La différence entre l'IA supervisée et non supervisée pour l'inspection des aliments

Cet article a été initialement publié dans Fabrication d'aliments et de boissons au Royaume-Uni.

L'intérêt suscité par l'inspection assistée par l'IA est indéniable. Cependant, il est essentiel que les entreprises de transformation alimentaire reconnaissent que les technologies d'IA ne sont pas toutes équivalentes.

Comment les technologies d'inspection alimentaire basées sur l'IA « apprennent-elles » ?

Bien qu'il existe de nombreuses nuances, il existe deux manières de former un système d'inspection de la production alimentaire basé sur l'IA. La première méthode est appelée « formation supervisée ». Dans Supervised AI, le système affiche plusieurs images acceptables et inacceptables de produits pour créer un modèle d'IA. Qu'il s'agisse d'une ecchymose sur une pomme de terre ou d'un papier sur une ligne de découpe de bœuf, cela peut devenir un modèle d'IA.

Avec les applications d'IA supervisées, un expert en formation à l'IA humaine guide ou corrige continuellement l'IA dans sa prise de décision. Au fil du temps, l'IA commence à prendre des décisions en matière d'assurance qualité ou d'inspection de matières étrangères de manière indépendante, mais un élément humain reste essentiel au système.

Comme les technologies d'IA supervisée prennent leurs décisions en fonction des données utilisées pour entraîner les modèles, elles peuvent avoir du mal à détecter des anomalies ou des matériaux étrangers non inclus dans leur ensemble de données d'entraînement. Un data scientist qualifié peut entraîner le modèle à détecter les imprévus, mais avec un degré de précision moindre.

L'autre méthode de formation à l'IA est la « formation non supervisée ». Une IA non supervisée doit prendre ses propres décisions concernant les caractéristiques des produits, les anomalies ou les matériaux étrangers sans exemples ni directives explicites. Les systèmes d'IA non supervisés apprennent leurs critères de manière autonome, ce qui signifie qu'ils peuvent s'adapter aux changements de processus ou aux variations de matières étrangères au fil du temps. Néanmoins, leurs résultats peuvent être imprévisibles et risqués.

Bien que l'on trouve rarement une véritable application d'IA non supervisée dans le domaine de l'inspection des produits alimentaires, un transformateur peut déployer son système d'IA sans que son opérateur reçoive la formation appropriée pour corriger l'IA si sa précision fluctue. Des corps étrangers non détectés peuvent entraîner des rappels de produits coûteux.

Dans certains cas, un modèle non supervisé peut être plus à même de détecter des anomalies imprévues, mais il s'accompagne d'un nombre croissant de faux positifs, ce qui entraîne un gaspillage de produits coûteux.

Posez les bonnes questions à votre fournisseur de technologie d'IA

Méfiez-vous des fournisseurs de technologies qui proposent une plateforme d'IA prête à l'emploi et prête à l'emploi. La formation d'un système d'inspection par IA est un processus itératif qui peut prendre du temps en fonction de la complexité de la caractéristique du produit ou de la matière étrangère que l'opérateur souhaite détecter. Chaque ligne de traitement, même au sein d'une même installation, est unique. Déployer un système d'IA et s'attendre à ce qu'il comprenne instantanément les produits et les différents matériaux que les opérateurs souhaitent inspecter ou détecter sans un programme de formation solide géré par un expert en IA produira probablement des résultats indésirables.

Les technologies d'inspection basées sur l'IA sont essentielles pour aider les transformateurs alimentaires à optimiser leurs capacités et à résoudre les problèmes de main-d'œuvre, mais leur efficacité dépend du soutien et de la formation dont ils bénéficient.

‍