Bosch investit massivement dans l’AIoT

0
19

500 millions d’euros. C’est la somme que Bosch compte injecter en cinq ans pour moderniser son appareil industriel. Le fournisseur automobile allemand et fabricant d’appareils électroménagers évoqué, dans un communiqué, l’apport de « la digitalisation et de la connectivité » dans ses usines. En contrepartie, elle espère économiser “pratiquement” 1 000 millions d’euros d’ici 2025. En cela, l’intelligence artificielle jouera un rôle de premier plan.

« La principale question est de savoir comment déployer leIL dans une entreprise industrielle internationale comme Bosch », présente Michael Bolle, CTO et Chief Digital Officer du groupe, qui a également mis en avant son expérience en data science.

Photo de Michael Bolle, CTO et Chief Digital Officer chez Bosch Michael Bolle, CTO et Chief Digital Officer chez Bosch – © Bosch

“Notre héritage vient de la capacité à concevoir des produits tout en gardant des critères d’excellence”, vante-t-il. Ces “produits” sont des puces MEMS, des équipements électroniques, diverses pièces mécaniques, mais aussi des machines à café, des tondeuses à gazon, des réfrigérateurs, et divers autres appareils électroménagers.

« Nous pouvons compter sur notre expertise en ingénierie pour construire ces produits et sur notre statut de fabricant leader », dit-il.

Suivre les produits (et les clients)

“En combinant l’IoT et l’intelligence artificielle, nous sommes en mesure de suivre nos produits, de voir comment nos clients les utilisent. »

miguel bolléCTO et Chief Digital Officer, Bosch

Mais le “champion” veut entrer dans une catégorie, quoique dans un Nouveau Monde, celle de l’AIoT. Malgré ses capacités étendues, le géant allemand peine à maintenir le contact avec ses produits une fois livrés aux clients.

« La seule façon de maintenir ce contact est de les surveiller, de demander aux clients de nous faire part de leurs commentaires, etc. Tous ces processus sont manuels, coûteux et chronophages. Mettre à jour un produit prend des années », déplore Michael Bolle.

« Pour y remédier, nous proposons une méthodologie que nous avons appelée cycle AIoT », explique Michaël Bolle. “En combinant l’IoT et l’intelligence artificielle, nous sommes en mesure de suivre nos produits, de voir comment nos clients les utilisent. Avec ces données, nous pouvons appliquer apprentissage automatique pour les mettre à jour beaucoup plus rapidement. Nous pouvons également nous assurer que nos produits restent pertinents sur le terrain.

Le cycle AIoT chez Bosch
Le cycle AIoT chez Bosch

Bosch a déjà étendu cette formule à plusieurs de ces biens, par exemple le robot de cuisine, Cookit ou encore les systèmes de conduite avec caméras frontales permettant de détecter des événements rares, comme les départs de route. En cela, l’équipementier a besoin de données terrain et pour déployer ses modèles de vision par ordinateur. Ces systèmes peuvent être associés à des systèmes d’aide à la conduite.

Mais avant d’appliquer cette vision idyllique à l’ensemble de ses clients, Bosch souhaite adapter l’AIoT à sa propre chaîne de production. “Collecter des données, exécuter l’apprentissage automatique, mettre à jour les processus – nous pouvons le faire en interne”, dit-il.

Traiter un milliard de points de données

A première vue, il n’y a rien d’évident. Bosch dispose d’un réseau de 240 usines dans le monde. Sur ses sites industriels, il y a un total de 4 000 lignes de production, qui à leur tour comprennent 100 000 machines.

« En interne, nous créons une plateforme appelée BMLP (Bosch Manufacturing Logistic Platform NDLR) pour accéder aux données de nos usines et de nos équipements, puis les structurer. C’est la partie importante de BLMP. Et ce n’est qu’une fois ces données structurées que nous pouvons appliquer l’apprentissage automatique se souvient Michael Bolle.

« En utilisant ces systèmes, nous pouvons améliorer la qualité de nos produits et réduire les efforts de production. Nous mettrons en œuvre l’IA et l’apprentissage automatique à l’échelle mondiale. Nous allons commencer par notre division GMP », promet le CTO. Cela représente 800 lignes de production dans 50 usines.

« Nous allons commercialiser notre solution Bosch Manufacturing Logistic Platform en externe via notre filiale Bosch Connected Industries. »

miguel bolléCTO et Chief Digital Officer, Bosch

La plateforme BMLP traitera plus d’un milliard de messages. Et, en parallèle, “nous allons commercialiser cette solution en externe via notre filiale Bosch Connected Industries”, ajoute-t-il.

La plate-forme BMLP communique avec le système Bosch Nexeed MES. Le MES collecte automatiquement des données en temps quasi réel à partir de dizaines de milliers de capteurs pour les envoyer à une plate-forme de traitement qui applique des algorithmes de recommandation d’action.

Certains processus de correction seront automatisés, par exemple la détection d’écarts de conception dans une chaîne de montage. Pour ce faire, des caméras placées le long des lignes de production sont utilisées pour appliquer des modèles de vision artificielle.

Les défis de la science des données chez Bosch

La firme allemande investit massivement dans l’IA. Et pourtant, dans le domaine de la science des données, l’argent n’est pas tout. Le CTO de Bosch identifie plusieurs défis que le géant de l’industrie devra relever.

« Premièrement, les paramètres, la dimensionnalité des solutions augmentent rapidement. Dans la voiture, on a besoin de millions, voire de milliards de paramètres qui s’appliquent aux données d’entraînement et de test », indique-t-il, dans un registre lexical soudain beaucoup plus technique.

“La plupart des algorithmes efficaces que nous utilisons aujourd’hui sont liés au domaine deenseignement supervisé. Cela signifie que les données que nous collectons doivent être étiquetées, étiquetées par des humains. Cela représente un coût important », estime le CTO.

Dans le secteur automobile, « la question de l’explicabilité, c’est-à-dire des étapes de validation de la conduite autonome, est importante. Il faut passer des modèles boite noire aux modèles gris, puis blanc. C’est un problème non résolu», reconnaît le dirigeant.

Ainsi, la notion de causalité doit être prise en compte. « Les modèles que nous utilisons sont basés sur la corrélation et les statistiques. Ils ne font pas intervenir la notion de causalité et de relations de cause à effet », précise-t-il.

Les scientifiques des données ils sont bien conscients de ces défis. Mais Michael Bolle termine cette liste par une dernière remarque, cette fois applicable à tous les acteurs du monde industriel. “Nous sommes confrontés à une sous-utilisation des domaines de la connaissance, qui ne sont pas encore utilisés à bon escient.”

Modèles hybrides : réunir ingénieurs et data scientists

Cependant, Bosch pense avoir trouvé la bonne méthodologie pour surmonter ces lacunes. “Nous sommes convaincus que les modèles hybrides émergent d’une approche prometteuse pour améliorer les performances des algorithmes d’IA, ainsi que pour résoudre les problèmes que j’ai énumérés”, déclare Michael Bolle.

Mais à quoi correspondent ces fameux modèles hybrides ?

Modèles hybrides, Bosch
Modèles hybrides, Bosch

En fait, il s’agit de joindre des modèles mathématiques basés sur la physique et des modèles statistiques, l’apprentissage automatique. « Les modèles physiques sont efficaces en termes de données, de causalité, d’explicabilité, et leurs principes peuvent être généralisés. Ce n’est pas le cas des modèles statistiques, mais les deux formes sont complémentaires », précise le CTO.

Encore faut-il les combiner. “Les interactions entre ces deux types de modèles sont cruciales”, rappelle Michael Bole.

Le géant industriel a déjà appliqué des modèles hybrides dans le contrôle de la qualité, dans la conception de capteurs de détection de collision et dans la stabilité de la conduite autonome sur la base des données de des séries chronologiques. Dans le premier cas, le modèle physique impose une forme de topologie, c’est-à-dire une forme de constance dans les données d’entrée qui doit éviter les déviations. Dans le second cas, les signaux d’entrée des radars peuvent être perturbés par des interférences. L’apprentissage automatique devrait réduire ce phénomène de bruit.

Enfin, dans le cadre de la conduite autonome, Bosch construit un modèle de l’apprentissage en profondeur qui permet de prédire les paramètres du modèle physique. Les ingénieurs et les scientifiques des données s’appuient sur le principe mathématique de la factorisation des distributions conjointes qui s’appliquent aux données physiques. Les réseaux de neurones permettent, à partir de ces enregistrements, d’obtenir des paramètres flexibles pour améliorer le modèle physique. Ces paramètres sont ensuite utilisés pour fixer des objectifs de performance.apprentissage non supervisé “efficace”.

Les ingénieurs de Bosch utilisent des éléments finis, des transferts de caractéristiques et des analyses dans un environnement de simulation multidomaine. Les scientifiques des données associent des processus gaussiens, des réseaux de neurones et des arbres de décision en fonction de cas d’utilisation.

Pour cela, le ingénieurs de données extrait les flux dans un entrepôt de données qui alimente la plate-forme de traitement d’apprentissage automatique. Avant de renvoyer les paramètres obtenus à l’environnement de simulation, les scientifiques des données exécutent une optimisation bayésienne pour améliorer la précision des algorithmes. Cette boucle collecterait les résultats en jours au lieu de semaines.

La méthode a été mise en œuvre dans la conception d’injecteurs diesel. Une simulation sans IA peut nécessiter jusqu’à 10 000 CPU par heure sur un HPC et beaucoup de temps pour le prototypage et les simulations. Une fois les modèles d’IA d’optimisation de la conception formés en une semaine, les ingénieurs ont pu comprendre plus facilement les phénomènes physiques complexes applicables aux pièces qu’ils conçoivent, tout en réduisant considérablement le temps d’utilisation de la machine. CHP et simulation.

Cette intelligence artificielle hybride sera également appliquée aux données de terrain, promet Michael Bolle. Cela deviendra une étape dans le cycle AIoT.

Cette approche, qui combine physique et machine learning, n’est pas propre à Bosch. Lors de l’AICON 2021, Karen Willcox, directrice de l’Oden Institute -situé à l’Université d’Austin, Texas- a également souligné l’importance de cette approche dans la production de jumeaux numériques.

Au-delà des participants à l’événement organisé par l’industriel allemand, d’autres acteurs veulent également apporter l’ingénierie et science des données. Par exemple, Rolls-Royce Germany, la division moteurs du spécialiste de l’aéronautique, entend s’appuyer sur la plateforme de science des données d’Altair pour y parvenir.

Comme Rolls-Royce, Bosch appuie son expertise en science des données sur un centre d’excellence, le Bosch Center for Artificial Intelligence (BCAI), qui compte sept succursales dans le monde (Sunnyvale, Pittsburgh, Renningen, Tübingen Bangalore, Shanghai et Haïfa). ). La BCAI conçoit l’ensemble de ses systèmes d’intelligence artificielle. “Sa contribution au résultat financier s’élève à environ 300 millions d’euros”, précise le cabinet dans un communiqué. Par conséquent, l’investissement initial serait déjà remboursé.

LEAVE A REPLY

Please enter your comment!
Please enter your name here