Chargement...

Talk

Défiler

Étude de cas précédente QSL

Des capteurs au service de l'intelligence artificielle

Labplas

Labplas est une entreprise spécialisée dans la fabrication de produits d’échantillonnage stériles aux fins d’analyse. Cette PME de 125 employés se spécialise dans la fabrication de sacs d’échantillonnage stériles aux fins d’analyse sur les marchés agroalimentaire, environnemental, vétérinaire et pharmaceutique.

Une quantité phénoménale de données est produite chez Labplas puisqu’elle possède 15 lignes de production qui sont équipées de capteurs machines (capteur de pression, thermocouple, capteur de proximité, etc.) et environnementaux (température de la pièce, pression atmosphérique, etc.).

Statistiques

Capteurs par machine:

Caméras, capteurs, laser, etc.

38

Variables étudiées:

Humidité, température, pression, etc.

+50

Défi

Notre mandat visait dans un premier temps à déployer AWS IoT Core, un service offert par Amazon qui permet de transmettre en temps réel les données émises par les machines sur le Cloud. Dans un deuxième temps, l’objectif était d’utiliser ces mêmes données pour entraîner des modèles d’intelligence artificielle.

SOLUTION

En premier lieu, Vooban a travaillé à connecter l’ensemble des capteurs à AWS IoT Core afin que les données soient transmises en temps réel dans le Cloud sous forme de time series (série chronologique). Ces dernières sont d’abord enregistrées dans la base de données Amazon DynamoDB qui permet par le fait même de conserver un historique de la production. En parallèle, nous effectuons des prédictions grâce à des modèles de machine learning qui permettent de prédire des anomalies dans les flux de données.

À l'aide d'Amazon Quicksight, il est possible de créer des tableaux de bord qui affichent les données d'IoT Core et de DynamoDB en temps réel et qui permettent par le fait même de monitorer et détecter les anomalies. Par exemple, si les données émises par un capteur de température indiquent qu’il y a une hausse anormale de la chaleur, l’utilisateur pourra en être averti.


Le modèle de machine learning est quant à lui entraîné sur Amazon SageMaker, un service qui permet de créer, former et déployer rapidement des modèles d’IA sur le Cloud. Dans le cas présent, l’algorithme de prédiction permet d’identifier les sacs qui comportent un risque de non-conformité en fonction de 50 différents facteurs qui sont analysés en temps réel.

Interface des tableaux de bord

Les machines de Labplas sont désormais en mesure d’identifier par elles-mêmes les sacs comportant un risque plus élevé de non-conformité. Il a ainsi été possible d’éliminer le besoin de tester les produits aléatoirement par un opérateur, et ce, tout en conservant le même niveau de qualité.