QUAND LES MOTEURS INDUSTRIELS ET LES RÉSEAUX IOT ÉCOUTENT LES SIGNES DE PROBLÈME
Deux applications commerciales qui font passer l’IA neuromorphique de la recherche aux opérations en temps réel
Par Edward Tatchim
De la compréhension de la technologie à la
recherche de valeur
Dans mon article précédent, j’ai exploré l’IA
neuromorphique à travers l’une des idées les plus anciennes de l’informatique :
la communication.
Les ordinateurs reçoivent des signaux, représentent
l’information, changent d’état et communiquent des résultats. Les systèmes
neuromorphiques abordent ces actions différemment, mais ils n’abandonnent pas
ces fondations. Ils les prolongent.
La question suivante est naturellement
commerciale : où cette architecture pourrait-elle créer une valeur pratique ?
L’informatique neuromorphique n’améliorera pas
automatiquement toutes les charges d’IA. Une entreprise ne devrait pas
l’adopter simplement parce qu’elle est nouvelle ou parce que son inspiration
cérébrale paraît impressionnante.
Ses avantages deviennent particulièrement
pertinents lorsque les données arrivent continuellement, que les événements
importants sont relativement rares, que les décisions doivent être rapides, que
l’énergie ou la connectivité sont limitées et que l’envoi de toutes les données
brutes vers le nuage serait inefficace ou risqué.
Deux domaines illustrent bien cette
opportunité : la maintenance prédictive dans les opérations industrielles et la
détection d’anomalies en temps réel dans la cybersécurité.
L’un protège les systèmes physiques. L’autre
protège les systèmes numériques.
Tous deux commencent par écouter ce qui
change.
Première application : la maintenance
prédictive en périphérie industrielle
Toute machine en fonctionnement communique.
Un moteur vibre. Un roulement produit un son.
Une pompe génère de la pression. Un bras robotisé répète une séquence. La
température monte et descend. Le courant électrique varie avec la charge.
Pour un observateur non formé, cette activité
peut ressembler à du bruit mécanique ordinaire. Pour un système de surveillance
bien conçu, elle constitue un flux continu d’informations sur la santé de
l’équipement.
La maintenance traditionnelle suitsouvent
l’un de deux modèles.
La maintenance réactive attend la panne. Elle
peut provoquer des arrêts imprévus, des dommages, des interruptions de
production et des réparations d’urgence coûteuses.
La maintenance préventive suit un calendrier.
Elle réduit certains risques, mais peut remplacer des composants trop tôt,
exiger des inspections inutiles et manquer des défaillances qui apparaissent
entre deux interventions.
La maintenance prédictive propose une
troisième voie : intervenir lorsque le comportement réel de l’équipement
indique qu’une action devient nécessaire.
C’est ici que l’IA neuromorphique peut devenir
précieuse.
Écouter l’événement significatif
Un système conventionnel peut échantillonner
les vibrations, les sons, la température et d’autres données à intervalles
fixes. Selon l’opération, cela produit d’immenses volumes d’information. Tout
envoyer vers un serveur central nécessite bande passante, stockage, énergie et
puissance de calcul.
Pourtant, une grande partie de ces données
décrit simplement un fonctionnement normal.
Les systèmes neuromorphiques sont conçus
autour d’une activité rare et événementielle. Plutôt que de considérer chaque
instant comme également important, un capteur et un processeur neuromorphiques
peuvent concentrer le calcul sur les changements significatifs.
Un nouveau motif vibratoire apparaît.
Le rythme entre des événements mécaniques se
décale.
Un moteur produit une signature haute
fréquence jusque-là absente.
La relation entre température et charge
s’écarte du comportement établi.
Ces changements peuvent être représentés comme
des événements et évalués localement, près de la machine. Des systèmes plus
puissants restent inactifs jusqu’à ce que la couche neuromorphique détecte un
phénomène nécessitant une analyse approfondie.
La valeur commerciale ne se résume donc pas à
une « IA plus rapide ». Il s’agit d’une architecture opérationnelle plus
sélective.
Au lieu de transporter chaque signal, le
système communique les événements qui comptent.
Ce que l’entreprise pourrait gagner
Pour un opérateur industriel, les bénéfices
potentiels sont nombreux :
Réduction des arrêts imprévus. Une détection
plus précoce des comportements anormaux donne davantage de temps aux équipes de
maintenance.
Réduction des coûts énergétiques et de
données. Le traitement en périphérie limite la transmission continue de mesures
brutes.
Allongement de la durée de vie des
équipements. Les décisions de maintenance suivent plus fidèlement l’état réel
des machines.
Amélioration de la sécurité des travailleurs.
Un problème mécanique émergent peut être signalé avant de créer une situation
dangereuse.
Résilience accrue. Le traitement local
continue même lorsque la connexion au nuage est instable ou absente.
Cela ne signifie pas qu’une puce
neuromorphique devrait décider seule d’arrêter toute une usine. Le modèle le
plus solide est stratifié.
Le système neuromorphique agit comme un
premier auditeur efficace. Il détecte des motifs temporels et des événements
inhabituels. Une plateforme analytique conventionnelle ajoute le contexte
opérationnel. Les professionnels de la maintenance examinent les preuves et
déterminent la réponse.
La technologie accroît la vigilance. Le
jugement humain conserve la responsabilité.
Deuxième application : la détection
d’anomalies de cybersécurité en temps réel
Un réseau numérique communique lui aussi sans
interruption.
Des appareils se connectent. Des utilisateurs
s’authentifient. Des services échangent des requêtes. Des paquets arrivent
selon certains motifs. Des applications accèdent aux données. Et parfois, une
machine commence à se comporter différemment.
Les équipes de cybersécurité doivent
distinguer l’activité légitime de celle qui indique une compromission, un abus
ou une attaque émergente.
Cette tâche devient de plus en plus difficile.
Les entreprises exploitent des plateformes
infonuagiques, des terminaux distants, des équipements industriels, des
appareils mobiles, des API et des objets connectés. Les outils de sécurité
doivent surveiller un nombre croissant d’événements sans submerger les
analystes de fausses alertes.
De nombreuses menaces ne sont pas révélées par
une seule action. Elles apparaissent dans le rythme et la séquence.
Un appareil communique à une heure
inhabituelle.
Plusieurs échecs d’authentification sont
suivis d’une réussite.
Une connexion à faible volume se répète selon
un rythme inconnu.
Un service accède à des ressources dans une
séquence différente de son comportement habituel.
Chaque événement peut sembler bénin. Le motif
temporel peut raconter une autre histoire.
Pourquoi les réseaux impulsionnels conviennent
à ce problème
Les réseaux de neurones impulsionnels sont
naturellement sensibles aux événements et à leur temporalité. Cela en fait une
piste de recherche intéressante pour la détection d’intrusions et d’anomalies
dans des flux dynamiques.
Au lieu d’exécuter continuellement un grand
modèle sur chaque élément du trafic, une couche de sécurité neuromorphique
pourrait encoder les changements pertinents sous forme d’impulsions et réagir
aux motifs temporels en évolution.
Cette approche pourrait être particulièrement
utile pour les appareils périphériques et les environnements de technologie
opérationnelle où l’énergie, la mémoire et la bande passante sont limitées. Un
détecteur local léger surveillerait le comportement en permanence et ne
transmettrait que l’activité suspecte à des outils de sécurité conventionnels
plus puissants.
Imaginez une entreprise de vente au détail
distribuée possédant des milliers de capteurs et d’appareils proches des
systèmes de paiement.
Envoyer l’intégralité de leur télémétrie brute
dans le nuage serait coûteux et lent. Les laisser sans intelligence locale
créerait un autre risque. Un détecteur neuromorphique pourrait offrir une
couche permanente reconnaissant les comportements inhabituels près de leur
source, même lorsque le réseau est imparfait.
Une fois encore, la valeur vient de la
sélectivité.
Le système écoute continuellement sans traiter
chaque signal comme une urgence.
Ce que l’entreprise pourrait gagner
Les avantages possibles comprennent :
Une détection locale plus rapide. Les
changements suspects sont identifiés près de l’appareil plutôt que d’attendre
une analyse centralisée.
Des besoins d’infrastructure réduits. Le
traitement événementiel peut diminuer l’énergie, la mémoire et les transferts
de données.
Une meilleure couverture des appareils
contraints. Une surveillance légère étend l’intelligence à des équipements
incapables d’exécuter de grands modèles conventionnels.
Une continuité opérationnelle renforcée. La
détection locale reste disponible pendant les interruptions de connectivité.
Une meilleure hiérarchisation. La couche
neuromorphique aide à déterminer quels événements méritent une analyse plus
coûteuse.
Mais la cybersécurité rend aussi les limites
particulièrement importantes.
Les attaquants s’adaptent. Les modèles peuvent
être trompés. L’activité normale évolue. Un système entraîné sur le
comportement d’hier peut mal interpréter l’activité légitime de demain ou
manquer une attaque soigneusement dissimulée.
La détection neuromorphique ne doit donc pas
être considérée comme un remplacement magique des défenses existantes.
Elle constitue plutôt une couche dans une
architecture plus large comprenant les contrôles d’identité, le chiffrement, la
protection des terminaux, l’analytique conventionnelle, le renseignement sur
les menaces, la réponse aux incidents et l’expertise humaine.
Le détecteur inspiré du cerveau peut remarquer
un rythme inhabituel. Le programme de sécurité doit décider ce que ce rythme
signifie.
De la recherche aux produits émergents
Ces applications ne sont plus uniquement
académiques, mais leur maturité commerciale doit être décrite avec précision.
La surveillance industrielle possède aujourd’hui
le chemin le plus clair vers le déploiement pratique.
Innatera collabore avec la société de
développement de produits 42 Technology sur des systèmes de surveillance d’état
et de détection d’anomalies pour moteurs, machines et appareils connectés. Innatera
a également annoncé un travail avec Byte Lab visant la maintenance prédictive
ferroviaire grâce à des capteurs de mouvement, acoustiques et thermiques
associés à la récupération d’énergie.
BrainChip a lancé sa plateforme de référence
AkidaTag pour la détection sur batterie. L’un de ses usages industriels
annoncés consiste à détecter des anomalies de vibration et de mouvement dans
les équipements. Golana Computing, issue de Spintec-CNRS, développe des
systèmes neuronaux magnétiques bio-inspirés pour la surveillance de l’état des
machines et indique des déploiements avec des partenaires, bien que les
résultats clients publics demeurent limités.
La cybersécurité se trouve à un stade plus
précoce.
BrainChip positionne son architecture Akida
pour la détection locale de cybermenaces et d’anomalies comportementales.
D’autres fournisseurs émergents commercialisent des moteurs de sécurité
neuromorphiques, tandis que la recherche continue d’évaluer les réseaux
impulsionnels pour la détection d’intrusions.
Cependant, les exemples publics d’entreprises
nommées exploitant une telle détection à grande échelle en production restent
rares. L’activité visible comprend surtout des résultats de recherche,
plateformes de développement, affirmations commerciales, évaluations et
programmes de produits précoces.
Cette distinction est importante.
L’opportunité est réelle, mais un processeur
disponible ou une démonstration prometteuse ne constitue pas automatiquement un
déploiement opérationnel éprouvé. La stratégie la plus crédible consiste à
mener un pilote contrôlé et à le comparer à une référence conventionnelle
établie.
Le motif commercial commun
La maintenance prédictive et la cybersécurité
peuvent sembler très différentes.
L’une écoute les roulements, moteurs, pressions
et vibrations. L’autre écoute les appareils, utilisateurs, paquets et
applications.
Pourtant, leur structure sous-jacente est
similaire.
Les deux environnements génèrent des flux
continus de signaux.
La plupart des activités sont ordinaires.
De petits changements de rythme ou de
comportement peuvent avoir une importance disproportionnée.
Le coût d’une détection tardive peut être
considérable.
Et envoyer chaque signal brut vers un système
central n’est pas toujours la conception la plus efficace.
L’informatique neuromorphique propose une
couche de première réponse : observer localement, traiter de manière sélective,
identifier les changements significatifs et communiquer lorsque l’attention
devient nécessaire.
C’est une proposition commerciale beaucoup
plus précise que de simplement affirmer qu’une puce « fonctionne comme le
cerveau ».
Par où une entreprise devrait-elle commencer ?
Le bon point de départ n’est pas l’achat de
matériel neuromorphique.
Il faut d’abord identifier un processus
présentant les bonnes caractéristiques.
Traitons-nous des données continues issues de
capteurs ou de flux d’événements ?
La majorité de ces données est-elle répétitive
ou sans événement notable ?
La temporalité des changements est-elle
importante ?
Une décision locale réduirait-elle la latence,
la bande passante, l’énergie ou l’exposition des données ?
La couche neuromorphique peut-elle s’intégrer
aux systèmes existants au lieu de tout remplacer ?
Pouvons-nous mesurer le résultat par les
arrêts évités, la rapidité de détection, la diminution des fausses alertes,
l’énergie économisée ou les coûts de transfert réduits ?
Si les réponses sont convaincantes, l’étape
suivante devrait être une expérience limitée.
Sélectionnez une machine, une ligne de
production, une catégorie d’appareils ou un segment de trafic. Établissez une
référence conventionnelle. Testez l’approche neuromorphique sur des résultats
opérationnels mesurables. Incluez les personnes qui devront agir sur les
alertes.
L’innovation devient utile lorsque la capacité
technique est reliée à une décision clairement définie.
Le signal est simple. La valeur est dans la
réponse.
L’IA neuromorphique ne crée pas de valeur
commerciale simplement parce qu’elle détecte une impulsion.
La valeur apparaît lorsque cette impulsion
arrive assez tôt, consomme suffisamment peu de ressources et communique quelque
chose d’assez significatif pour que l’entreprise puisse agir.
Dans une usine, cette réponse peut empêcher la
défaillance d’un roulement et plusieurs heures d’arrêt.
Dans un réseau numérique, elle peut isoler un
appareil compromis avant qu’un comportement inhabituel ne devienne un incident
majeur.
Les systèmes sont avancés, mais le principe
reste familier.
Écouter attentivement. Reconnaître le
changement. Communiquer ce qui compte. Agir avec discernement.
L’avenir de l’IA en entreprise ne dépendra
peut-être pas uniquement de systèmes traitant davantage d’informations.
Il dépendra peut-être aussi de systèmes
sachant quand une information mérite d’être traitée.
Question pour la conversation : quelle partie de votre entreprise ladétection plus précoce d’un petit changement créerait-elle le plus de valeur ?
Edward Tatchim
