KAIST développe une IA qui détecte automatiquement les défauts dans les processus de fabrication des usines intelligentes, même lorsque les conditions changent.
Récemment, des systèmes de détection de défauts utilisant des données de capteurs d’intelligence artificielle (IA) ont été installés dans les usines intelligentes. Cependant, lorsque le processus de fabrication est modifié en raison du remplacement de machines ou de variations de température, de pression ou de vitesse, les modèles d’IA existants ne parviennent pas à comprendre correctement la nouvelle situation et leurs performances chutent brutalement.
Les chercheurs du KAIST (Korea Advanced Institute of Science and Technology) en Corée du Sud ont développé une technologie d’IA capable de détecter avec précision les défauts, même dans de telles situations, sans réapprentissage, et d’ améliorer les performances jusqu’à 9,42 %. Cette avancée devrait contribuer à réduire les coûts d’exploitation de l’IA et à élargir son champ d’application dans divers domaines tels que les usines intelligentes, les dispositifs médicaux et les villes intelligentes.
Une équipe de recherche dirigée par le professeur Jae-Gil Lee de l’École d’informatique a développé une nouvelle technologie d’« adaptation de domaine de séries chronologiques » qui permet d’utiliser les modèles d’IA existants sans étiquetage supplémentaire des défauts, même en cas de modification des procédés de fabrication ou des équipements. Les résultats de cette recherche ont été présentés en août 2025 à la KDD (Conférence ACM SIGKDD sur la découverte des connaissances et l’exploration des données).
La technologie d’adaptation de domaine de séries chronologiques permet aux modèles d’IA qui gèrent des données variables dans le temps (par exemple, les changements de température, les vibrations des machines, la consommation d’énergie, les signaux des capteurs) de maintenir des performances stables sans formation supplémentaire, même lorsque l’environnement de formation (domaine) et l’environnement d’application réel diffèrent.
L’équipe du professeur Lee a remarqué que le problème principal de la confusion des modèles d’IA face aux changements environnementaux (domaine) réside non seulement dans les différences de distribution des données, mais aussi dans les variations des schémas d’apparition des défauts (distribution des étiquettes). Par exemple, dans les procédés de fabrication de plaquettes de semi-conducteurs, le ratio de défauts annulaires et de défauts de rayures peut varier en raison de modifications des équipements.
L’équipe de recherche a développé une méthode permettant de décomposer les nouvelles données des capteurs de processus en trois composantes : tendances, non-tendances et fréquences, afin d’analyser leurs caractéristiques individuellement. Tout comme les humains détectent les anomalies en combinant la hauteur tonale, les schémas vibratoires et les variations périodiques des sons des machines, l’IA a pu analyser les données sous plusieurs angles.
En d’autres termes, l’équipe a développé la technologie TA4LS (Time-series domain Adaptation for mitigating Label Shifts ou Adaptation du domaine des séries chronologiques pour atténuer les changements de condition), qui applique une méthode de correction automatique des prédictions en comparant les résultats prédits par le modèle existant avec les informations de clustering des nouvelles données de processus. Grâce à cela, les prédictions biaisées en fonction des schémas d’occurrence des défauts du processus existant peuvent être ajustées avec précision pour correspondre au nouveau processus.
Cette technologie est particulièrement pratique car elle peut être facilement intégrée, comme un module supplémentaire, aux systèmes d’IA existants, sans nécessiter de développement complexe. Autrement dit, quelle que soit la technologie d’IA utilisée, elle peut être appliquée immédiatement grâce à de simples procédures supplémentaires.
Dans des expériences utilisant quatre ensembles de données de référence d’adaptation de domaine de séries chronologiques (c’est-à-dire quatre types de données de capteurs dans lesquels des changements se sont produits), l’équipe de recherche a obtenu jusqu’à 9,42 % d’amélioration de la précision par rapport aux méthodes existantes.
En particulier lorsque les changements de processus ont entraîné de grandes différences dans la distribution des étiquettes (par exemple, les modèles d’occurrence de défauts), l’IA a démontré une amélioration remarquable des performances en corrigeant et en distinguant de manière autonome ces différences.
Ces résultats ont prouvé que la technologie peut être utilisée plus efficacement sans défauts dans des environnements qui produisent de petits lots de divers produits, l’un des principaux avantages des usines intelligentes.
Le professeur Jae-Gil Lee, qui a supervisé la recherche, a déclaré : « Cette technologie résout le problème de la reconversion, qui constitue le principal obstacle à l’introduction de l’intelligence artificielle dans l’industrie manufacturière. Une fois commercialisée, elle contribuera grandement à la diffusion des usines intelligentes en réduisant les coûts de maintenance et en améliorant les taux de détection des défauts. »