La start-up Niobia, basée à San Francisco, s’attaque à l’un des problèmes les plus coûteux de la fabrication des batteries et des puces : comprendre les causes des défauts qui apparaissent sur les lignes de production. L’entreprise utilise un logiciel d’intelligence artificielle qui détecte les défauts, puis permet aux ingénieurs d’interroger un chatbot sur la raison de leur apparition et d’analyser les données associées en quelques minutes au lieu de passer des jours à mener une enquête manuelle.
Les entreprises qui utilisent cette technologie déploient des agents d’intelligence artificielle sur les lignes de production pour surveiller les défauts, tandis que les ingénieurs humains restent partie prenante du processus visant à déterminer la cause probable et à comprendre les conditions de la défaillance. Ces agents fonctionnent sur des unités GPU autonomes installées directement sur les équipements de fabrication, à la manière d’un capteur, ce qui leur permet de détecter des défauts extrêmement fins, notamment des rayures ou des trous dont la taille ne dépasse pas celle d’un trou microscopique.
De la détection du défaut à l’interprétation de sa cause
La fonction de Niobia ne se limite pas à signaler la présence d’un problème. La plateforme rassemble les données pertinentes en un seul endroit, puis permet aux ingénieurs de poser des questions de suivi via un chatbot afin de comprendre ce qui s’est produit et d’approfondir les causes possibles. L’entreprise affirme que cette approche vise à réduire le temps nécessaire pour redémarrer les lignes de production après l’apparition d’un problème lors de la recherche et du développement ou de l’amélioration des procédés de fabrication.
La rapidité revêt une importance particulière dans les secteurs des batteries et des semi-conducteurs, car chaque erreur peut entraîner un arrêt coûteux et des retards dans les calendriers de fabrication, les pertes pouvant atteindre plusieurs millions de dollars dans certains cas. De plus, la complexité des processus de développement des matériaux et des technologies rend la détermination de la cause d’un défaut plus difficile que la simple détection d’un produit non conforme.
Une intelligence artificielle locale pour protéger les données de fabrication
Niobia s’appuie sur des modèles open source qu’elle réentraîne à l’aide de données et de recherches liées aux batteries et aux puces. Selon le cofondateur Gaurav Jha, l’entreprise a choisi cette voie parce que les clients ne souhaitent pas envoyer leurs données industrielles sensibles vers un cloud public, même lorsque des engagements de protection sont pris.
L’entreprise permet à ses clients de conserver leurs propres clés de chiffrement, de sorte que Niobia ne puisse pas déchiffrer leurs données. Cela montre que les exigences de la plateforme ne concernent pas uniquement la précision de la détection des défauts, mais aussi le lieu où les données sont traitées et les personnes qui peuvent y accéder, en particulier dans des secteurs caractérisés par la sensibilité de la propriété intellectuelle et la concurrence géopolitique.
Un premier ciblage et l’ambition de sites de production plus autonomes
Le produit se concentre actuellement sur trois procédés de fabrication : le revêtement des films, le revêtement électrolytique, qui utilise un courant électrique pour recouvrir les surfaces de métaux, et la réaction en lit fluidisé, un processus chimique dans lequel des particules solides sont mises en suspension dans un gaz ou un liquide. Jha a déclaré que l’entreprise souhaitait ensuite accroître l’autonomie de sa technologie afin de parvenir à des usines capables de fonctionner davantage par elles-mêmes.
Pourquoi cette information est-elle importante ? La valeur pratique de l’offre de Niobia ne réside pas dans le remplacement des ingénieurs, mais dans la réduction du délai entre la détection d’un défaut et la compréhension de sa cause. Toutefois, la source ne fournit aucun chiffre sur les performances de la plateforme, le nombre de clients ou la précision de la détection ; son impact commercial et industriel réel doit donc encore être vérifié au moyen de résultats opérationnels indépendants. De même, l’ambition d’une usine autonome demeure un objectif futur et non une capacité annoncée comme pleinement opérationnelle aujourd’hui.