Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Safran a mené des pilotes avec Loopr AI pour automatiser en partie l’inspection de pièces de cabine grâce à des modèles nourris de données synthétiques. Le groupe rapporte des inspections plus rapides, un rappel à 90,9 % sur le projet et un débit accru, et commence à déployer l’outil dans deux sites américains.
Des gains chiffrés et un déploiement sur deux sites américains
Pour les sièges de toilettes, le temps d’inspection est désormais compris entre cinq et dix minutes, avec une fiche de défaut et d’inspection générée automatiquement avant le passage à l’étape suivante, une tâche auparavant assurée par l’inspecteur. Sur ce projet, la technologie de Loopr a permis d’atteindre un taux de rappel de 90,9 %, couvrant des défauts comme les rayures, la décoloration ou les bulles de peinture. Safran indique produire 10 % à 15 % de pièces en plus qu’auparavant, le débit ayant augmenté vers l’assemblage final. Après ces pilotes, l’entreprise introduit la technologie de Loopr dans ses sites de Marysville (Washington) et Santa Maria (Californie).
Données synthétiques pour pallier la rareté des jeux d’entraînement
Safran a lancé il y a deux ans des pilotes avec Loopr pour accélérer l’identification des défauts et réduire le temps d’inspection et de documentation. Dans un contexte où l’entreprise fabrique une grande variété de pièces mais en faible volume pour chacune, il est difficile de disposer rapidement de milliers de jeux de données. Loopr augmente alors artificiellement le nombre d’échantillons en générant des données synthétiques à partir d’images existantes et modifiées, ce qui permet de simuler différents scénarios tout en validant les résultats avec des données réelles. Le logiciel est jugé performant pour détecter les défauts cosmétiques dans les assemblages de cabine, en comparant les résultats aux dessins de production et aux pièces prévues.
Deux modes d’inspection : automatisé pour la peinture, hybride pour les assemblages
Le processus d’inspection peut être entièrement automatisé ou associer automatisation et intervention humaine, en fonction de la configuration choisie. Concernant l’inspection de la peinture, Safran utilisait déjà des équipements de visualisation : la prise de vue et le traitement par intelligence artificielle sont réalisés automatiquement, tandis que la plateforme offre la possibilité à un opérateur de valider, ajuster ou corriger les résultats obtenus, ces retours étant utilisés pour perfectionner le modèle. Loopr est compatible avec plusieurs modèles de caméras et de tablettes ; pour ce projet, un bras robotisé prend des clichés des pièces avant puis après application de la peinture, puis envoie ces images pour traitement. En mode hybride, typique des grands assemblages de cabine, les inspecteurs prennent des photos sous plusieurs angles et les téléchargent dans le système de Safran ; l’algorithme identifie les problèmes potentiels et génère une fiche d’inspection.
Comment l’IA apprend les défauts et dans quelles limites
La collaboration entre Safran et Loopr s’appuie sur des modèles entraînés, y compris avec des données synthétiques, pour améliorer la précision et l’efficacité des inspections, avec une réduction du temps de contrôle et des rappels coûteux rapportée par l’industriel. Historiquement, l’examen d’un couvercle de toilettes durait 20 à 30 minutes et portait sur des critères cosmétiques précis. Certains inspecteurs, en poste depuis plus de dix ans, détectent jusqu’à 90 % des défauts dans les cuisines de cabine, les sièges passagers et d’autres pièces. L’IA est présentée comme un moyen d’éliminer la subjectivité, de conserver le savoir des opérateurs, d’automatiser les tâches répétitives et de standardiser les processus. Pour l’analyse de peinture, le modèle apprend les caractéristiques visuelles des défauts et la pièce sur laquelle ils peuvent apparaître, en intégrant des données propres à chaque composant et des conditions d’éclairage similaires à celles des zones d’installation. Toutefois, la fatigue peut faire varier les taux de détection humains, et l’IA n’est efficace que si les entreprises disposent de jeux de données suffisants ; à défaut, des jeux synthétiques peuvent compléter l’entraînement.
