Réussir l’implantation des outils d’IA en fabrication électronique : cas d’usage et expertise du domaine

Entrevue avec EMSNow à l’IPC APEX 2023

Dans cette entrevue, notre collègue Mitch DeCaire et Martin Strempel, d’iTAC Software AG, discutent des répercussions de l’IA sur l’industrie de la fabrication électronique. Cette conversation réfléchie passe des bibliothèques d’algorithmes désormais offertes aux fabricants de PCBA à l’importance capitale de la connaissance du plancher de production, sans oublier les avantages du partenariat Cogiscan-iTAC.

Faits saillants

Maintenant que ces outils d’IA sont offerts grâce aux Google, aux Amazon et aux Microsoft de ce monde. Nous avons accès à des bibliothèques d’algorithmes dans le nuage, et la communauté de l’IA en général ajoute et améliore sans arrêt ses algorithmes… ils servent dans toutes sortes d’industries et la nôtre ne fait pas exception ! Je me sens un peu comme un enfant dans un magasin de bonbons ces jours-ci, parce que c’est tout un nouveau coffre à outils que nous pouvons utiliser – et nous pouvons marier les technologies d’IA disponibles à notre expertise du SMT pour offrir de vrais cas d’usage pragmatiques, utilisables immédiatement sur le plancher de production ; ce n’est donc plus une affaire d’avenir, c’est disponible dès maintenant

Je pense que toutes les grandes entreprises ont vraiment bien fait leur travail en rendant ces outils accessibles à tous, et le défi est devenu de traduire tout cela, avec votre connaissance du domaine, jusqu’au plancher de production. De ce point de vue, ce qu’on constate vraiment, c’est que l’IA n’offre rien de différent de la panoplie d’outils Lean dont nous disposions déjà, mais nous avons maintenant l’IA pour nous accompagner vers la prochaine étape de ce parcours Lean.

Il y a certaines étapes à franchir pour entraîner un algorithme de façon efficace et le faire tourner rapidement et à bon coût. Une chose qu’on voit souvent, c’est des clients qui franchissent la première étape – recueillir les données du plancher de production et les verser dans une sorte de lac de données dans le nuage – sans avoir planifié d’avance les problèmes précis qu’ils veulent résoudre… et le résultat, c’est un amas de données qui ne sont peut-être pas structurées de façon à ce que l’algorithme puisse en apprendre efficacement.

Au lieu d’un lac de données, ils se retrouvent sans le vouloir avec un marécage de données, où ils déversent de l’information sans y avoir réfléchi. Notre approche, grâce à l’équipe de Martin, consiste donc à accompagner le client dans son parcours – la première étape est d’avoir les cas d’usage en tête et de planifier d’avance les problèmes à résoudre, parce que cela aide à structurer les données à plat et à les envoyer dans le nuage sous une forme propice à l’apprentissage machine.

Les projets phares qui réussissent se construisent normalement de la base vers le haut – on comprend le procédé, on prend ce savoir-faire, ce qu’on fait réellement en production, et on le traduit ensuite en outils d’IA utilisables.

Tout est vraiment une question d’ajustement des données et de construction dans un format convenable, afin de pouvoir, en fin de compte, implanter immédiatement ces algorithmes dès qu’ils sont
prêts et les réinjecter dans le flux. Si on n’y pense pas dès le départ, il faut presque tout reprendre du début… une fois qu’on a cerné le problème, ou que l’IA l’a cerné, il reste à savoir comment rattacher cela concrètement à mon usine en respectant toutes mes exigences de latence et en m’assurant que mes temps de cycle
continuent de rouler…

Beaucoup de nos clients tentent de faire tourner leurs algorithmes dans le nuage. Nous entraînons nos algorithmes dans le nuage et nous construisons le modèle, mais dès que nous l’avons, nous le téléchargeons à la périphérie et nous l’exécutons là; on peut ainsi traiter l’algorithme davantage en temps réel et suivre le rythme de la ligne. Et on ne crée pas de goulot d’étranglement en devant toujours monter dans le nuage avec tout !

Nous constatons qu’il est très important de bâtir la confiance envers l’algorithme. On voit que nos clients
sont généralement en cheminement : ils ne veulent pas simplement d’une boîte noire qui tourne quelque part sans que personne sache ce qui s’y passe. Ils veulent une rétroaction sur ce qui se passe dans l’algorithme. Le cas d’usage de l’AOI en est l’exemple parfait – nous avons constaté que l’adhésion est bien meilleure quand il y a un véritable affichage où les gens peuvent voir les résultats.

Article : Un algorithme d’IA éprouvé pour réduire jusqu’à 60 % les fausses alertes d’AOI et la vérification manuelle

Ce qu’ils cherchent à réduire, ce sont les fausses alertes, mais dans ce cas-ci, l’IA montre où sont les fausses alertes et pourquoi elle croit qu’il s’agit de fausses alertes. On garde l’opérateur dans la boucle jusqu’à ce que la confiance soit installée… et ensuite, vous pouvez appuyer sur le bouton d’automatisation ! Le taux de succès est bien plus élevé que si on laissait simplement quelque chose tourner en arrière-plan. On peut commencer par bâtir un tableau de bord qui montre ce que le modèle d’IA propose, de sorte que l’opérateur ou le client garde le contrôle. C’est ainsi qu’on prouve au client que oui, ça fonctionne vraiment !

Au fond, tous ceux qui exploitent une ligne SMT font des cauchemars avec les fausses alertes en ce moment. Tous ceux qui ont une machine AOI ne parlent que de ces maudites fausses alertes ! On a une machine AOI de 200 000 $, et pourtant l’opérateur doit rester assis là à lui dire lesquelles sont fausses. Ce que nous constatons, c’est qu’on peut réduire cela d’environ 60 %, donc 60 % de temps d’opérateur en moins gaspillé à filtrer ces fausses alertes.

En leur montrant ce que l’IA détecte comme faux, le client finit par se rendre compte que oui, cette chose a toujours raison et attrape toutes les fausses alertes évidentes ! Puis on peut, comme vous l’avez dit, appuyer sur le bouton d’automatisation – je l’appelle le bouton magique – où, maintenant, au lieu de simplement le montrer à l’opérateur, nous pouvons réellement envoyer le message à la machine de façon bidirectionnelle par notre plateforme Co-NECT afin d’automatiser le tout. Ces cas d’usage sont importants pour convaincre et, pour reprendre votre terme, pour bâtir la confiance avec les clients, pour qu’ils sachent qu’il s’agit d’une solution bel et bien validée, qui fonctionne… et qui a fonctionné ailleurs.

Tendances émergentes en MES/MOM - Ce dont les fabricants de produits électroniques ont vraiment besoin en 2022

Analytique de la qualité : utiliser la maîtrise statistique des procédés (SPC) pour éliminer le gaspillage et alimenter votre processus d’amélioration continue (PAC)

Utiliser des algorithmes d’IA pour la maintenance prédictive et éliminer les temps d’arrêt machine imprévus

Un algorithme d’IA éprouvé pour réduire jusqu’à 60 % les fausses alertes d’AOI et la vérification manuelle

Nous avons de vrais cas d’usage – une bibliothèque conçue pour la fabrication SMT, donc des cas très précis comme celui de l’AOI. Nous avons la détection d’anomalies de temps de cycle; nous avons aussi la corrélation entre, disons, les données de l’imprimante à pochoir et celles du SPI. Avec le recul, nous vous avons déjà parlé de notre tableau de bord Factory Intelligence, par exemple, et tous nos clients de Factory Intelligence répètent qu’ils veulent des données exploitables. Ils ne veulent pas seulement quelque chose à l’écran, vous voulez pouvoir
prédire quelque chose avant même que ça arrive.

Et en comparant, disons, les données d’une machine AOI à ce qui se passe à l’imprimante à pochoir : pour un être humain, corréler les données et voir que, lorsque ceci change à l’imprimante, j’ai plus de défauts au SPI,
c’est plutôt difficile à faire, surtout en temps réel… l’algorithme peut s’en occuper, ce qui vous permet réellement de prédire les problèmes avant même de savoir qu’ils s’en viennent. Cela nous permet vraiment de prévenir des ennuis pour lesquels, autrement, il faudrait attendre qu’une chose aille mal avant de réagir – avec ce modèle, on passe d’une analytique réactive à une analytique prescriptive.

… si on parle du nombre de cas qui ont échoué, c’est qu’il est très difficile d’arriver au point où l’on peut vraiment brancher quelque chose sur la ligne de production et savoir que ça va fonctionner et rapporter le fruit de ses efforts. Nous essayons d’accélérer ce processus pour nos clients, premièrement en leur offrant une plateforme capable de les soutenir tout au long de leur stratégie de numérisation à long terme, mais en offrant du même coup des gains rapides qu’on peut brancher dès maintenant, et hop, vous repartez avec l’appui immédiat de la direction !

… ce sont des outils comme celui-là, et c’est l’IA, qui nous permettent d’atteindre ce but ultime… vers l’usine plus intelligente. Comme Martin l’a dit, c’est un parcours, ce n’est pas un interrupteur, mais voici des cas d’usage pragmatiques que nous pouvons appliquer dès aujourd’hui pour vous rapprocher de l’usine entièrement automatisée de demain.