Solutions de boucles frugales de réapprentissage des modèles d'IA, déployées dans le milieu industriel pour l'aide aux opérations de contrôle de la production

Frugal Loop Solutions for Relearning AI Models, Deployed in Industrial Environments to Support Production Control Operations

• Auteur / Autrice : Kouassi Armand Amoussou
• Direction : Antoine Godichon-baggioni, Rafael Pinot
• Type : Projet de thèse
• Discipline(s) : Mathématiques
• Date : Inscription en doctorat le 01/09/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Probabilités, Statistique et Modélisation

Mots clés

Mots clés libres

Apprentissage Fédéré

Optimisation en ligne

Robustesse Byzantine / Résilience Byzantine

Distributed Gradient Descent

Federated Learning

Online Optimization

Byzantine Robustness / Byzantine Resilience

Distributed Gradient Descent

Résumé

L'accélération de la digitalisation des processus industriel du Groupe Renault Group s'est traduit par le lancement d'un « Metaverse industriel » connectant 100% des lignes de production soit plus de 8 500 équipements industriels, 90% des flux d'approvisionnement et 100% des données Supply Chain. Le groupe a développé une solution unique de collecte et de standardisation de la donnée industrielle, puis modélisé ses assets physiques en jumeaux numériques. Les usines disposent de leur univers numérisé qui leur permet d'activer des leviers d'efficacité et de performance jusqu'alors non visibles, au service de l'humain et de l'environnement. Dans cet environnement numérique, les outils d'Intelligence Artificielle permettent de développer des scénarios prédictifs et d'aider les acteurs du terrain pour renforcer la compétitivité du système industriel et d'assurer la qualité de ses véhicules. Un axe majeur est l'adoption des modèles d'Intelligence Artificielle pour aider aux opérations en ligne et soulager la charge cognitive des opérateurs (par exemple : aide au contrôle visuel, détection d'anomalie sur données vibratoires, acoustiques ou numériques) Dans ce cadre, les entrainements des modèles d'IA, la plupart génériques car pouvant être déployés sur plusieurs applications similaires, utilisent un processus « Cloud » consommateur de ressources et de puissances de calcul. Le déploiement des modèles est ensuite réalisé sur l'environnement industriel, sans accès direct aux données d'entrainement. La problématique est alors de trouver les solutions permettant un réapprentissage sur le terrain industriel (edge), des modèles issus d'un premier apprentissage (cloud) , sans utilisation des données d'apprentissage initiales.

The acceleration of the digitalization of Renault Group's industrial processes has resulted in the launch of an ''Industrial Metaverse'' connecting 100% of production lines, amounting to more than 8,500 industrial equipment, 90% of supply flows, and 100% of Supply Chain data. The group has developed a unique solution for collecting and standardizing industrial data, then modeled its physical assets into digital twins. The factories have their own digitized universe that allows them to activate efficiency and performance levers that were previously invisible, serving both humans and the environment. In this digital environment, Artificial Intelligence tools enable the development of predictive scenarios and assist field actors in strengthening the competitiveness of the industrial system and ensuring the quality of its vehicles. A major focus is the adoption of Artificial Intelligence models to assist in online operations and alleviate the cognitive load of operators (for example: visual inspection assistance, anomaly detection on vibratory, acoustic, or digital data). In this context, the training of AI models, most of which are generic as they can be deployed on several similar applications, uses a resource-intensive and computationally powerful ''Cloud'' process. The deployment of the models is then carried out in the industrial environment, without direct access to the training data. The challenge is to find solutions allowing for relearning in the industrial field (edge) of models resulting from initial learning (cloud), without using the initial training data.