La SFAQ décerne le Prix Seghezzi

Cette année également, le "Journée suisse de la qualité de la SAQ du 4 mai 2021 a dû être tenue virtuellement en raison de la pandémie. Cependant, les intervenants étaient sur place, tout comme le lauréat du Prix Seghezzi et le jury. Martina Zölch, membre du conseil de fondation du SFAQ et présidente du jury, a ainsi pu remettre solennellement à Philipp Schaber le Prix 2021 pour la promotion de la gestion intégrée de la qualité.

Philipp Schaber a d'abord obtenu un Bachelor of Science en génie mécanique et en transformation des entreprises à l'Université technique de Graz, avant d'entreprendre et de réussir un Master en gestion, technologie et économie à l'ETH Zurich. Son parcours est aujourd'hui couronné par le prix Seghezzi : Schaber (1993), né en Autriche, a reçu la somme de 10 000 francs suisses pour les résultats exceptionnels de son mémoire de maîtrise intitulé "Using deep learning to detect assembly errors".

Utilisation de méthodes d'apprentissage automatique non supervisées

Torbjörn Netland et Julian Senoner ont été les superviseurs de la thèse de maîtrise que Philipp Schaber a achevée avec succès en août 2020. Dans sa thèse, M. Schaber, en collaboration avec Siemens Smart Infrastructure (SI), s'est demandé si les méthodes d'apprentissage automatique non supervisées pouvaient être utilisées pour détecter les erreurs d'assemblage dans la fabrication.

Cette intéressante question de recherche est d'une grande pertinence pratique, à l'heure où l'apprentissage automatique est sur le point de faire une percée dans le secteur manufacturier, comme le souligne la SFAQ.

Dans sa thèse de maîtrise, Schaber propose une approche d'apprentissage automatique non supervisée qui ne peut être entraînée que sur la base d'images "sans erreur". Des mécanismes fiables de détection des erreurs ainsi que l'efficacité des calculs doivent être obtenus par une combinaison ciblée de l'apprentissage par transfert et de la "classification par le plus proche voisin".

Preuves empiriques fournies

Philipp Schaber a soumis ces défis à un test pratique dans deux usines d'essai de Siemens Smart Infrastructure. Au cours de ses essais sur le terrain, il a pu fournir des preuves empiriques de la manière dont l'approche proposée peut détecter de manière fiable les erreurs d'installation dans la pratique, tout en conservant une grande efficacité de calcul, comme l'écrit la SFAQ.

Le travail de recherche de Philipp Schaber est donc un excellent exemple de la manière dont l'apprentissage automatique peut soutenir la gestion de la qualité. Grâce à ce travail, une lacune dans la recherche a été comblée d'une manière basée sur un modèle et convaincante sur le plan empirique, ce qui est d'une grande pertinence pratique.

Déclaration du jury

Le jury a expliqué sa décision comme suit :

Le Potentiel d'innovation du travail est considérable : L'approche "non supervisée" est innovante en soi. Jusqu'à présent, les mécanismes de détection des défauts ont principalement été appris à partir de produits défectueux. "Étendre l'apprentissage profond par l'approche méthodologique de l'approche non supervisée et la relier aux théories des réseaux de neurones ouvre de nouvelles perspectives pour l'apprentissage automatique et élargit la portée de l'approche de l'apprentissage profond.

L'approche "apprentissage automatique non supervisé" étant basée sur un apprentissage qui fonctionne avec des images sans erreur, cela permet une utilisation extrêmement efficace de la puissance de calcul. Comme cela a pu être démontré empiriquement dans le travail, il y a une réduction significative de l'effort avec une expressivité presque inchangée en termes de détection des erreurs.

Ici, on voit le grande importance pratique de travail : La détection des défauts dans la fabrication et l'assemblage des cartes de circuits imprimés s'est jusqu'à présent largement basée sur l'inspection par les employés, ce qui reste inévitable en dehors de la production à grande échelle. Cependant, leur perception est sujette à des erreurs, qui peuvent entraîner des coûts de suivi, et l'exécution de ces activités professionnelles est souvent stressante.

Grâce à l'approche proposée, la détection des défauts des machines peut également être utilisée dans la production de petites et moyennes séries, ce qui devrait augmenter considérablement le champ d'application.

En plus de l'approche théorique et méthodologique innovante de la détection efficace et efficiente des défauts, les questions de gestion commerciale des coûts des défauts et du déploiement du personnel sont donc également soulevées. Ce travail, qui se situe à l'interface de la gestion d'entreprise, de la technologie et de l'informatique, apporte ainsi une contribution intégrative à la gestion générale et à l'importance de la qualité.

En conclusion, le jury souligne : " Nous sommes heureux de pouvoir récompenser ce travail innovant et d'une grande pertinence scientifique et pratique par le Prix Seghezzi 2021. "

Le Prix Seghezzi est annoncé tous les deux ans.

Le couronnement de son travail de master - Philipp Schaber avec le prix Seghezzi. © R. Strässle