Glossaire IA
Industrielle

Technique d'IA qui identifie automatiquement des patterns anormaux dans des données visuelles ou temporelles. En contexte industriel, elle détecte les défauts de surface, les comportements machines atypiques ou les déviations de processus sans avoir besoin d'exemples étiquetés d'anomalies. ORYS utilise notamment des autoencodeurs et des méthodes de détection d'outliers pour les cas où les défauts sont rares.

Ordinateur industriel durci qui contrôle les équipements de production (convoyeurs, robots, vannes). Communicant via OPC-UA, Modbus TCP ou PROFINET, il est le point d'intégration naturel pour les solutions IA d'ORYS : les alertes de l'IA peuvent déclencher des actions directement sur la ligne (arrêt, tri, alarme) sans intervention humaine.

Technique de vision 3D permettant à un robot de saisir des pièces en vrac dans un bac, sans positionnement prédéfini. Le système IA localise chaque pièce en 3D, calcule la pose optimale de préhension et guide le bras robotique. Utilisé dans les lignes d'assemblage automobile et aéronautique pour alimenter des postes sans opérateur de conditionnement.

Rectangle délimitant un objet détecté dans une image. Sortie standard des modèles de détection d'objets (YOLO, Faster R-CNN). Chaque box est associée à une classe (ex. "défaut", "pièce", "EPI") et un score de confiance. La précision de la bounding box est mesurée par l'IoU (Intersection over Union).

Domaine de l'IA permettant aux systèmes informatiques d'interpréter et d'analyser des images et vidéos. En industrie, elle automatise l'inspection visuelle, la détection de défauts, le comptage, la traçabilité et la détection EPI. Les modèles modernes (YOLO v9/v10) atteignent des précisions supérieures à 99% sur caméras standard à latence inférieure à 5ms en edge.

Probabilité entre 0 et 1 qu'un modèle associe à chaque prédiction. Un seuil (threshold) est fixé pour décider si la détection est retenue. En contrôle qualité, un seuil élevé (ex. 0.95) réduit les faux positifs (pièces bonnes rejetées) mais peut augmenter les faux négatifs (défauts passés). Le calibrage du seuil est une étape critique du déploiement.

Sous-domaine du machine learning utilisant des réseaux de neurones à multiples couches (deep neural networks). Base technique de toutes les solutions de Computer Vision modernes. Les CNN (Convolutional Neural Networks) extraient automatiquement des caractéristiques visuelles hiérarchiques : bords → formes → textures → objets complexes.

Réplique virtuelle d'un équipement, d'une ligne ou d'un process industriel alimentée en temps réel par des capteurs physiques. Couplé à l'IA, il permet de simuler des scénarios de défaillance, d'optimiser les paramètres de production et de tester des modifications sans impacter la production réelle. ORYS intègre ses modèles IA dans les jumeaux numériques via OPC-UA et MQTT.

Paradigme où le calcul se fait au plus près de la source de données (la machine, la caméra, le capteur) plutôt que dans un datacenter distant. En IA industrielle, cela signifie déployer les modèles sur un GPU local en usine. Avantages : latence <5ms (impossible en cloud), zéro dépendance réseau, données qui ne quittent jamais le site. ORYS déploie exclusivement en edge on-premise sur NVidia Jetson Orin.

Processus d'adaptation d'un modèle IA à des données spécifiques. Le fine-tuning part d'un modèle pré-entraîné (ex. YOLO entraîné sur ImageNet) et l'affine sur vos images de production. Avantage : quelques centaines d'images suffisent contre des millions pour un entraînement from scratch. ORYS peut atteindre 99%+ de précision avec 200-500 images annotées de vos défauts spécifiques.

Faux positif (FP) : le modèle détecte un défaut là où il n'y en a pas → pièce bonne rejetée → perte économique. Faux négatif (FN) : le modèle rate un défaut réel → pièce défectueuse acceptée → risque qualité. L'optimisation industrielle cherche à minimiser les FN (défauts non détectés) sans exploser les FP (surrejet). ORYS calibre ce compromis selon vos exigences qualité et vos coûts de non-conformité.

Processeur massivement parallèle, essentiel pour l'inférence IA temps réel. Là où un CPU a 8-32 cœurs, un GPU NVidia Jetson Orin en a 2048. Ce parallélisme permet d'analyser 30-60 images/seconde avec des modèles de détection complexes. Le choix du GPU edge (Jetson Nano vs Orin vs AGX) dépend du nombre de caméras, de la résolution et de la latence cible.

Visualisation qui représente la densité d'événements dans l'espace par un gradient de couleur (froid=bleu, chaud=rouge). En logistique, une heat map des déplacements piétons révèle les zones de congestion, les chemins non optimaux et les zones à risque. ORYS génère ces cartes en temps réel à partir du suivi vidéo multi-caméras.

Réseau de capteurs, machines et systèmes interconnectés dans un environnement industriel. Les données IIoT (vibrations, températures, pressions, comptages) alimentent les modèles d'IA d'ORYS pour la maintenance prédictive. Protocoles standards : MQTT (publication/souscription léger), OPC-UA (communication sécurisée machine-à-machine), Modbus TCP (SCADA legacy).

Phase opérationnelle d'un modèle IA où il produit des prédictions sur de nouvelles données (par opposition à l'entraînement). En production industrielle, l'inférence doit être ultra-rapide (<5ms) et fiable 24/7. ORYS optimise l'inférence via TensorRT (compiler NVidia), ONNX Runtime et la quantification INT8 qui réduit le temps de calcul de 3× sans perte notable de précision.

Métrique de précision de la localisation d'une bounding box. Mesure le ratio entre l'intersection et l'union de la boîte prédite et de la boîte de référence. IoU de 1 = localisation parfaite. Standard industriel : IoU > 0.75 pour valider une détection. La mAP (mean Average Precision) agrège l'IoU sur tous les seuils de confiance.

Délai entre l'acquisition d'une image et la disponibilité du résultat IA. Critique en contrôle qualité sur ligne rapide : une ligne à 200 pièces/minute laisse 300ms par pièce. Une latence <5ms (edge ORYS) garantit 1 analyse par frame à 60fps. En cloud, la latence réseau seule dépasse 50-200ms, incompatible avec les lignes haute cadence.

Grand modèle de langage (GPT, Claude, Llama) adapté au contexte industriel. Utilisé pour l'analyse de documentation technique, la génération de rapports de maintenance, les interfaces opérateurs en langage naturel et les systèmes RAG sur les bases de données qualité. ORYS intègre LangChain RAG sur les données de production pour permettre aux opérateurs d'interroger l'historique machine en langage naturel.

Approche de maintenance qui anticipe les pannes machines avant qu'elles surviennent, en analysant en continu les signaux des capteurs (vibrations, températures, courants moteur). Un modèle IA apprend les patterns précédant les pannes historiques et déclenche des alertes J-3 à J-7 avant la défaillance prévue. Réduit typiquement les arrêts non planifiés de 40-80% et le stock de pièces de rechange de 20-30%.

Ensemble de pratiques pour déployer, surveiller et maintenir des modèles ML en production. Comprend le versioning des modèles, le monitoring des dérives (concept drift), la réentraînement automatique et les pipelines CI/CD pour les modèles IA. En contexte industriel, le drift est critique : un modèle entraîné en été peut dériver en hiver si l'éclairage change. ORYS intègre des alertes de drift dans ses dashboards.

Protocole de messagerie léger publish/subscribe, standard de facto de l'IoT industriel. Un broker MQTT (ex. Mosquitto, HiveMQ) distribue les messages entre producteurs (capteurs, caméras IA) et consommateurs (dashboards, PLC, bases de données). Charge réseau minimale, idéal pour réseaux industriels contraints. ORYS publie les événements IA (détection, alerte) en JSON sur topics MQTT configurables.

KPI universel de productivité industrielle = Disponibilité × Performance × Qualité. Un TRS de 85% est considéré excellent. L'IA visuelle ORYS améliore les 3 composantes : Disponibilité (+détection micro-arrêts, maintenance prédictive), Performance (+mesure temps de cycle réels, élimination gaspillages), Qualité (+contrôle 100% pièces, -rebuts). Un gain de 5 points de TRS sur une ligne moyenne équivaut à 500k€-1M€/an de valeur produite.

Format ouvert d'échange de modèles IA entre frameworks (PyTorch → ONNX → TensorRT). Permet d'entraîner en PyTorch puis de déployer optimisé sur n'importe quel hardware. ORYS exporte tous ses modèles en ONNX pour garantir la portabilité : vos modèles ne dépendent pas d'un framework propriétaire et peuvent être ré-utilisés sur différents hardwares.

Protocole de communication machine-à-machine sécurisé, standard ISA-95 pour l'Industrie 4.0. Permet l'échange de données structurées entre automates (Siemens S7, Schneider M340), SCADA, MES et systèmes IA. ORYS utilise OPC-UA pour lire l'état des machines et envoyer des commandes en retour depuis les modèles IA (ex. arrêt automatique si défaut critique détecté).

Démonstrateur opérationnel qui valide la faisabilité technique d'une solution IA sur un cas d'usage réel. Le POC ORYS est livré en moins de 24 heures : installation caméra, configuration GPU edge, entraînement modèle sur quelques images de référence, premier résultat visible le jour même. Le POC n'est pas un prototype fragile — c'est la version 0.1 du système de production.

Deux métriques complémentaires. Précision = parmi les défauts détectés, combien sont réels ? Rappel = parmi les défauts réels, combien ont été détectés ? Le F1-Score est leur moyenne harmonique. En industrie, le compromis dépend du coût : un défaut aéronautique non détecté (FN) est plus coûteux qu'une pièce bonne rejetée (FP) → on favorise le rappel.

Architecture IA qui combine recherche dans une base de données vectorielle et génération de texte (LLM). En contexte industriel, RAG permet de créer des assistants conversationnels ancrés dans VOS données : "Quelle est la fréquence des défauts de type X sur la ligne 3 ce mois ?" → le RAG cherche dans la base historique et génère une réponse précise. ORYS déploie LangChain RAG sur les données de production.

Ratio (Gains - Investissement) / Investissement. ORYS calcule systématiquement le ROI avant tout déploiement. Les leviers typiques : réduction rebuts (-40 à -90%), économies main-d'œuvre contrôle, réduction arrêts non planifiés, évitement coûts de non-conformité (rappels, pénalités). Dans les projets ORYS, le ROI est typiquement atteint en 3 à 6 mois.

Protocole standard de streaming vidéo sur réseau IP. La quasi-totalité des caméras industrielles IP (Basler, Hikrobot, Axis, Hanwha) exposent un flux RTSP. ORYS se connecte directement à ces flux sans installer de driver ni remplacer les caméras existantes. Un déploiement ORYS standard utilise 4 à 12 caméras RTSP existantes sans achat de nouveau matériel.

Niveau avancé de détection qui identifie les pixels exacts appartenant à chaque objet (vs. bounding box qui donne seulement le rectangle). La segmentation sémantique classe chaque pixel, la segmentation d'instance distingue les instances individuelles. Utilisée pour la détection précise de défauts de surface irréguliers, la mesure de zones endommagées et l'inspection de soudures.

Compilateur d'inférence NVidia qui optimise les modèles IA pour les GPU CUDA. Réduit la latence d'inférence de 2× à 5× par rapport à PyTorch natif. Applique la quantification (FP32 → INT8), la fusion de couches et l'optimisation du graphe d'opérations. Permet à ORYS d'atteindre <5ms de latence sur Jetson Orin pour des modèles YOLO v10n haute résolution.

Réutilisation d'un modèle pré-entraîné sur une large base de données (ex. COCO, ImageNet) comme point de départ pour un modèle spécialisé. Le modèle a déjà appris à reconnaître des formes, textures et structures générales. Le fine-tuning ajoute vos défauts spécifiques en quelques heures. Résultat : 200 images de vos défauts suffisent là où il en faudrait 50 000 without transfer learning.

Famille d'architectures de détection d'objets en temps réel, référence absolue en Computer Vision industrielle. Contrairement aux approches en 2 étapes (Faster R-CNN), YOLO prédit en un seul passage réseau bounding boxes et classes simultanément. YOLO v9/v10 (2024) atteint un équilibre précision/vitesse inégalé : mAP50 de 93%+ à 200fps sur GPU milieu de gamme. ORYS utilise YOLO v9/v10 comme backbone principal pour ses déploiements industriels.