Plier les vêtements de manière fiable et efficace est un défi pour les mains robotique. Cela nécessite une énorme quantité de données, avec des dynamiques bien plus complexes qu’il n’y paraît. Le système SpeedFolding est l’une des solutions les plus avancées dans ce domaine. Le robot manipule un vêtement initialement froissé sur la base d’instructions définies par l’utilisateur, telles que des lignes de pliage, pour lui donner une configuration pliée et lisse.
Ses concepteurs ont été finalistes pour le prix du meilleur travail de recherche lors de la Conférence internationale sur les robots et systèmes intelligents de l’Institut des ingénieurs électriciens et électroniciens (IEEE). Ils devaient inventer une nouvelle architecture de réseau neuronal (une des façons de mettre en œuvre l’intelligence artificielle) capable de prédire les paires de positions de la pince. Après avoir appris 4 300 actions autosupervisées, le robot a pu plier des vêtements qui lui étaient remis dans une configuration initiale aléatoire, en moins de 120 secondes, avec un taux de réussite de 93 %.
Dans l’équipe de recherche de cette expérience apparaît l’un des noms de la robotique intelligente mondiale, Torsten Kroeger, directeur scientifique d’Intrinsic, la société avec laquelle Alphabet, propriétaire de Googleveut garantir que les robots traditionnels, basés sur des instructions informatiques, acquièrent la capacité de détecter, d’apprendre et d’effectuer des ajustements automatiquement à mesure qu’ils accomplissent des tâches.
Pas une ligne de code
Le public a applaudi lorsque Kroeger est apparu sur scène au Sommet sur l’intelligence artificielle avec un objectif de Munich, auquel ont participé ‘active tech’. « Construire des robots dotés d’une intelligence artificielle devrait être beaucoup plus facile », a-t-il proclamé. C’est là tout le défi : les former en utilisant, au lieu de milliers d’images, seulement une douzaine d’entre elles. Et sans écrire une seule ligne de code, c’est-à-dire aucune de ces instructions que les informaticiens utilisent habituellement pour programmer des tâches.
« L’IA sera le moteur du plus grand changement dans la robotique du 21ème siècle »
Dans la ville allemande, Kroeger a passé en revue une grande partie du contenu de l’intervention qu’il a faite en mai au Automate Show de Chicago, où il a partagé la scène avec le PDG d’Intrinsic, Wendy Tan Blancpour qui « le plus grand changement en robotique du 21e siècle sera piloté par l’intelligence artificielle ».
On sait déjà ce que l’IA est capable de faire avec du texte, des images et des sons, qui n’a pas posé de question à ChatGPT ou ne lui a pas demandé de générer une représentation ? Mais la grande révolution est encore à venir, car « l’intelligence artificielle va passer au monde physique« , a-t-il déclaré : au lieu d’utiliser des mots et de répondre à nos questions, » cela fonctionnera avec de vraies actions physiques dans le monde réel « .
Réduire les coûts
Le problème est que « la collecte de données pour les robots est cher« Torsten a souligné à Munich. C’est effectivement le cas. La programmation de systèmes d’intelligence artificielle générative, qui sont à l’origine de phénomènes comme ChatGPT, nécessite énormément de temps et de personnel. Le défi est de réduire les coûts en raccourcissant les délais.
Intrinsic a collaboré main dans la main avec NVIDIA pour apprendre aux robots à saisir des objets. Ils ont été formés avec des données purement synthétiques, c’est-à-dire sans véritable référence, créées artificiellement. Les mouvements n’étaient pas programmés manuellement, pas une seule ligne de code n’était écrite. Tout cela n’était pas nécessaire car ils ont appris grâce à l’intelligence artificielle.
Ensuite, après avoir développé le modèle, celui-ci a été téléchargé en tant que compétence sur la plate-forme Intrinsic, appelée Flow State, et était prêt à être implémenté dans les robots de n’importe quel client. Le premier à l’avoir essayé fut Trumpf, l’un des principaux fournisseurs mondiaux de machines-outils. « L’avantage actuel est qu’avec le jumeau numérique, vous pouvez changer de robot, de préhenseur, d’environnement et vous bénéficiez d’une grande flexibilité », a expliqué Kroeger. Le robot de Trumpf prend les pièces de tôle d’un conteneur et les trie soigneusement dans un autre conteneur. Et si l’environnement change, il n’est pas nécessaire de le reprogrammer, il suffit de modifier le modèle dans le jumeau numérique.
Un autre défi du transfert de l’intelligence artificielle vers le monde physique consiste à planifier le mouvement de plusieurs robots. Google Deepmind est devenu populaire dans le monde entier en battant le champion du monde de Go, un ancien jeu de société chinois. « Nous utilisons les algorithmes développés dans ce jeu pour planifier le mouvement des robots », a expliqué le directeur scientifique d’Intrinsic. « En quelques heures, vous pouvez entraîner un modèle avec quatre robots. Le processus est en moyenne 25 % plus rapide que celui réalisé par des ingénieurs humains. »
Robomotion mécanisait une machine en quelques heures avec Flow State, « auparavant, il leur fallait plusieurs jours pour programmer ces mouvements de manière traditionnelle », souligne-t-il. Wendy Tan Blanc. L’entreprise italienne Comau a arrêté un processus de fabrication de réfrigérateurs en plein essor, a demandé à quelqu’un de déplacer le réfrigérant, « et l’ensemble du processus a été réadapté en temps réel – c’est le genre de flexibilité que l’intelligence artificielle peut offrir aux applications du futur », ajoute-t-il. .
Modèle de langage
Lors du Purposeful Artificial Intelligence Summit, la start-up NXAI a présenté le premier grand modèle linguistique européen (LLM), sur lequel peut s’articuler le développement de l’intelligence artificielle. Ils ont choisi une voie alternative à celle qui a donné naissance à ChatGPT, qui repose sur une technologie appelée transformateurs, lancée en 2017 par Google. Albert Ortig et Johannes Brandstetter, fondateurs de NXAI, ont expliqué qu’ils pouvaient « lancer une révolution dans la simulation similaire à celle du repliement des protéines biologiques » qui a fait naître DeepMind il y a quelques années. La simulation est la clé pour entraîner rapidement l’IA dans le monde physique.
Le directeur des relations commerciales de Bayerische KI-Agentur, Andreas Preisser, a souligné pour sa part que personne « ne peut le faire seul »: « Nous devons, aujourd’hui plus que jamais, mettre en commun les données de différents secteurs. » Une idée que Kroeger a appuyée : « Nous ne pouvons pas y parvenir seuls. C’est l’occasion de travailler ensemble en tant que communauté, pour permettre de plus en plus d’applications. »
L’une des choses qui manquent sur la carte du nouveau monde pour la formation de l’intelligence artificielle, ce sont des images de qualité du monde physique. Florian Bohne, responsable de l’ingénierie assistée par ordinateur à l’Inpro, utilise l’intelligence artificielle pour créer des images de synthèse. Ils ne sont pas réels, mais ils doivent le paraître pour que l’entraînement des robots soit précis. Parmi les défis, il y a celui de les produire en 3D, « c’est plus difficile, parce que la lumière, la position, le reflet… sont des choses plus difficiles à contrôler ».
Les entreprises vont devoir orchestrer les différentes intelligences artificielles au sein de leur organisation de la manière la plus efficace possible. Rainer Brehm, PDG de l’automatisation industrielle chez Siemens, a raconté ce qu’il a fallu pour introduire Copilot, une intelligence artificielle générative Microsoft, dans les processus de production. Pour ce faire, ils ont décidé de s’associer au fabricant de bras robotiques Schaeffler. Les opérateurs d’aujourd’hui peuvent parler à la machine, poser des questions sur le manuel technique et savoir en lui parlant si elle a besoin d’entretien.
« Des problèmes techniques surviennent lorsque l’on veut démontrer que cela fonctionne à grande échelle », a déclaré Brehm. Pourquoi devrait-il y avoir des écrans, alors que nous pouvons interagir avec un assistant vocal intelligent ? Ils changent toutes les règles du jeu automatisation. « Nous devons remettre en question tout ce que nous avons fait dans le passé – a déclaré le directeur de Siemens -, nous devons repenser tous les schémas, nous devrons automatiser, mais d’une manière complètement différente. »