Un logiciel de détection de défauts destiné au contrôle qualité et adapté à tout type d’objet et de matière. Mais aussi connectable à n’importe quel système qualité et utilisable en local. Telle est l’ambition d’AnotherBrain avec son nouveau produit baptisé Blue Phosphor. Trois ans plus tôt, l’entreprise française fondée en 2017 par Bruno Maisonnier, père des robots humanoïdes Nao et Pepper, avait déjà lancé Phosphor Quality, un robot de contrôle qualité aujourd’hui adopté par une vingtaine d’industriels, principalement dans l’industrie automobile en France, en Allemagne et en Suisse.
Détecter des rayures comme la colorimétrie d'un fard à joue
«Notre solution Phosphor Quality était composée d’un logiciel connecté à un robot et à une lampe caméra. Or, pour certains industriels, cette solution n’était pas adaptée. C’est pourquoi, avec Blue Phosphor, nous avons travaillé sur une solution logicielle universelle adaptable à la quasi-totalité des chaînes de production de biens de consommation», explique Anne-Sophie Madoire-Rouzaud, directrice des opérations chez AnotherBrain. L’entreprise de 58 personnes a travaillé sur le développement de modèles capables d’analyser des matériaux, des surfaces et des profondeurs de tout type... afin d’être en mesure de détecter des rayures sur des flacons de parfums, des montres ou des pièces précieuses, mais aussi des différences de colorimétrie sur des fards à joue.
A ce jour, Blue Phosphor serait déjà installé chez une douzaine d’industriels dans les cosmétiques, la parfumerie, la pharmacie ou la joaillerie. En outre, AnotherBrain dit avoir «refondu le code» de son logiciel afin d’en simplifier au maximum l’utilisation, «ce qui permet aux industriels d’entraîner eux-mêmes leur nouveau modèle», explique Anne-Sophie Madoire-Rouzaud.
Une solution hébergée en local
Ce passage à une solution agnostique a nécessité un effort de pédagogie auprès des industriels. «Certains voyaient l’IA comme une solution magique. Alors qu’évidemment, la pertinence de l’analyse rendue dépend de la qualité des photos utilisées pour entraîner le modèle», précise la directrice des opérations d’AnotherBrain.
Un des atouts de la solution proposée par l'entreprise parisienne est d'être hébergée en local, ce qui réduit les risques de piratage. Elle est en outre dite «explicative», les clients ayant la possibilité de cliquer sur une «carte des anomalies» pour obtenir des détails sur les défauts identifiés. «Chaque industriel a aussi la possibilité de fixer lui-même un seuil de tolérance des défauts au-delà duquel une pièce est jugée comme défectueuse», précise Anne-Sophie Madoire-Rouzaud.
Les deux solutions sont basées sur la recherche fondamentale en intelligence artificielle dans le cadre du projet Organic AI, pour lequel AnotherBrain a levé 41 millions d’euros entre 2017 et 2019. L’idée : s’inspirer du fonctionnement du cerveau et de l’intelligence collective des insectes sociaux pour reproduire l’équivalent d’un bout de cortex sur une puce électronique. A la clé, une IA générale et portative plus frugale en données et en énergie que l’IA générative.
Des bases d'apprentissage ultra réduites
«Nos algorithmes apprennent à partir d’un nombre restreint de pièces conformes : 30 à 100 unités pour les cas plus complexes. Concrètement, ils réalisent à partir de ces éléments un modèle conforme type, et réagissent dès qu’ils identifient un élément ayant une faible probabilité d’apparaître par rapport à ce modèle.Ils sont donc en mesure de détecter tous types de défauts, y compris ceux jamais observés», détaille dans le livre blanc d’AnotherBrain Catherine Wacongne, responsable de l’équipe de recherche d’IA de l’entreprise. Un travail qui se rapproche selon la chercheuse de celui d’un opérateur humain «à qui il suffit de montrer une fois un défaut comme une inclusion dans du verre pour qu’il puisse le repérer, que ce soit sur une montre ou un flacon de parfum».
Une approche qui se distingue de celle basée sur des «défauthèques», qui nécessitent des bases de données lourdes et donc un temps d’apprentissage long et gourmand en puissance de calcul. Quand l’entraînement des modèles de Blue Phosphor ne prendrait qu’une vingtaine de minutes. Pour l’heure, AnotherBrain n’est toutefois pas en mesure d’évaluer l’impact énergétique de Blue Phosphor ni de Phosphor Quality. Mais l’entreprise dit y travailler dans le cadre de son démonstrateur Organic AI, qu’elle espère pouvoir présenter au grand public à l’horizon 2025.
