Cette histoire a été approuvée par le client pour publication externe. N'hésitez pas à la partager !
Lisez-le ici :jmp.com/KAIST L'enregistrement est également disponible sur la chaîne YouTube de JMP.
S’appuyant sur une expérience concrète du secteur, le professeur associé Lee Jong-Seok de KAIST démontre pourquoi l’IA doit respecter les principes physiques fondamentaux pour qu’on puisse lui faire confiance dans les usines.
Repenser l'IA pour résoudre les véritables problèmes de fabrication
Résumé :
Le professeur associé Lee Jong-Seok, de KAIST, expose les défis liés à l'application de l'IA dans le secteur manufacturier. Si les modèles d'IA gagnent en complexité, ils manquent souvent de transparence et ne tiennent pas compte des lois fondamentales de la physique, rendant l'expertise humaine indispensable. Ses recherches visent à rapprocher le monde académique et l'industrie en concevant des modèles simples et interprétables, à la fois précis et performants. En intégrant des connaissances du domaine et des contraintes statistiques, il a résolu des problèmes concrets de fabrication, comme la prédiction du poids du revêtement en acier, démontrant ainsi que l'IA seule ne suffit pas sans une expertise approfondie et une compréhension fine du contexte.
Points clés à retenir :
- Des modèles plus simples pour un impact concret : si les grands modèles d’IA dominent la recherche, le professeur Lee souligne que des modèles plus simples et plus interprétables sont souvent plus performants en production. Pour être fiables et utilisables en production, les modèles doivent être conformes aux principes physiques réels.
- L'IA contrainte par la physique améliore la fiabilité : lors d'une application de revêtement d'acier, un réseau neuronal standard a produit des prédictions contraires aux lois fondamentales de la physique. En intégrant des contraintes statistiques au modèle afin d'imposer une relation positive entre les variables du processus, l'équipe a garanti des prédictions à la fois précises et physiquement cohérentes.
- Faire le lien entre le monde universitaire et l'industrie : les méthodologies académiques ne sont pas toujours directement transposables à l'environnement industriel. Le professeur Lee situe ses travaux à la croisée de la théorie et de la pratique, en adaptant des méthodes d'apprentissage automatique avancées pour résoudre de véritables problèmes industriels.
- L'interprétabilité favorise l'action : les décisions de fabrication exigent des relations de cause à effet claires. En privilégiant la transparence à la taille du modèle, les ingénieurs peuvent ajuster les paramètres de processus en toute confiance, sans risquer de conséquences imprévues.
- Les fondements statistiques restent essentiels : l’IA avancée ne suffit pas à elle seule. Une connaissance approfondie des statistiques et de l’optimisation est cruciale pour concevoir des modèles robustes, explicables et sûrs pour des applications concrètes.
Citations du professeur agrégé Lee, KAIST
« L’IA manque actuellement de transparence. On l’applique à ses propres problèmes sans savoir si elle améliorera réellement les processus. »
« L’application de l’IA à des problèmes concrets présente certains défis en raison de l’accès limité aux données. L’IA n’apprend qu’à partir de données publiques et ne maîtrise donc pas bien certains domaines spécifiques. »
« Si l’on revient aux fondamentaux, par exemple dans le domaine de la production, l’expert humain peut faire beaucoup mieux. »
« Je me positionne à l’interface entre le monde universitaire et l’industrie car les méthodologies présentées dans les articles de recherche ne sont souvent pas directement applicables aux problèmes réels. »
« Une tendance majeure de la recherche consiste à créer des modèles aussi vastes que possible, mais il devient de plus en plus difficile de les comprendre. Avec mes étudiants, nous essayons de les simplifier au maximum. »
« Pour appliquer l'IA à la production industrielle, nous devons être capables d'interpréter les modèles. Le moyen le plus simple d'y parvenir est de concevoir un modèle simple, mais néanmoins précis et performant. »
