Inspection active avec distillation des connaissances pour une prédiction des défauts rentable dans les procédés de fabrication

Pourquoi détecter tôt les produits défectueux est important

Des smartphones aux voitures électriques, nous dépendons de produits complexes assemblés à partir de milliers de petites pièces. Si seulement quelques‑unes de ces pièces sont défectueuses, les conséquences peuvent être des retouches coûteuses en usine, des rappels de produits, voire des risques pour la sécurité des utilisateurs. Les fabricants réalisent donc de nombreux tests pour repérer les problèmes dès que possible — mais les tests les plus approfondis sont aussi les plus lents et les plus onéreux. Cet article examine comment les usines peuvent utiliser l’intelligence artificielle pour prédire quels produits risquent d’échouer, tout en maîtrisant les coûts de contrôle.

Deux types de contrôles en usine

Dans les lignes de production modernes, tous les articles ne subissent pas le même niveau de contrôle. Des tests simples et rapides sont appliqués à chaque produit ; les auteurs les qualifient d’inspections de base. Des tests plus détaillés, qui peuvent nécessiter un équipement spécial ou des conditions sévères, sont réservés à un échantillon réduit car ils sont coûteux et chronophages ; ce sont des inspections avancées. Les modèles informatiques qui prédisent des défauts futurs fonctionnent mieux lorsqu’ils disposent à la fois des résultats des tests de base et des tests avancés, mais cela implique de multiplier les inspections coûteuses. Les modèles qui ne s’appuient que sur les résultats de base sont moins coûteux à utiliser mais généralement moins précis.

Apprendre à un test peu coûteux à raisonner comme un test coûteux

Les chercheurs adaptent une idée d’apprentissage automatique connue sous le nom de distillation des connaissances à ce contexte industriel. D’abord, ils entraînent un modèle avancé qui dispose à la fois des données d’inspections de base et avancées et apprend à prédire si chaque produit échouera finalement au contrôle final. Ensuite, ils entraînent un modèle de base qui ne voit que les tests peu coûteux — mais ils guident son apprentissage pour que ses prédictions imitent celles du modèle avancé. En pratique, le modèle de base est enseigné à approcher la compréhension plus riche du modèle avancé, tout en ne s’appuyant, lors de sa mise en service sur la ligne, que sur les mesures bon marché.

Décider quand investir davantage dans les tests

Une fois le modèle de base amélioré de cette manière, les auteurs l’intègrent dans un cadre d’inspection active. Chaque produit reçoit d’abord les inspections de base et est évalué par le modèle de base amélioré, qui fournit également une mesure de sa confiance dans son jugement. Si le modèle est confiant qu’un article est manifestement bon ou manifestement mauvais, l’usine peut se passer des tests avancés coûteux. Seuls les articles dont les prédictions sont incertaines sont envoyés pour une inspection avancée et une évaluation par le modèle avancé. Cette stratégie sélective vise à réserver les contrôles onéreux aux produits où ils auront le plus d’impact.

Tester l’idée dans la fabrication de puces

Pour évaluer l’efficacité de cette approche en pratique, l’équipe a analysé des données réelles d’un fabricant de semi‑conducteurs. Dans la production de puces, les wafers subissent de nombreux tests électriques ; certains sont effectués sur chaque puce, tandis que d’autres, réalisés dans des conditions sévères, ne s’appliquent qu’à un sous‑ensemble. Les auteurs ont construit des modèles de prédiction de base et avancés en utilisant deux types d’algorithmes d’apprentissage automatique et ont comparé des modèles entraînés avec et sans distillation des connaissances. Ils ont également examiné plusieurs méthodes de mesure de l’incertitude de prédiction pour décider quelles puces devraient recevoir des inspections avancées, et évalué les performances à l’aide d’un score standard reflétant la capacité des modèles à distinguer les bonnes puces des mauvaises.

Meilleure qualité à moindre coût

Les expériences ont montré que les modèles de base entraînés avec distillation des connaissances étaient systématiquement plus précis que les modèles de base ordinaires, et que, sur un jeu de données, ils dépassaient même légèrement le modèle avancé complet. Lorsqu’ils étaient combinés avec la stratégie d’inspection active, ces modèles de base améliorés permettaient aux usines d’obtenir des performances de détection des défauts proches de celles obtenues en testant chaque produit avec des inspections avancées, tout en soumettant bien moins d’articles à ces tests coûteux. En termes clairs, la méthode permet aux fabricants de détecter plus de défauts plus tôt et de façon plus fiable, sans avoir à inspecter systématiquement tout au niveau le plus élevé, offrant une voie pragmatique vers une meilleure qualité et des coûts de production réduits.

Citation: Heo, J., Son, M. & Shim, J. Active inspection with knowledge distillation for cost-effective fault prediction in manufacturing process. Sci Rep 16, 8613 (2026). https://doi.org/10.1038/s41598-026-39412-8

Mots-clés: qualité de fabrication, prédiction des défauts, coût d'inspection, distillation des connaissances, production de semi‑conducteurs