports et aux plateformes sociales, la réalité hyper interconnectée génère d'énormes quantités de données. En se nourrissant de ces données, l'analyse et les algorithmes d'apprentissage automatique (ML) recherchent des modèles et des informations pour alimenter des applications, des entreprises en plein essor et de nouveaux modèles commerciaux.

L'apprentissage automatique est-il applicable à tous les secteurs d'activité ? Quelle est la place de l'apprentissage automatique dans l'industrie de transformation ? Dans quelle mesure ces algorithmes sont-ils sûrs et fiables pour faire fonctionner les processus ?

Ces réponses sont à la confluence de la théorie des systèmes de contrôle, de l'apprentissage automatique et de l'ouverture de l'industrie aux nouvelles technologies.

La grande majorité des algorithmes utilisés sont des apprentissages supervisés : cela signifie que ces algorithmes ont besoin d'ensembles de données d'apprentissage qui sont similaires (ont la même distribution) aux données de test ou de fonctionnement normal. Une fois formé, le modèle d'apprentissage automatique est utilisé sur les nouvelles données afin de les évaluer.
Les entreprises qui ont développé leurs produits et services en intégrant l'utilisation de données à leur cœur et qui appliquent une collecte de données soutenue par la monétisation de ces données se débrouillent très bien en utilisant toute la palette d'algorithmes que l'apprentissage automatique a à offrir. L'exemple le plus clair de ce type d'entreprise est Facebook, qui génère des revenus presque exclusivement grâce à la publicité numérique. Un autre indice de l'importance d'intégrer les données au cœur de l'entreprise est le fait que toutes les données dont disposent ces entreprises ne peuvent être monétisées qu'à leur valeur maximale par la même entreprise ; sorties de leur plate-forme, supposons sur un (très grand) dispositif de stockage, les mêmes données ne génèrent pas la même valeur en soi ; la valeur vient lorsque les données sont utilisées dans le contexte de la plate-forme de l'entreprise : les produits, les services, les interfaces avec d'autres tiers sont ceux qui génèrent de la valeur à partir des données.

Pour les entreprises qui avaient une activité avant l'ère de l'apprentissage automatique, appliquer des algorithmes d'apprentissage automatique sur les données disponibles et modifier l'opération pour inclure les nouvelles technologies à leur plein potentiel est un défi - et c'est de cela qu'il s'agit dans la transformation numérique.

L'industrie de transformation, comme son nom l'indique, consiste à faire fonctionner divers processus afin de produire des biens, c'est une "industrie physique". Le résultat de l'opération est un produit final. Le temps fait partie d'une usine pharmaceutique, pétrochimique, énergétique ou de traitement des eaux, le processus doit fonctionner à des points de consigne contrôlés, être résistant aux perturbations et aux défaillances et avoir une stabilité garantie. Tout cela se fait en appliquant la théorie des systèmes de contrôle, une branche des mathématiques appliquées qui, au cours des deux derniers siècles, a rendu possible l'application de toutes les avancées technologiques. Qu'il s'agisse de maintenir une pression constante dans un réservoir ou une puissance constante d'une centrale énergétique ou un débit d'eau d'une station d'épuration, la théorie des systèmes de contrôle permet de concevoir les boucles de rétroaction qui maintiennent les processus opérationnels de manière optimale.

L'aspect le plus important lors de la conception du contrôle est d'assurer la stabilité d'un processus. Les défaillances résiduelles de stabilité sont présentes dans la culture populaire comme le souvenir de la catastrophe de la centrale de Tchernobyl. La première conférence du prix Bode de l'IEEE, "Respecter l'instable" (Stein, 2003), donne un aperçu approfondi de l'utilisation des outils des systèmes de contrôle pour évaluer la stabilité d'un processus.

Outre la stabilité, le contrôle du fonctionnement d'un processus implique la robustesse, c'est-à-dire la garantie que les actions de contrôle ne sont affectées que dans une faible mesure par des mesures bruyantes et des erreurs de conception, et que le processus fonctionne dans les limites de sa conception.

Un autre aspect est la nature déterministe du processus et du contrôle : même si les processus sont généralement non linéaires et que différents types d'algorithmes de systèmes de contrôle sont appliqués, on obtient et on utilise finalement un modèle mathématique ; ce modèle a une interprétation directe dans le monde physique et le système entier (processus + contrôle) peut être compris en détail. Cet aspect est très différent de l'utilisation d'un réseau de neurones d'apprentissage automatique où les différents coefficients des neurones sur toutes les différentes couches n'ont pas d'interprétation physique - cela représente un obstacle majeur à l'adoption de l'apprentissage automatique dans ce secteur.

Fermer le retour d'information à travers un réseau de neurones et laisser un algorithme d'apprentissage automatique prendre le contrôle total d'un processus peut être très loin. Cependant, les algorithmes d'apprentissage automatique, avec leur pouvoir d'identification des modèles, peuvent être utilisés pour évaluer l'état du processus en boucle ouverte et aider les opérateurs, en d'autres termes, pour fonctionner comme un système d'aide à la décision.

Les principaux avantages de l'utilisation des algorithmes d'apprentissage automatique dans ces industries sont les suivants : prévoir les pannes, programmer la maintenance, réduire les temps d'arrêt et les coûts d'exploitation, améliorer l'efficacité en identifiant les goulets d'étranglement et les états de fonctionnement non optimaux.

Les algorithmes d'apprentissage machine les plus couramment utilisés pour les processus sont la détection des anomalies et la classification. Un algorithme d'apprentissage automatique peut être formé avec des années de données historiques afin de prédire et d'alerter lorsqu'un composant commence à mal fonctionner, lorsqu'il s'écarte du fonctionnement normal. L'art consiste à fournir les bonnes données et les bonnes étiquettes à l'algorithme : il signalera une anomalie en dehors de la région qui était représentée par l'ensemble de formation.
L'algorithme d'apprentissage des renforts comble le fossé entre l'apprentissage automatique et les systèmes de contrôle car il ferme la boucle de rétroaction et interagit avec le processus dans les deux sens : lecture des mesures et envoi des actions. Cet algorithme cartographie l'environnement dans un modèle interne et, à chaque étape, sélectionne parmi une série d'actions possibles celles qui interagissent avec l'environnement réel dans le but de minimiser une fonction d'optimisation. Ce type d'algorithme a été utilisé par DeepMind pour gagner au Go contre le champion du monde (Silver, 2018) et aussi pour gagner contre des adversaires humains jouant à des jeux PC (Hodson, 2019). Ces algorithmes ont également trouvé leur chemin dans une application plus critique du processus d'optimisation de la consommation d'énergie d'un centre de données (Judge, 2019). Le défi de ce type d'algorithme est la grande sensibilité aux changements de l'environnement (comme toujours dans l'industrie) : un changement de taille de la table de Go, le changement des actions possibles dans un jeu PC ou un changement physique d'un élément d'un processus rend le modèle obsolète et impose un réentraînement coûteux et long.

Même s'il est encore très optimiste d'espérer que l'apprentissage automatique résoudra tous les problèmes que nous avons et optimisera le fonctionnement de toute une usine, ces algorithmes peuvent être très performants dans certaines applications particulières qui peuvent aider à la prise de décision. Comme pour l'optimisation, le "contrôle optimal" est une branche consacrée et mature des systèmes de contrôle, avec de nombreuses années d'études et de mises en œuvre réussies.

Bibliographie

• Hodson, H., 2019. 1843magazine. Disponible à l'adresse suivante : https://www.1843magazine.com/features/deepmind-and-google-the-battle-to-control-artificial-intelligence [consulté le 18 septembre 2019].
• Judge, P., 2019. datacenterdynamics. Disponible à l'adresse : https://www.datacenterdynamics.com/analysis/smartening-how-ai-and-machine-learning-can-help-data-centers/ [consulté le 18 septembre 2019].
• Silver, D., 2018. DeepMind. Disponible à l'adresse : https://deepmind.com/blog/article/alphazero-shedding-new-light-grand-games-chess-shogi-and-go [consulté le 18 septembre 2019].
• Stein, G., 2003. Respecter l'instable. IEEE Control Systems Magazine, 7, pp. 12-25, août 2003, doi : 10.1109/MCS.2003.1213600 [En ligne] Disponible à l'adresse : https://ieeexplore.ieee.org/document/1213600
• TheEconomist, 2017. TheEconomist. [En ligne] Disponible sur : https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable-resource-is-no-longer-oil-but-data [Consulté le 18 septembre 2019].