Avec la correspondance des données d'image, l'introduction de l'intelligence artificielle dans la production a commencé il y a quelques années. Non seulement, mais surtout pour les contrôles de qualité, des réseaux neuronaux sont depuis lors formés pour détecter les écarts (par rapport à la norme) en comparant une pièce (état) avec des images de référence. Entre-temps, l'IA générative basée sur de grands modèles linguistiques aide à résoudre progressivement des questions généralement très spécifiques. Dans un processus itératif, l'humain donne des instructions via des prompts jusqu'à ce qu'une solution soit atteinte. L'IA agentique fonctionne tout autrement : elle sélectionne les outils d'IA nécessaires (agents) pour des tâches hautement complexes et élabore largement des solutions de manière autonome.
Les chatbots comme ChatGPT marquent déjà dans la vie quotidienne la transition vers l'IA agentique : les utilisateurs voient que leur demande est décomposée en plusieurs étapes (recherche, évaluation, résumé), mais ne savent pas selon quelle logique le système choisit et enchaîne les outils appropriés. Dans diverses applications de développement logiciel, de service client, d'exploitation informatique, de gestion des connaissances et de processus administratifs d'entreprise, l'IA agentique montre déjà ses forces aujourd'hui - partout où des tâches complexes se composent de plusieurs étapes et doivent être coordonnées à travers différents systèmes.
- Utilisée dans le service client, l'IA agentique peut traiter de manière autonome de grandes parties des demandes des clients et non seulement répondre à des questions, mais également exécuter des processus de service complets et prendre des décisions de manière autonome dans le cadre de règles définies.
- Dans le développement logiciel : des agents de codage modernes analysent les exigences, écrivent des codes, effectuent des tests, corrigent (itérativement) des erreurs.
- Dans le commerce de détail, des agents IA bien orchestrés peuvent aider à la gestion des stocks, aux prévisions de demande, à la logistique et à la gestion des produits. Les agents doivent combiner de manière autonome des informations provenant de différents systèmes, préparer des décisions opérationnelles et parfois même les exécuter.
Orcha-3 : transfert vers la production industrielle
La plateforme Orcha-3 développée par Fraunhofer IWU applique cette approche à la technique de production. Orcha-3 est conçue pour des questions qui sont jusqu'à présent mal traitées par des modèles d'IA individuels : des questions ouvertes le long d'une chaîne de processus, dont les réponses ne découlent pas d'une mesure, mais de nombreux étapes successives, et où la prochaine étape sensée ne peut être déterminée qu'une fois l'étape précédente évaluée.
Un exemple : dans une chaîne de processus d'opérations de formage et d'assemblage, des écarts de mesure apparaissent à la fin, dont la cause est inconnue. Orcha-3 décompose cette question de manière autonome en étapes de travail individuelles - récupérer des données de processus de l'environnement des machines et des installations, combiner des séries temporelles de plusieurs stations, calculer des corrélations, simuler des variations de paramètres, évaluer des résultats intermédiaires - et décide après chaque étape comment procéder. Chacune de ces étapes est exécutée par un agent spécialisé avec une tâche clairement définie.
Décisif pour l'utilisation en fabrication est la répartition des tâches entre le modèle linguistique et l'exécution : le modèle linguistique planifie, mais n'accède pas lui-même à un système de production. Les requêtes de base de données, les calculs et les simulations se déroulent exclusivement localement dans les agents. Les données brutes ne quittent pas le réseau de l'entreprise ; seul un aperçu soigneusement sélectionné et entièrement enregistré de la situation de planification est transmis au modèle. Cet aperçu est généré et enregistré de manière déterministe pour chaque étape de planification. Il est donc possible de vérifier par la suite quelles informations ont réellement été transmises au modèle. Le savoir-faire de processus, qui se trouve dans les paramètres de fabrication, est souvent le véritable avantage concurrentiel d'une entreprise ; Orcha-3 est conçu de manière à ce que l'utilisation de modèles linguistiques puissants ne nécessite pas la divulgation de ce savoir.
Pour cette même raison, l'ensemble de l'exécution est orchestré de manière déterministe (exécuté sur la base de règles, chaque décision étant reconstructible par la suite) et est entièrement enregistré : chaque étape, chaque résultat intermédiaire et chaque décision de la plateforme reste enregistré et peut être retracé même après des mois. Pour une recommandation qui entre dans la production en série, cette reconstructibilité n'est pas une fonction de confort, mais une condition préalable. De plus, Orcha-3 peut exécuter des étapes d'évaluation manquantes sous forme de petits programmes même lorsque la boîte à outils existante n'est pas suffisante pour une question donnée.
La plateforme est actuellement conçue comme un environnement de recherche et d'essai. L'objectif à moyen terme est d'étendre la chaîne de processus individuelle au système de production, jusqu'aux questions d'utilisation des machines et du personnel, des besoins en surface et du concept logistique, qui ne peuvent aujourd'hui être résolues que par des analyses manuelles coûteuses.
Données synthétisées pour représenter une multitude de problématiques et de cas d'application
Planifier ou optimiser une production complexe nécessite une base de données solide. Le dilemme du poulet et de l'œuf au départ peut être résolu de manière élégante - à l'aide de données synthétisées produites spécifiquement, qui reposent sur des chaînes de processus virtuelles et qui reproduisent par exemple des processus réels comme des étapes de formage individuelles. Sur cette chaîne de processus virtuelle, l'IA peut maintenant intervenir et montrer des potentiels d'amélioration. Les problèmes et les tâches deviennent ainsi presque indéfiniment variables.
Complexité qui ne peut être maîtrisée qu'avec l'IA agentique
Dans les fabrications à plusieurs étapes, il existe des questions qui devraient être clarifiées, mais restent généralement sans réponse, car leur clarification prendrait des jours de travail sur les données :
- « À la fin de la chaîne de processus, des pièces se trouvent en dehors des tolérances, chaque station signale 'en ordre'. »
- « D'où vient l'écart ? »
- « Le fournisseur de matériaux a changé, la fiche technique est identique, le processus ne fonctionne cependant plus comme avant. Quels paramètres doivent être ajustés ? »
- « Le taux de rebut varie entre les équipes. Il y a une hypothèse, mais personne pour vérifier les données de processus pendant deux semaines. »
De telles questions ne peuvent pas être répondues par une évaluation, mais par de nombreuses : combiner des données de plusieurs stations, vérifier des corrélations, rejeter une hypothèse, en formuler une nouvelle. C'est exactement ce processus qu'Orcha-3 prend en charge de manière autonome et rend chaque étape traçable.
La plateforme est fonctionnelle et testée sur des chaînes de processus virtuelles. La prochaine étape est l'application à des questions de fabrication réelles ; pour cela, nous recherchons à discuter avec des entreprises qui ont une telle question concrète devant elles. Nous évaluons ensemble si cette problématique peut être traitée avec l'approche Orcha-3, ce que la base de données existante permet et à quoi pourrait ressembler une entrée.
IA agentique / Agentic AI
L'IA agentique désigne des systèmes d'IA qui agissent en tant qu'agents autonomes pour exécuter de manière autonome des tâches complexes et multi-étapes. Contrairement aux chatbots traditionnels, qui ne réagissent qu'à des commandes directes, ces systèmes peuvent traiter des problématiques complexes et utiliser des outils (autres agents ou outils) de manière autonome - selon les besoins. Ils décomposent des tâches plus importantes en plusieurs sections logiques, ne dépendent pas d'étapes intermédiaires humaines fréquentes et réagissent de manière flexible aux changements à court terme ou imprévus.
La plateforme Orcha-3
Orcha-3 traite des tâches complexes appelées « Jobs » et les exécute de manière structurée en plusieurs boucles. Au cœur de la plateforme se trouve une architecture clairement séparée composée d'API (interface de programmation), d'orchestrateurs, de superviseurs et d'agents. Conséquemment basé sur l'état : toutes les informations sont stockées de manière persistante dans le système de fichiers, garantissant ainsi une transparence totale, une traçabilité et une reprise complète. Le job est traité dans un cycle récurrent de planification et d'exécution :
- Un agent planificateur analyse l'état actuel et décide des prochaines étapes.
- Cela donne lieu à des tâches qui sont chacune exécutées par des agents spécialisés.
- Les résultats sont stockés et intégrés dans le prochain cycle de planification.
- Le processus se répète jusqu'à ce qu'une solution soit atteinte ou qu'une condition d'arrêt définie soit déclenchée.
Contact :
