IA en contrôle qualité : performances en conditions réelles
- Les performances annoncées en laboratoire reposent sur des données plus propres et plus stables que celles de l'atelier
- Les causes d'écart : conditions d'éclairage et de prise de vue, variantes de produit, défauts rares, dérive dans le temps
- Évaluer avec les métriques qui comptent : défauts manqués, fausses alarmes, coût de chacun
- Prévoir surveillance, réentraînement et validation humaine
L’IA en contrôle qualité industriel, le plus souvent de la vision par ordinateur, trouve des défauts de surface, des assemblages incomplets ou des erreurs d’étiquetage. Les démonstrations convainquent. La mise en production réserve des surprises, et la littérature scientifique comme la pratique industrielle en décrivent les causes de façon assez cohérente.
Pourquoi l’écart apparaît
Un modèle est entraîné et évalué sur un jeu d’images. Si ces images ressemblent trop aux conditions du jour de la prise de vue, le résultat est flatteur. L’atelier introduit ensuite des variations que le jeu ne contenait pas : reflets, poussière, changement de lot de matière, nouvelle teinte, décalage de la caméra, ampoule remplacée. Ce phénomène, connu en apprentissage automatique sous le nom de décalage de distribution, explique une grande partie des déconvenues.
Cinq sources d’écart à examiner
- La prise de vue Éclairage, angle, vibrations, cadence. Bien des problèmes se règlent par l’optique avant de toucher au modèle.
- Les variantes Références produit, finitions, teintes que le jeu d’entraînement ne couvre pas.
- La rareté des défauts Peu d’exemples de chaque type, parfois aucun pour un défaut nouveau.
- L’étiquetage Des opérateurs qui ne s’accordent pas sur ce qu’est un défaut introduisent un bruit que le modèle apprend.
- La dérive Usure des outils, évolution des matières, vieillissement de l’éclairage : le modèle se dégrade lentement.
Évaluer le modèle sur des images issues des mêmes séries que l’entraînement. Gardez un jeu d’essai constitué à une autre période, sur d’autres lots, idéalement validé par des experts indépendants.
Mesurer ce qui compte
Un « taux de réussite global » masque l’essentiel, parce que les pièces bonnes dominent. Suivez séparément le rappel (part des défauts réellement détectés) et la précision (part des alertes qui sont de vrais défauts). Traduisez-les en coût : un défaut manqué part chez le client, une fausse alarme immobilise une pièce bonne et l’opérateur. Le seuil de décision se règle à partir de ces deux coûts, pas par défaut.
| Erreur | Conséquence | Indicateur |
|---|---|---|
| Défaut manqué | Retour client, risque de sécurité | Rappel par type de défaut |
| Fausse alarme | Rebut inutile, perte de temps | Précision, taux d’alertes par heure |
Le rôle de l’opérateur
Un système de contrôle par IA ne supprime pas l’humain : il déplace son rôle vers la décision sur les cas douteux et vers la qualification des erreurs. Associez les opérateurs dès la constitution du jeu de données, car ce sont eux qui savent distinguer une rayure acceptable d’un défaut rédhibitoire. Documentez ces critères dans un guide d’étiquetage commun, avec des exemples limites. Un désaccord entre deux opérateurs sur une image est une information : il signale une règle de qualité à clarifier avant d’apprendre quoi que ce soit à un modèle.
Faire vivre le système
Prévoyez dès le départ la surveillance (suivi du taux d’alertes et de la distribution des images), le réentraînement sur de nouvelles données et la relecture humaine d’un échantillon. L’opérateur doit pouvoir signaler une erreur en un geste, et ce retour nourrit la mise à jour. Pour cadrer une telle démarche, voir la solution IA en entreprise et l’expertise industrie et automates.
Pour approfondir : IA d’entreprise
Questions fréquentes
Quelle métrique privilégier ?
Cela dépend du coût des erreurs. Dans un contrôle de sécurité, un défaut manqué coûte beaucoup plus qu'une fausse alarme : le seuil se règle en conséquence, et on suit le rappel autant que la précision.
Faut-il beaucoup d'images de défauts ?
Les défauts sont rares par nature. Des méthodes de détection d'anomalies, qui apprennent le normal, ou l'augmentation de données, peuvent aider, mais ne dispensent pas de valider sur de vrais défauts.