KonnectAi

Promark a eu l’idée de créer une station imprimée en 3D avec webcam intégrée. Un opérateur dans la zone de production pourrait ainsi placer le composant à inspecter, par exemple un câble, sous la caméra, qui diffuserait une image vidéo sur un appareil connecté. Ensuite, un modèle sophistiqué de vision par ordinateur permettrait d’analyser le composant et de déterminer son acceptabilité en fonction de plusieurs critères. Ce modèle d’intelligence artificielle effectuerait l’analyse détaillée des aspects essentiels de la pièce (p. ex., vérifier que les vis sont bien placées ou que les branchements sont corrects) afin de confirmer que chaque pièce répond aux normes de qualités strictes du fabricant.

Pour Promark, il était important que KonnectAI soit composé de cinq volets principaux : 

• Le wizard, pour agir comme principal point d’accès et permettre à Promark de soumettre les images des pièces aux fins d’analyse par intelligence artificielle. Ce volet servirait aussi à entraîner les modèles d’IA pour assurer l’exactitude des analyses; 
• Le scanner, pour détecter les pièces défectueuses au moyen de la webcam dans la zone de production et analyser précisément les défauts décelés à l’aide de l’IA; 
• L’inspector, pour servir d’interface de validation pour les utilisateurs finaux et leur permettre de vérifier la qualité des pièces grâce aux données intégrées à partir du scanner. Cela assurerait un contrôle rigoureux de la qualité et permettrait aux utilisateurs d’examiner manuellement l’inventaire et de vérifier la qualité des pièces grâce aux données intégrées à partir du scanner; 
• Le client Admin Panel, destiné aux fonctions administratives, pour permettre aux clients de gérer les éléments à inspecter, les demandes, les utilisateurs et les rôles. Ce panneau serait équipé d’un tableau de bord fournissant des conseils stratégiques; 
• Le super Admin Panel, pour gérer l’ensemble du système et des modèles et permettre la consultation des rétroactions et une communication directe, facilitant ainsi les opérations pour l’ensemble des clients.

En plus de l’élaboration de modèles pour KonnectAi, un défi central consistait à entretenir ces modèles et à assurer leur évolutivité une fois qu’ils seraient intégrés dans la production. Alors que l’apprentissage machine concerne la création de modèles qui peuvent apprendre de façon autonome, les opérations d’apprentissage machine (MLOps) mettent plutôt l’accent sur l’automatisation et l’entraînement régulier des modèles afin d’éviter qu’ils perdent de leur efficacité en raison d’éventuels changements dans les variables. Notre tâche consistait à élaborer un pipeline complet qui comprendrait la collecte de données, la gestion à partir du wizard, l’entraînement automatique des modèles d’apprentissage machine au moyen de l’infrastructure Google Cloud et, enfin, le déploiement de la solution au moyen des processus d’intégration et de déploiement continus.