Quel que soit son rôle dans les opérations, l'IA a deux missions dans le secteur manufacturier :
- Agissez vite et prenez des mesures immédiates au niveau de la machine
- Apprenez de manière transversale pour améliorer continuellement vos performances.
Mais ces charges de travail n'ont pas les mêmes exigences.’ Certaines décisions doivent être prises en temps réel, là même où les données sont créées. D'autres s'appuient sur l'analyse des tendances observées sur les chaînes de production, les usines et les flottes.
Pour gérer tout ce que l'IA est amenée à faire, la plupart des fabricants partent du principe qu'ils ont besoin de deux environnements informatiques : le edge computing pour la vitesse et la réactivité, et le cloud pour l'évolutivité et l'entraînement.
Mais l'avenir de l'IA dans le secteur manufacturier dépend de notre capacité à bien utiliser les deux.
Pourquoi une approche opposant l'IA cloud à l'IA edge est insuffisante
On parle généralement de l'IA cloud et de l'IA edge comme d'un choix binaire : vous choisissez l'environnement qui convient le mieux à votre charge de travail et vous construisez votre système autour. Mais cette approche impose des compromis inutiles.
Pourquoi le cloud seul ne suffit pas
Une approche exclusivement basée sur le cloud peut se justifier lorsque votre objectif est d'entraîner des modèles ou de comparer des données entre différents sites pour obtenir une vue d'ensemble des performances. Mais cela se complique lorsque votre application dépend d'une réponse immédiate de la machine . Envoyer tous les signaux vers le cloud peut engendrer des coûts inutiles et des problèmes de bande passante.
Même un court délai compte lorsque le modèle surveille une panne ou une anomalie afin de pouvoir réagir ; les données doivent transiter par le cloud puis revenir avant que quoi que ce soit puisse se produire.
Pourquoi la méthode Edge-only ne suffit pas
Une approche basée uniquement sur les bords résout le problème de vitesse, mais crée de nouvelles limitations. Le traitement en périphérie est rapide mais isolé ; il n'offre pas de visibilité sur ce qui se passe sur différents sites. Sans le cloud, les modèles ne peuvent pas apprendre à partir de vastes ensembles de données, et les tendances restent cantonnées à certains sites ou sont tout simplement ignorées.
Par exemple, si un schéma de vibration sur une machine CNC s'avère être un signe avant-coureur de défaillance de la broche, les autres usines utilisant des équipements similaires ne bénéficieront jamais des enseignements tirés de cette seule machine.
L'IA hybride représente une meilleure voie à suivre.
L'avenir de l'IA dans le secteur manufacturier est axé sur le local et le cloud. Tous les signaux n'ont pas besoin de quitter l'atelier.
C’est pourquoi de nombreux fabricants se tournent vers un modèle hybride : ’IA cloud + IA edge au lieu de IA cloud vs. IA edge . Chaque couche joue un rôle central dans la résolution de différentes parties des mêmes défis industriels. Ensemble, ils créent une approche immédiate et évolutive de la prise de décision en atelier, ce dont l'IA industrielle a besoin.
La périphérie gère les tâches urgentes, tandis que le cloud prend en charge un apprentissage plus large, une coordination à l'échelle de la flotte et une optimisation à long terme. Cela permet aux constructeurs de prendre des décisions au plus près de la machine sans perdre de vue les tendances générales du parc ni les gains de performance à long terme.
L'IA hybride en action : détection d'anomalies
Parlons de la détection d'anomalies en temps réel comme exemple de ce qu'une architecture locale d'abord, compatible avec le cloud, peut faire.’
Nous avons partagé cette démonstration à HANNOVER MESSE 2026 en avril, avec Storm Reply et Amazon Web Services (AWS), pour montrer comment une architecture d'IA hybride alimentée par les solutions de connexion complètes de Belden offre le meilleur des deux mondes. ’ La réponse qui a suivi a clairement montré une chose : les fabricants sont impatients de trouver des moyens de faire fonctionner ensemble l’IA du cloud et l’IA en périphérie.
Dans cette configuration, le dispositif périphérique surveille les comportements anormaux des machines, filtre les informations pertinentes et conserve les données de production brutes sur le lieu de production. Cela se fait en exécutant AWS IoT Greengrass v2 sur le dispositif périphérique Belden pour l'acquisition et le prétraitement des données et en utilisant un modèle d'IA Isolation Forest pour l'évaluation du comportement.
Nous avons également exécuté CloudRail en tant que composant Greengrass conteneurisé pour la normalisation des données IO-Link. Cela permet au système d'analyser le comportement moteur en temps réel, là même où les données sont générées. Il n'y a pas besoin d'attendre la réponse d'un système distant.’ Il en résulte des décisions plus rapides et un délai plus court entre la détection et l'action.
Seules les données et les indicateurs pertinents étaient transférés périodiquement vers le cloud pour entraîner les modèles et assurer une visibilité intersites. Cela garantit une utilisation efficace de la bande passante et réduit les coûts d'ingestion et de stockage dans le cloud. Cela se fait par le biais de téléchargements MQTT par lots (toutes les 10 minutes) vers AWS S3 au lieu d'un flux par échantillon avec IoT Core. Les services cloud AWS ont été utilisés pour l'entraînement et le versionnage des modèles ; les modèles mis à jour sont renvoyés en périphérie via Greengrass.
Ce que les chiffres révèlent
Avec cette configuration, les résultats ont été exceptionnels et ont véritablement illustré la puissance de la combinaison de l'IA en périphérie et dans le cloud :
-
Temps d'inférence : ~63 ms en périphérie contre ~442 ms dans le nuage
-
Réduction du trafic de retour : ~40 % de moins
-
Disponibilité lors d'une panne WAN simulée : 99,2 % hybride contre 5,8 % uniquement cloud
Le troisième élément de l'équation de l'IA : le réseau
L'avenir de l'IA dans le secteur manufacturier repose sur la combinaison d'une intelligence en temps réel à la périphérie du réseau, d'une intelligence évolutive dans le cloud et d'un réseau OT fiable qui les connecte.
Un réseau déterministe et résilient garantit que les bonnes données parviennent au bon endroit au bon moment. Il permet à la périphérie de prendre des décisions en quelques millisecondes et permet au cloud d'apprendre de ce que la périphérie « voit ».
Sans cela, l'IA hybride s'effondre avant même de pouvoir apporter de la valeur.
Les solutions de connexion complètes de Belden prennent en charge l'IA de bout en bout, des décisions en temps réel en périphérie du réseau à l'apprentissage à long terme dans le cloud. En collaborant avec nos experts, votre entreprise manufacturière bénéficie d'une vision claire de sa prochaine stratégie en matière d'IA : concevoir pour l'edge computing, concevoir pour le cloud et construire le réseau qui permet aux deux de fonctionner.
Voyez comment nous pouvons vous aider.