in , ,

L’IA sur les systèmes connectés next gen

ia systèmes connectés next gen

L’intelligence artificielle (IA) joue un rôle essentiel dans l’automatisation, la gestion de la complexité et de l’évolutivité. L’IA des systèmes connectés next gen a aussi son importance, l’exploitation en temps réel des données provenant de systèmes distribués.

La combinaison de milliards d’appareils connectés, de l’informatique pétascale et de capacités de communication avancées conduit à la création de nouveaux systèmes. Il s’agit pourtant de structures à une échelle et à un niveau de complexité qui dépasse la capacité des humains. Notamment celle à les comprendre et à les contrôler pleinement. La gestion et le fonctionnement de ces systèmes exigent un degré extrêmement élevé d’automatisation intelligente.

IA systèmes connectés next gen pour des réseaux intelligents pour les industries

Il est certain que l’IA jouera un rôle clé dans l’automatisation des systèmes de nouvelle génération. Elle est particulièrement pertinente lorsqu’il s’agit d’accroître le niveau d’autonomie des réseaux de télécommunications. Ce qui permet ensuite de transformer d’autres industries telles que la fabrication et les transports.

Réseaux cognitifs sans contact

Dans le monde entier, les FSC déploient la cinquième génération de réseaux mobiles 3GPP (en d’autres termes, la 5G). Ils se préparent également à la prochaine génération. D’ailleurs, cette dernière sera capable de détecter, de calculer, d’apprendre, de raisonner et d’agir en fonction de l’intention de l’entreprise. Cela se fera d’une manière presque autonome, évoluant ainsi vers des réseaux cognitifs sans contact.

Traditionnellement, un réseau mobile est conçu et géré par des experts en télécommunications. Des spécialistes qui s’appuient sur leur connaissance approfondie de la topologie du réseau, de la mobilité des abonnés et de leurs habitudes d’utilisation, ainsi que des modèles de propagation radioélectrique. Par conséquent, ils peuvent concevoir et configurer les politiques qui orchestrent le réseau en permanence.

Avec la 5G, ces topologies sont devenues plus complexes en raison de cellules plus petites et d’une technologie radio plus avancée. Les modèles d’utilisation sont devenus moins prévisibles pour les humains seuls. Les modèles de propagation radio sont devenus plus difficiles à calculer avec de nouvelles bandes de spectres radio et des topologies plus denses. Par conséquent, l’IA est essentielle pour aider les FSC à mettre en place et à exploiter les réseaux 5G.

Industries automatisées connectées

La transformation vers l’industrie 4.0 est en pleine évolution. Les données provenant des unités de production connectées permettent d’atteindre un niveau d’efficacité et de flexibilité élevé. Or, cela n’était pas possible auparavant.

La détection des anomalies et l’analyse des causes profondes sont utilisées pour supprimer les goulots d’étranglement. Elles permettent également d’augmenter le rendement de la production. Les enseignements tirés des algorithmes de prédiction contribuent à la maintenance planifiée et augmentent le niveau d’automatisation.

Les systèmes mobiles 5G sont conçus selon des exigences adaptées aux industries. De plus, ils comprendront la prise en charge d’une latence limitée avec une fiabilité élevée qui contribuera davantage à la transformation.

Par exemple, la logique de contrôle des unités de production individuelles était auparavant contenue dans des appareils robustes sur le sol de l’usine. Avec une connexion 5G, elle est déchargée vers une infrastructure informatique sur site, devenant ainsi une partie intégrante du contrôle des opérations de l’usine.

Les unités mobiles connectées peuvent désormais faciliter la production automatisée complexe en temps réel, avec l’aide de l’IA dans le cloud. C’est le cas des véhicules à guidage automatique (AGV) associés à des robots contrôlés à partir d’une infrastructure cloud en périphérie.

Industries de l’automobile et des transports

Les progrès réalisés dans les secteurs de l’automobile et des transports conduisent à l’introduction de véhicules de plus en plus automatisés. Des véhicules destinés notamment à différents usages tels que le transport de personnes et de marchandises.

Ces véhicules s’associent également à différents domaines opérationnels. Ces derniers peuvent aller des environnements contrôlés confinés aux larges zones de la voie publique.

La connectivité peut jouer différents rôles, en fonction du moment et de l’échelle géographique. Du point de vue d’un véhicule individuel, le partage de données en temps réel permet une meilleure connaissance de la situation. Il rend aussi possible des interactions avec d’autres véhicules en vue d’un accord.

De même, les instances d’IA basées sur le nuage (de périphérie) peuvent traiter les données en temps réel provenant de l’infrastructure routière et des capteurs hors-bord afin de superviser. Elles peuvent même étendre les capacités du véhicule grâce à ses capteurs embarqués.

La connectivité et l’analyse des données sont également cruciales pour l’optimisation du trafic au niveau du système. Ce qui implique des horizons géographiques et temporels différents selon le type d’optimisation.

Toutes ces optimisations bénéficient de la disponibilité croissante de données en temps réel dans l’écosystème de l’IoT. Ainsi, cela permet de recueillir des informations multi-domaines sur l’état de la connectivité, de la mobilité et des infrastructures.

IA systèmes connectés next gen pour relever les défis

Cinq grands défis doivent être relevés pour que l’IA soit acceptée comme une approche viable de l’automatisation intelligente de systèmes complexes. Ces derniers peuvent fonctionner en temps réel ou presque. On pense que les approches de solution nécessiteront une solide connaissance du domaine. Une compréhension approfondie des aspects sous-jacents de la connectivité et de la communication est également pertinente.

Des systèmes capables de prendre des décisions de manière autonome

Les opérations « zero-touch » signifient un niveau réduit d’implication humaine. Cela implique, par conséquent, un niveau accru d’autonomie du réseau. Ce qui permet de faire face à la complexité croissante du système.

L’un des principaux facteurs de différenciation des opérations sans contact est l’automatisation auto-adaptative. Cette approche permet de faire face à des situations, des intentions et des exigences imprévues sans intervention humaine.

Il existe des opérations en réseau dans lesquelles des humains prennent les décisions, puis seront exécutées par des machines. Il y a aussi celles dans lesquelles les décisions sont prises uniquement par des machines. Ces transformations des opérations exigent que ces machines comprennent la situation perçue. Ce qui signifie qu’elles la mettent en relation avec les connaissances de base existantes.

Intelligence distribuée et décentralisée

Dans un grand système distribué, les décisions sont prises à différents endroits et à divers niveaux. Certaines décisions sont basées sur des données locales et régies par des boucles de contrôle étroites à faible latence. D’autres décisions sont plus stratégiques, affectent le système dans son ensemble. Elles sont ainsi prises sur la base de données recueillies auprès de nombreuses sources différentes.

Les décisions prises à un niveau global plus élevé peuvent également nécessiter des réponses en temps réel dans des cas critiques. Par exemple, on peut citer des pannes du réseau électrique, des pannes de nœuds en cascade, etc.

Les données générées à la périphérie, dans un dispositif ou un nœud de réseau, nécessitent parfois un traitement sur place. Il n’est pas toujours possible de transférer les données vers un nuage centralisé. Il peut y avoir des lois régissant le lieu de résidence des données. Des règles qui commandent également les implications en matière de confidentialité ou de sécurité pour le transfert des données.

L’échelle des décisions dans ces cas se limite à un petit domaine. Ainsi, les algorithmes et la puissance de calcul nécessaires sont généralement rapides et légers. Cependant, les modèles locaux peuvent se baser sur des statistiques incomplètes et biaisées. Ce qui peut entraîner une perte de performance. Il est alors nécessaire d’exploiter l’échelle de distribution, de faire des abstractions appropriées des modèles locaux. Il est aussi nécessaire de transférer les connaissances acquises à d’autres modèles locaux.

Une IA digne de confiance

Les systèmes autonomes basés sur l’IA comprennent des modèles et des algorithmes complexes. De plus, ces modèles évoluent dans le temps avec de nouvelles données et connaissances sans intervention manuelle.

La dépendance aux données, la complexité des algorithmes et la possibilité d’un comportement émergent inattendu des systèmes basés sur l’IA nécessitent de nouvelles méthodologies. Cela a pour but de garantir la transparence, la robustesse et la sécurité technique. Ce qui nécessite aussi la confidentialité et la gouvernance des données, la non-discrimination et l’équité, l’agence et la surveillance humaine.

On utilise l’IA explicable (XAI) pour assurer la transparence des systèmes d’IA. Comment ? En expliquant aux parties prenantes pourquoi et comment l’algorithme d’IA est arrivé à une décision spécifique. Les méthodes peuvent s’appliquer à de multiples techniques d’IA comme l’apprentissage supervisé, l’apprentissage par renforcement (RL), le raisonnement automatique, etc.

Il s’agit d’une caractéristique cruciale pour le déploiement pratique des modèles d’IA dans les systèmes. La XAI permettra ainsi de satisfaire les droits fondamentaux des utilisateurs de l’IA liés à la prise de décision de cette dernière. En effet, cela est essentiel dans les télécommunications. Une structure où les organismes de normalisation soulignent la nécessité de la XAI pour la fiabilité des systèmes de communication intelligents.

IA systèmes connectés next gen : vers une collaboration homme-machine

Des machines connectées et intelligentes de types variés sont de plus en plus présentes dans nos vies. Elles peuvent être des assistants virtuels et des robots collaboratifs ou cobots.

Pour dégager une bonne synergie, il est essentiel que ces machines puissent comprendre les besoins et les intentions de l’homme. En outre, toutes les données relatives à ces machines doivent être disponibles pour la connaissance de la situation. L’IA est fondamentale dans ce processus pour améliorer les capacités et la collaboration entre les humains et les machines.

Les traitements du langage naturel ont connu de nombreux progrès. Ils ont permis aux machines d’interpréter les informations fournies par les humains. La prise en compte de la communication non verbale, comme le langage corporel et le ton de la voix renforcent cette capacité.

La détection précise des émotions évolue désormais. Une telle avancée peut permettre l’identification de comportements plus complexes, tels que la fatigue et la distraction. La machine doit utiliser toutes les informations perceptives pour déterminer l’action optimale qui maximise la collaboration.

L’apprentissage par renforcement (RL), qui consiste à entraîner une politique à prendre la meilleure action, compte tenu de l’état actuel et de l’observation de l’environnement, reçoit de plus en plus d’attention. Pour éviter les situations dangereuses, des stratégies telles qu’une IA plus sûre sont à l’étude. Elles permettront de garantir la sécurité tout au long du cycle de vie du modèle RL.

Amener les jeux et les simulations à l’échelle industrielle

La RL est une technique de machine learning qui entraîne un modèle de prise de décision à partir d’expériences dans une approche axée sur les données. Un agent RL apprend en effectuant des actions dans un environnement. Il exploite ses connaissances actuelles et explore l’environnement avec des actions aléatoires pour acquérir de nouvelles connaissances. En utilisant les résultats de ces actions, l’agent met à jour sa politique. Le but est donc de maximiser une certaine notion de récompense cumulative.

L’un des facteurs clés du succès de l’application de la RL dans un environnement virtuel a été de former des agents en concurrence les uns avec les autres, en explorant la gamme d’actions alternatives. À cet égard, des recherches supplémentaires sont nécessaires pour déterminer comment utiliser pleinement les points forts de la RL. Des recherches qui détermineront aussi la manière d’utiliser d’autres algorithmes de pointe, et les adapter aux paramètres et contraintes industrielles.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.