Le BMBF soutient un projet de recherche sur l'intelligence artificielle dans la conception

Le ministère fédéral de l'Éducation et de la Recherche (BMBF) finance à hauteur d'environ 1,8 million d'euros un projet de recherche sur les bases d'un développement de produits numérisé. Le projet, qui est initialement prévu pour trois ans, est dirigé par Daimler AG ; l'équipe du Prof. Dr. Klaus-Robert Müller, professeur en apprentissage automatique à l'Université technique de Berlin, participe avec une subvention d'environ 630 000 euros.

Avec la numérisation croissante de l'industrie, les prototypes numériques dans la Conception Assistée par Ordinateur (CAO), l'Ingénierie Assistée par Ordinateur (IAO) ou encore la Fabrication Assistée par Ordinateur (FAO) permettent d'analyser un nouveau produit à l'aide de simulations. Ainsi, certains tests peuvent être effectués uniquement sur ordinateur, avant même la construction d'un premier prototype. Cela permet, par exemple, d'essayer différentes alternatives de conception – sans avoir besoin de construire un modèle physique.

Le nouveau projet de recherche Artificial Intelligence Aided x (AIAx) vise à aider à maîtriser la digitalisation du processus de développement de produits avec de grands ensembles de données complexes et à soulager les concepteurs et conceptrices des tâches routinières chronophages. La question centrale de la recherche est : comment faire évoluer les méthodes existantes de l'intelligence artificielle pour soutenir la force traditionnelle de l'industrie dans le développement de produits techniques de haute qualité ? L'objectif de ce projet est qu'à moyen terme, les termes actuellement utilisés dans l'industrie, à savoir CAO, IAO et FAO, soient remplacés par Artificial Intelligence Aided Design/Engineering/Manufacturing – en abrégé AIAx.

Dans le processus de conception, l'expérience constitue un savoir précieux. Cependant, ces connaissances empiriques sont difficiles à formaliser et ne peuvent donc être transmises qu'avec difficulté aux jeunes professionnels. Grâce à l'utilisation de certains algorithmes d'apprentissage automatique, il serait toutefois possible, par exemple, de reconnaître des motifs dans les données d'une conception CAO et de les utiliser de manière plus efficace.

Chaque simulation génère d'énormes quantités de données, qui doivent encore être analysées par des ingénieurs et ingénieures pour détecter des défauts et des lacunes dans la conception, puis pour les améliorer progressivement. Des méthodes d'apprentissage automatique spécialement développées devraient analyser automatiquement ces données de manière intelligente et proposer d'éventuelles améliorations. Une telle automatisation du processus d'analyse permettrait non seulement d'accélérer la conception, mais aussi de libérer plus de temps pour les ingénieurs et ingénieures afin de développer des designs et des idées innovants.

L'Université technique de Berlin apporte, en tant que partenaire de recherche solide, son expérience de longue date dans la recherche fondamentale sur les méthodes d'apprentissage automatique (ML) et l'IA dans le nouveau projet AIAx. Le groupe de travail de Klaus-Robert Müller a apporté des contributions importantes aux machines à vecteurs de support ainsi qu'à la « Artificial Intelligence Explicable » (Intelligence Artificielle Expliqueable) et a favorisé l'établissement des méthodes de ML en chimie quantique. Nous nous concentrerons dans ce projet principalement sur des thèmes tels que « l'apprentissage profond efficace » et « l'explicabilité et la robustesse » des méthodes de ML en cours de développement, explique Klaus-Robert Müller.

Rendre les processus de décision des méthodes de ML transparents – c'est-à-dire explicables – vise à augmenter leur acceptation dans la pratique et à rendre possible leur application industrielle. Pourquoi la méthode d'apprentissage automatique prend-elle telle décision ? « Nous souhaitons étudier différentes formes de représentation du processus décisionnel à l'aide d'une étude sur des sujets. Comment la justification doit-elle être présentée ? Quelles informations sont pertinentes ? En ce qui concerne l'acceptation des méthodes de ML, l'explicabilité est un aspect important. Car la responsabilité finale revient au concepteur », explique Klaus-Robert Müller.

AIAx réunit, en tant que projet collaboratif, des partenaires issus de l'industrie et de divers instituts de recherche. Le caractère interdisciplinaire du projet se reflète dans la composition du consortium. Ainsi, en plus de l'Université technique de Berlin, participent Daimler AG, DYNAmore GmbH, Endress+Hauser Maulburg SE & Co. KG, l'Institut de technologie de Karlsruhe et la société USU Software AG.