Jouer les pourcentages

En termes généraux, l’intelligence artificielle (IA) est l’intelligence démontrée par les machines. Cette définition indique que l’IA couvre un large éventail de sujets. Par exemple, un algorithme assez simple mis en œuvre via des circuits électroniques pourrait être considéré comme de l’IA dès que le système commence à montrer un comportement intelligent (par exemple, si la température de la machine atteint un certain seuil, la machine saura s’éteindre d’elle-même).

Les améliorations de l’IA ont permis à la technologie de réaliser l’apprentissage profond, la reconnaissance d’images et la reconnaissance vocale. Bien que la recherche sur l’IA existe depuis les années 1940, les progrès de la puissance de calcul au cours des dernières décennies ont finalement permis à l’IA de franchir des étapes plus remarquables. Dans ses versions antérieures, l’IA a battu le meilleur joueur d’échecs humain en 1997. Puis, en 2017, l’IA a été capable de battre le meilleur joueur humain de Go.

L’IA est utilisée depuis des années dans des applications de recyclage, également. En ce qui concerne l’utilisation de l’IA dans la vision artificielle, comment exactement les machines identifient-elles un objet et si c’est quelque chose qui doit être conservé dans le flux ou retiré ? Ce sont des défis clés à résoudre liés à l’utilisation de l’IA dans les technologies de tri des produits recyclables.

Histoire de l’IA dans le tri

L’utilisation de l’IA dans le tri a commencé avec des systèmes dans les années 1970 à 1980. Ces systèmes étaient basés sur des capteurs optiques et de l’électronique qui comparaient des valeurs de gris ou des couleurs. En fonction du rapport entre ces couleurs, le circuit électronique prenait une décision basée sur des règles pour garder ou éjecter le matériau. Par exemple, le premier distributeur automatique inversé (RVM) reconnaissait la forme d’une bouteille en fonction de l’ombre qu’elle générait et qui était détectée par des capteurs optiques prépositionnés.

Au début des années 1990, la classification basée sur les pixels des images de caméras en niveaux de gris et en couleurs était utilisée en combinaison avec une électronique sur mesure, ce qui limitait les capacités de l’IA en termes de seuils et de décisions. Avec l’émergence des ordinateurs personnels (PC), il est devenu possible d’utiliser cette technologie pour la classification des images.

Une technologie de caméra personnalisée a été utilisée pour acquérir des propriétés spectrales spécifiques et de meilleures possibilités de regroupement, ce qui a permis d’améliorer la précision de l’IA. Il a ainsi été possible d’attribuer à chaque pixel une classe de matériau spécifique en fonction de son contenu spectral. La couleur n’était plus le seul critère d’identification.

Cette technologie a ensuite été associée à la reconnaissance d’objets à la fin des années 1990, ce qui a permis de regrouper différents pixels aux propriétés similaires et de les combiner en un objet.

Dans les années 2000, des systèmes d’imagerie hyperspectraux sont devenus disponibles, et la puissance des PC a encore augmenté. Les réseaux de neurones artificiels (ANN) ont commencé à être disponibles pour les problèmes de classification dans le traitement des données. Sur la base d’échantillons préalablement entraînés pour l’application et la machine spécifiques, cette classe d’IA peut désormais combiner différentes caractéristiques et propriétés pour effectuer une classification. En conséquence, des matériaux plus complexes ont pu être détectés et un autre niveau de précision de tri a été atteint.

Plus tard dans les années 2000, les machines dites à vecteurs de support (SVM) sont devenues disponibles. Bien que cela ressemble à une machine physique, il s’agit de modèles mathématiques qui permettent à une machine de définir des clusters dans un espace multidimensionnel. Le stockage des résultats dans des tableaux sur le trieur physique a encore amélioré les performances.

Le point commun à toutes les formes d’IA mentionnées précédemment et utilisées pour le tri est le fait que les aspects dits de formation ou d’apprentissage de l’IA doivent être supervisés. Dans l’exemple très simple du RVM des années 1970, l’ingénieur devait physiquement placer le capteur optique au bon endroit, et un ensemble d’échantillons étiquetés devait être disponible pour l’apprentissage du système avant de mettre le trieur en service.

AI aujourd’hui

Aujourd’hui, l’apprentissage initial du système nécessite un ingénieur en vision par ordinateur pour définir les caractéristiques pertinentes pour la tâche de tri. Cela génère des vecteurs de caractéristiques à partir des données d’image, qui sont ensuite utilisés conjointement avec les étiquettes pour l’apprentissage automatique de l’ANN ou du SVM. Comme l’entraînement se fait automatiquement sans interaction de la part de l’ingénieur, cette approche est appelée apprentissage non supervisé.

La prochaine étape dans l’évolution de l’IA dans le tri consiste à déployer des méthodologies d’apprentissage profond qui sont devenues disponibles dans les années 2010 et sont maintenant utilisées dans une gamme d’applications. Ces types de réseaux ont été inventés il y a plusieurs décennies. En raison d’une augmentation massive de la puissance de traitement des unités de traitement graphique modernes et de millions d’images généralement disponibles et étiquetées, il est désormais possible de les appliquer à des problèmes pratiques.

Les réseaux neuronaux convolutifs dits profonds sont toujours un ANN ; mais, par rapport aux premières dérivations, ils ont un nombre beaucoup plus important de couches et de neurones. Par conséquent, les réseaux sont plus puissants. Cependant, ils nécessitent également beaucoup plus de données d’entraînement que les approches traditionnelles.

Le principal avantage des réseaux neuronaux convolutifs est que l’étape d’extraction des caractéristiques est également réalisée automatiquement lors de la formation du réseau. Par conséquent, un ingénieur en vision par ordinateur n’a plus besoin de définir manuellement les caractéristiques pertinentes pour la tâche. Typiquement, les premières couches du réseau génèrent des caractéristiques, qui sont intégrées dans des caractéristiques plus complexes dans les couches suivantes, puis classées dans les dernières couches.

Ces réseaux peuvent être combinés presque comme des blocs de construction, chacun étant pré-entraîné pour une certaine tâche. En procédant ainsi, la conception peut être adaptée à l’application en cours. Les technologies d’apprentissage profond ont un impact majeur dans la reconnaissance d’images en particulier.

Un aperçu de l’avenir

La phase actuelle de développement de l’IA – en particulier les aspects d’apprentissage profond – permettra à l’industrie du recyclage de relever des défis actuellement non résolus.

Aujourd’hui, une station de tri manuel en fin de ligne est toujours nécessaire pour améliorer la qualité du produit final au niveau souhaité. Un exemple pourrait être vu avec les cartouches de silicium, qui ne sont pas souhaitables dans un flux de polyéthylène. Pour les ramasser avec un robot, ou pour les éjecter par un dernier trieur optique, il faudrait d’abord les détecter.

Pour cette capacité, l’IA et l’apprentissage profond joueront un rôle important pour améliorer l’efficacité. La combinaison de ces nouvelles formes d’IA avec le potentiel du big data (par exemple, avec les données que nous pouvons déjà collecter auprès des machines aujourd’hui) ouvrira encore plus de possibilités pour augmenter la production, réduire les coûts et améliorer la qualité.

Il y a cette idée que l’IA d’aujourd’hui est comme trouver un déjeuner gratuit et un vilain petit canard. Ces deux idées sont des théorèmes mathématiques réels qui se rapportent au sujet de l’intelligence artificielle.

Le premier théorème affirme essentiellement qu’aucune solution d’IA n’est supérieure à toutes les autres pour une application spécifique. Chaque solution peut avoir certains avantages qui viennent au prix de certains inconvénients ailleurs – par conséquent, il n’y a pas une telle chose comme un « déjeuner gratuit ».

Le théorème du vilain petit canard est similaire, affirmant qu’il n’existe pas de jeu de fonctionnalités optimal pour toutes les applications. Même si nous pouvions trouver une IA générique qui résout de nombreux défis différents, elle ne correspondrait pas à au moins une application ou un problème et ne fournirait pas une solution appropriée – ce qui en fait le « vilain petit canard ».

Avec cela en tête, nous devrions rester modestes dans nos attentes concernant ce qui est possible avec les réseaux neuronaux convolutifs et l’apprentissage profond. Il existe de nombreux exemples où l’apprentissage profond résout des problèmes de reconnaissance difficiles et peu structurés, mais pour d’autres tâches de tri, d’autres approches d’IA auront de meilleures performances. Trouver la bonne combinaison de différents types d’IA a été essentiel dans le passé et restera une clé pour garantir les meilleures performances de tri des produits recyclables à l’avenir.

L’intelligence artificielle est déployée dans l’industrie du recyclage depuis un certain temps. Pourtant, les possibilités que l’apprentissage profond peut offrir lorsque les domaines de la vision artificielle et de l’apprentissage automatique sont réunis sous un même toit sont nouvelles et passionnantes pour l’industrie.

Les auteurs sont vice-présidents avec des responsabilités de recherche pour TOMRA Sorting GmbH, www.tomra.com/en/sorting/recycling, basé en Allemagne, qui fait partie de TOMRA Systems ASA, basé en Norvège.