Pour conclure, trois questions

Andreas Waldl – Le deep learning est une technologie fascinante qui a beaucoup progressé ces dernières années. Les réseaux neuronaux et les modules d'inférence deviennent de plus en plus élaborés et donnent des résultats qui sont de plus en plus probants. Dans le futur, le deep learning étendra considérablement les possibilités de la vision industrielle.

A. Waldl – Le deep learning est très pertinent lorsqu'il faut identifier des choses préalablement inconnues. La détection de défauts ou d'anomalies, par exemple, entre dans ce type d'application. Mais dans le cas d'une tâche qui peut être décrite dans des termes mathématiques comme, par exemple, celle qui consiste à déterminer si un objet a une longueur exacte de 5,3 cm, alors des algorithmes classiques seront plus fiables. Les deux approches coexisteront. Pour bon nombre de tâches de vision, il faudra même combiner les deux pour obtenir les meilleurs résultats.

A. Waldl – Non, il va encore bien au-delà. Nous commençons à voir des solutions où des réseaux neuronaux continuent d'apprendre et de s'améliorer alors qu'ils s'exécutent. Par ailleurs, le deep learning multimodal ouvre également de nouvelles possibilités. Considérez d'une part des données de capteurs, bimensionnelles et multidimensionnelles et susceptibles de couvrir un spectre plus étendu que celui de la lumière visible, et d'autre part des réseaux neuronaux multidimensionnels ainsi que des évaluations basées sur un ensemble de règles. Grâce au deep learning multinodal, vous pouvez combiner intelligemment toutes ces données et toutes ces techniques d'évaluation. Le champ d'applications de la vision industrielle sera ainsi bien plus étendu qu'il ne l'est aujourd'hui.