Exotec et l’IA en entrepôt : un article pour tout comprendre

Comment l’IA, avec ses promesses de performance, mais aussi ses fantasmes et ses incompréhensions qu’il s’agit de déconstruire, trouve-t-elle des applications dans la supply chain ? Dans les entrepôts, les solutions logistiques automatisées utilisent désormais des technologies de pointe, mais il n’est pas toujours facile de les identifier ou de les nommer précisément, tant les termes du champ sémantique de l’IA sont aujourd’hui galvaudés. De l’IA au deep learning en passant par le machine learning, immersion avec Paul Vanhaesebrouck, Machine Learning Team Leader au sein d’Exotec.

Avant de s’intéresser aux usages de l’intelligence artificielle sur la supply chain et en entrepôt, il convient de définir précisément l’IA et ses ramifications. En effet, « le grand public a tendance à ne pas toujours bien utiliser le terme d’intelligence artificielle », explique Paul Vanhaesebrouck. Il poursuit : « Bien souvent, cela découle d’une confusion avec le machine learning. Dès lors que l’on arrive à lever cette confusion, on peut commencer à parler de choses un peu plus concrètes. » Entrons alors dans le vif du sujet avec quelques éléments de définition.

Quelle est la différence entre IA et machine learning ?

Le Parlement européen définit l’Intelligence Artificielle (ou IA) comme « la possibilité pour une machine de reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité. » Les machines utilisant l’IA peuvent ainsi analyser l’environnement qui les entoure pour prendre des décisions et agir en conséquence. 

Cependant, lorsqu’il est question d’IA, « la plupart du temps, les gens font en réalité référence à l’apprentissage automatique ou machine learning », précise Paul Vanhaesebrouck. Le machine learning est-il de l’IA ? Réponse de l’expert : « L’apprentissage automatique est une sous-branche de l’intelligence artificielle. » Cette discipline, qui fonctionne à partir de modèles mathématiques, consiste à créer des machines qui ont la capacité d’apprendre de leur environnement, à partir de lots de données.

Quelle est la différence entre machine learning et deep learning

Pour que la définition soit précise, il convient également de distinguer au sein du machine learning ses propres ramifications sous-jacentes : « Au sein de l’apprentissage automatique, on distingue notamment le deep learning, ou apprentissage profond, qui consiste à entraîner des réseaux de neurones artificiels. » 

Quelles sont les applications concrètes du deep learning ? « Généralement, quand on parle des dernières avancées, celles qui ont fait beaucoup de bruit en tout cas, comme les modèles de langage type Chat GPT ou les modèles de génération d’images… Il serait plus précis de parler d’apprentissage profond. » 

Chez Exotec, c’est d’ailleurs sur le deep learning que les équipes spécialisées se concentrent aujourd’hui. Il ne s’agit pas de générer des images, mais de les analyser pour mieux interpréter leur contenu : reconnaissance d’articles, de leur nombre, de leur forme, de leur position dans un contenant de stockage…

Les bases de compréhension globale du sujet étant posées, comment les solutions d’Exotec mettent-elles en pratique le machine learning, et notamment le deep learning, pour l’appliquer de façon concrète à la supply chain et aux entrepôts ?

Les robots du système Skypod®, équipés de caméras pour détecter des obstacles, sont un exemple concret d’application du machine learning en entrepôt. Ainsi, « Le robot, en partant de l’image perçue par la caméra, est capable de déterminer si une personne ou un obstacle sont présents, et d’estimer à quelle distance elle se situe. » 

Le fonctionnement du robot de picking développé par Exotec est un bon exemple de cette mise en pratique. Utilisé pour la préparation de commandes automatisée, le robot de picking doit saisir un article dans un contenant de stockage et le déposer minutieusement dans un contenant de préparation. Ici, le deep learning est utilisé pour analyser les images captées par la caméra placée au-dessus du bac, pour permettre au robot de distinguer parfaitement l’article à prélever et de le déposer ensuite au bon endroit dans le contenant de préparation. 

Pour atteindre cet objectif, les équipes de R&D peuvent se heurter à un obstacle : « Écrire sous forme de code pour expliquer dans les moindres détails ce que l’on fait de l’information présente dans chaque pixel n’est pas vraiment faisable. C’est bien trop complexe. » Il est plus stratégique d’adopter un processus inverse : « Plutôt que d’avoir à concevoir la solution (l’algorithme), on se charge de définir l’objectif (le comportement attendu en fonction de l’image, qui devra être imité par l’algorithme) ». Tout l’enjeu est donc de multiplier les données pour favoriser l’apprentissage : « Plus il y a de diversité dans le type d’articles, leur nombre, leur position, plus cela va guider l’algorithme à fournir une réponse correcte en général. »

Le processus de machine learning se déploie au cours de 2 étapes principales. Tout d’abord, « collecter des données (ou les générer artificiellement – voir ci-dessous) dans un entrepôt ». Puis « développer les programmes qui vont permettre d’entraîner ce modèle. »

En quoi consistent les programmes sur lesquels l’équipe de Paul Vanhaesebrouck travaille ? « On commence par définir une architecture du réseau de neurones adaptée au problème que l’on veut résoudre. » L’équipe, aidée d’outils de machine learning, définit ensuite ce qui est une bonne ou une mauvaise réponse afin d’aider le réseau de neurones à prendre des décisions. Mais le réseau de neurones ne fonctionne pas encore : « Le but du jeu est de trouver, pour chaque neurone, l’importance que ce neurone accordera aux informations envoyées par les autres. ». En résumé : « Il s’agit de trouver des poids dans un graphe : on modélise cela comme un problème d’optimisation mathématique. »

S’agissant des jeux de données (d’images, en l’occurrence) utilisées pour l’entraînement des modèles, il peut être particulièrement intéressant de générer des données dites « synthétiques », en complément des données réelles. Ici, il s’agit de simuler artificiellement un grand nombre de situations dans lesquelles articles et contenants de préparation, modélisés en 3D, peuvent se trouver. 

Le premier avantage de cette approche est qu’il est ainsi possible de produire un très grand nombre d’images rapidement. Le deuxième avantage, lui aussi non négligeable, est que les données synthétiques sont également annotées parfaitement, à la différence des données réelles qui nécessitent d’être annotées à la main. Chez Exotec, c’est un mix des deux méthodes qui est employé par les spécialistes du deep learning.

Quel est l’intérêt du machine learning dans la supply chain ? « C’est une façon de concevoir des algorithmes qui seraient impossibles si on avait à les écrire sous une forme explicable par des humains », résume Paul Vanhaesebrouck. Cela permet d’obtenir un système très performant, capable de s’adapter à de multiples éventualités, et cela, sans augmenter sa complexité, et donc risque de défaillances ou de coûts de maintenance élevés.

Les robots sont programmés pour réagir de manière optimale à une nouvelle situation, riche des expériences artificiellement procurées par le machine learning.

Il poursuit : « Il est plus facile de travailler sur les algorithmes qui vont entraîner le réseau de neurones, que de concevoir l’algorithme qui va travailler sur les images. » Simplicité, mais aussi efficacité : l’algorithme est entraîné à détecter et à reconnaître des articles variés, pour que le système fonctionne avec tous les clients d’Exotec.

« L’objectif final est d’avoir des systèmes de picking (préparation de commandes) automatisés ultra-efficaces, qui vont pouvoir prendre des articles dans des bacs quelle que soit leur position, leur matière, leur porosité, leur réflexion ».

Dernier avantage de taille : « Dans beaucoup de situations, le machine learning va permettre d’aboutir à des solutions qui sont plus simples et moins coûteuses », avec un effet de bord intéressant, puisqu’il « permet aussi de réduire l’empreinte environnementale de nos systèmes. »

Simple, économique, performant : le machine learning booste déjà la performance des entrepôts équipés par Exotec. À quoi s’attendre pour le futur ? En guise de conclusion, Paul Vanhaesebrouck nous invite à surveiller de près « les progrès du matériel qui exécute des réseaux de neurones ». En effet, les équipements se miniaturisent : « On en a maintenant tous dans notre poche avec les smartphones : le fait que cela devienne de plus en plus efficace et de moins en moins coûteux rendra aussi des cas d’usage possibles, qui peuvent aller jusqu’à l’industrie. On sera capables d’intégrer cela dans des systèmes de plus en plus petits et de plus en plus efficients. » Affaire à suivre donc !

En attendant, découvrez le fonctionnement de notre solution d’automatisation d’entrepôt Skypod.