Depuis des décennies, les automates programmables industriels (API) sont à la base de l’automatisation industrielle : ils orchestrent les chaînes de montage, les usines chimiques et les systèmes énergétiques. Mais alors que les systèmes industriels ont évolué, la programmation des API est restée largement la même : manuelle, chronophage et fortement dépendante des connaissances d’experts. En conséquence, les équipes d’ingénieurs sont confrontées à des retards croissants et à une pression croissante pour fournir davantage avec moins de ressources. 

En parallèle, la réalité de la main-d’œuvre crée une crise d’évolutivité. Les ingénieurs chevronnés prennent leur retraite, l’intégration des nouvelles recrues prend trop de temps et même les mises à jour mineures nécessitent une rétro-ingénierie de plusieurs années de logique héritée. Dans de nombreux environnements OEM, jusqu’à 80 % d’une application machine reste identique d’un projet à l’autre. Pourtant, les ingénieurs passent encore la plupart de leur temps à déchiffrer le code existant plutôt qu’à mettre en œuvre les 20 % qui changent réellement. Ce modèle ne peut pas suivre le rythme des exigences modernes. 

Pour aller plus vite, nous avons besoin d’une nouvelle approche. Une approche qui réduise la dépendance vis-à-vis des connaissances héritées, accélère la personnalisation et rende le développement des PLC plus reproductible et plus intelligent. Grâce aux progrès rapides de l’automatisation et de l’IA, nous pouvons repenser la manière dont la logique de contrôle est créée, comprise et mise en œuvre. 

Résoudre la crise de l’évolutivité dans l’ingénierie des automates programmables 

Comment résoudre ces problèmes d’évolutivité ? Au lieu de coder manuellement chaque séquence, les ingénieurs peuvent désormais utiliser des copilotes IA : des outils qui transforment une simple description d’intention en un système fonctionnel. Ensuite, l’ingénierie assistée par l’IA et l’automatisation intelligente peuvent se charger de la tâche fastidieuse de générer la logique sous-jacente. Cette nouvelle approche comble les lacunes en matière de compétences, réduit le développement de codes standardisés et donne aux experts la possibilité d’examiner, de valider et de déployer en un temps record. 

Cependant, l’automatisation des PLC a une exigence unique : la confiance. Un modèle d’IA générique ne peut pas répondre à cette exigence. Les premières expériences avec des outils génériques de génération de code ont prouvé que les LLM peuvent générer du code, mais que le résultat manquait de contexte matériel PLC et de garanties de fiabilité, produisant un code générique standardisé inutilisable dans des environnements industriels réels. 

Les systèmes PLC en temps réel exigent une logique prévisible et vérifiable et ne peuvent pas se fier uniquement à l’inférence probabiliste. Par conséquent, l’IA n’est viable dans l’automatisation que lorsqu’elle s’appuie sur des connaissances spécifiques au domaine, la sécurité et des normes de contrôle. 

Chez Schneider Electric, notre approche intègre plusieurs niveaux de protection (bibliothèques PLC validées, meilleures pratiques de codage, contraintes matérielles spécifiques et même connaissance des applications au niveau client) afin de limiter les hallucinations et de garantir une sortie de la plus haute qualité. 

L’une des avancées les plus marquantes rendues possibles par l’IA ne concerne pas seulement la génération de code en soi, mais aussi sa compréhension. En cartographiant visuellement les flux de travail des programmes, les ingénieurs peuvent rapidement comprendre le comportement de la logique existante, identifier les points à personnaliser et modifier uniquement ce qui est important, ce qui réduit le temps d’ingénierie et la période d’intégration des nouveaux membres de l’équipe. 

De plus, nous appliquons une boucle de rétroaction Générer → Valider → Former. Ici, des experts humains examinent la logique générée par l’IA, valident les références et réinjectent les corrections dans le référentiel afin d’améliorer continuellement la qualité au fil du temps. 

Si ces progrès permettent de réduire considérablement le temps et l’énergie nécessaires, la supervision humaine reste essentielle. Voici les trois principes que nous utilisons pour définir et construire une IA industrielle fiable : 

•    Le déterminisme plutôt que la probabilité, 

•    Des garde-fous plutôt qu’une génération ouverte, 

•    Surveillance plutôt qu’automatisation, 

Le résultat n’est pas un codage IA autonome. Il s’agit d’un flux de travail assisté par l’IA qui préserve le contrôle humain. 

Présentation du copilote de génération de code PLC 

Le copilote de génération de code PLC de Schneider Electric applique ces principes dans la pratique. Intégré à la plateforme EcoStruxure Automation Expert, le copilote génère, explique et teste le code PLC à l’aide des bibliothèques fiables et des garde-fous multicouches de Schneider. Il peut réduire le temps de développement de 30 à 50 % en aidant les ingénieurs à : 

•    Générer automatiquement du code PLC structuré et adapté au matériel 

•    Comprendre et documenter les applications existantes 

•    Créer des cas de test intelligents pour la validation 

•    Cartographier et visualiser les workflows des programmes 

•    Accélérer l’intégration des nouveaux membres de l’équipe 

Grâce à son intégration dans EcoStruxure, le copilote peut prendre en charge des workflows de bout en bout, de la logique à l’IHM en passant par les tests, dans un environnement d’ingénierie unifié. 

Le copilote de génération de code PLC marque un tournant pour l’automatisation industrielle. Il prouve que l’IA générative, lorsqu’elle s’appuie sur une expertise du domaine et des normes de sécurité rigoureuses, peut devenir un outil d’ingénierie quotidien. Alors que l’industrie continue de faire face à un déficit de compétences, le copilote offre une voie claire vers l’avenir avec des cycles de développement plus rapides, une meilleure qualité de code et un moyen évolutif de transférer les connaissances entre les équipes. 

Si vous souhaitez en savoir plus, écoutez l’épisode d’AI At Scale avec Malini Nambiar sur la façon dont l’IA transforme l’ingénierie industrielle.