
Des connaissances spécialisées parfaitement complémentaires
Mettler-Toledo a ainsi lancé un appel d’offres public via le réseau « Data Innovation Alliance ». Plusieurs instituts et universités ont manifesté leur intérêt. Le choix s’est porté sur un consortium de deux partenaires de recherche : la ZHAW pour ses méthodes statistiques et la robustesse des analyses de significativité statistique, et le CSEM qui compte plus de 12 ans d’expérience pratique du Deep Learning dans les applications industrielles.
Mettler-Toledo a apporté toute son expertise du domaine et a procédé à l’intégration – dans son progiciel STARe – de la solution d’IA développée. Par ailleurs, pour les besoins du projet, la société a également traité un important volume de données d’expertise issues de nombreuses mesures réalisées par le passé pour des publications et bibliothèques de référence.
La ZHAW a mis au point des méthodes statistiques pour le nettoyage des données, l’analyse des données d’experts, l’identification d’annotations erronées et la définition automatique fiable des tangentes de mesure. Le CSEM a, quant à lui, développé le réseau neuronal et des algorithmes d’entraînement robustes qui comprennent la génération et l’augmentation de données, ainsi que la validation et le contrôle de la plausibilité des résultats.
Le résultat du projet est une nouvelle option logicielle, intitulée AIWizard, qui a été intégrée au logiciel STARe. AIWizard autorise désormais de nouvelles analyses entièrement automatiques de courbes de mesure thermo-analytiques d’échantillons inconnus.
Intelligence artificielle : la voie du succès
L’une des principales difficultés du projet portait sur la détermination des limites de l’effet, à savoir « où commence-t-il ? » et « où finit-il ? ». Dans de nombreux cas, ces transitions sont fluides, et les repérer précisément est essentiel pour obtenir les informations sur le type d’effet (fusion, cristallisation, ou transition vitreuse). C’est là qu’intervient l’IA : automatiser la partie complexe (souvent sujette à erreur) de la détermination des effets, tout en combinant les connaissances et l’expérience de nombreux experts de différents domaines.
Au départ, les collaborateurs expérimentés ont manifesté un grand scepticisme, et certains ont déclaré que « l’analyse automatisée est absolument impossible ». Finalement, la solution a su convaincre, comme le soulignent les témoignages du style « les résultats ont largement dépassé mes attentes » de Mettler-Toledo.
Comme les réseaux neuronaux sont avides de données, il a fallu disposer d’un grand nombre de données d’experts. Afin d’accroître le jeu de données issu de centaines de mesures, des milliers de données artificielles ont été générées via un processus d’augmentation et de génération. Pour cela, il est important de tenir compte des phénomènes physiques en jeu. La génération de données consiste ainsi à produire de nouveaux jeux de données par une modélisation des processus ou par une recombinaison des données réelles.
« Nous avons beaucoup appris sur la manière dont les nouvelles technologies profitent aujourd’hui à nos clients. Sans les connaissances spécialisées des partenaires du projet, nous n’aurions pas pu concrétiser cette idée. » Urs Jörimann, chef de projet chez Mettler-Toledo.
Ce projet a été promu par l’Agence suisse pour l’encouragement de l’innovation, Innosuisse (numéro du projet : 35056.1 IP-ENG).