IA locale pour l’Auto-ID : pourquoi l’exécution doit rester déterministe
Modèles de langage locaux en production : ce que la machine peut réellement faire
Dans cette tribune d’expert, IDCRAFT explique pourquoi les modèles de langage utilisés dans les processus industriels Auto-ID doivent pouvoir interpréter des informations, mais ne jamais exécuter directement une action ni écrire dans un système de production.
Un chatbot peut se tromper et l’utilisateur peut corriger sa réponse. En production, une erreur peut conduire à une étiquette mal encodée, un lecteur mal configuré ou même à la mise au rebut d’un lot entier. La question essentielle n’est donc pas de savoir à quel point le modèle est performant, mais ce qu’il est autorisé à faire.
La mauvaise question : quelle est la qualité du modèle ?
Les benchmarks de l’IA peuvent sembler impressionnants, mais ils disent peu de choses sur la sécurité d’un processus industriel. Même un modèle affichant 99 % de précision produirait statistiquement 100 erreurs sur 10 000 étiquettes si ses résultats étaient écrits sans contrôle sur une puce.
Dans l’industrie, la question décisive est donc : que se passe-t-il lorsque le modèle se trompe ?
Deux voies séparées : comprendre et exécuter
IDCRAFT préconise une séparation stricte entre interprétation et exécution.
La voie d’exécution repose exclusivement sur un logiciel déterministe : recettes validées, structures de données définies, opérations d’écriture avec relecture complète et journal d’audit. Aucun modèle de langage n’intervient à ce niveau. Chaque étape reste reproductible, testable et traçable.
Le modèle de langage intervient en amont. Il identifie le type de commande et extrait les valeurs pertinentes du texte. Au lieu de générer du texte libre, il fournit des champs structurés. Chaque valeur est associée au passage source qui la justifie. Les données non vérifiées sont indiquées comme suggestions ou restent vides.
La commande finale est ensuite construite par le logiciel déterministe. Avant le lancement d’une série, le premier objet physique est encodé, relu et confirmé en clair.
Le principe est simple : l’IA n’écrit jamais. Si le modèle commet une erreur, la commande doit être bloquée lors de la validation ou du contrôle du premier article avant qu’elle n’affecte la production.
Des principes de sécurité déjà établis
Le vocabulaire associé à cette approche provient en grande partie de la cybersécurité. Le classement OWASP Top 10 pour les applications LLM identifie notamment « Improper Output Handling » et « Excessive Agency » comme des risques spécifiques. Ces concepts concernent respectivement l’utilisation non contrôlée des sorties du modèle et l’octroi de droits d’exécution excessifs.
NVIDIA utilise également des « execution rails » dans NeMo Guardrails afin de contrôler les appels d’outils et les actions. Le constrained decoding permet en outre d’imposer un schéma prédéfini dès la génération.
Le projet LLM4OPC du Fraunhofer IOSB suit une approche comparable, dans laquelle un agent peut exécuter des actions après validation humaine. Le principe défendu par IDCRAFT est encore plus strict : le modèle n’exécute jamais lui-même.
Pourquoi exécuter l’IA localement ?
IDCRAFT identifie deux arguments principaux en faveur d’une exécution locale plutôt que dans le cloud.
Premièrement, l’exploitation locale donne aux entreprises un contrôle direct sur le modèle et sur l’ensemble de la chaîne d’inférence. Avec des modèles à poids ouverts, des mécanismes tels que le constrained decoding peuvent être implémentés et vérifiés directement, sans dépendre uniquement des garanties d’un fournisseur cloud.
Deuxièmement, les données de production et de commande restent dans l’entreprise. Cela peut simplifier les exigences en matière de protection des données, de cybersécurité et d’évaluation des fournisseurs.
Des initiatives telles que Soofi, Sovereign Open Source Foundation Models, visent en outre à créer des modèles ouverts développés et entraînés en Allemagne. Une architecture reposant sur des modèles locaux interchangeables peut intégrer de telles alternatives sans devoir reconstruire l’application.
La souveraineté ne dépend donc pas uniquement de l’endroit où un modèle est entraîné, mais aussi de l’endroit où il fonctionne et de la destination des données de production.
Une séparation claire des responsabilités
Le règlement européen sur l’IA renforce l’importance d’une répartition claire des responsabilités au sein des systèmes utilisant l’intelligence artificielle.
Une couche d’exécution déterministe fondée sur des règles définies par l’homme reste un logiciel industriel classique. Le composant IA peut ainsi être limité à l’interprétation et à l’assistance, sans disposer lui-même d’un droit d’exécution.
Ce que cela signifie pour l’Auto-ID
Dans l’Auto-ID, le principal obstacle n’est souvent pas le matériel, mais les connaissances spécialisées nécessaires à la configuration des processus.
L’encodage RFID et NFC peut nécessiter la maîtrise des banques mémoire, des modes de verrouillage, des structures EPC, des mots de passe Access et Kill ou encore des formats d’enregistrements NDEF.
Un modèle de langage ne change pas la nature déterministe de cet encodage. Il peut toutefois simplifier l’accès au processus.
Un opérateur pourrait décrire une commande dans les mêmes termes que ceux utilisés sur le bon de fabrication. L’IA extrait et structure alors les informations, tandis que des recettes validées, une base de données de puces et un logiciel déterministe transforment ces données en un processus d’encodage contrôlé.
« Nous développons actuellement, selon cette architecture, un appareil destiné aux processus d’encodage chez les fabricants d’étiquettes. À l’avenir, cette approche pourra évoluer vers une famille de systèmes experts prenant en charge différents domaines de l’industrie Auto-ID. Nous présenterons notre premier produit le 1er septembre 2026. »
IDCRAFT GmbH
Les entreprises souhaitant approfondir le sujet peuvent contacter IDCRAFT pour un accompagnement indépendant des fabricants dans leurs projets RFID et NFC, de la sélection des puces jusqu’à l’encodage.