De l’IA experte à la résolution de problèmes industriels
LG positionne sa plateforme EXAONE non pas simplement comme un système d’IA généraliste, mais comme un ensemble de modèles spécialisés par domaine, conçus pour résoudre des problèmes scientifiques, manufacturiers et commerciaux spécifiques.
Lors du LG AI Talk Concert 2026, LG AI Research a présenté des applications développées au fil de plusieurs années de travail avec des données industrielles réelles. L’accent a été mis sur le déploiement pratique : réduire le nombre d’expérimentations, interpréter des données de processus complexes, accélérer l’inspection et soutenir des décisions qui dépendent traditionnellement d’ingénieurs hautement spécialisés.
Cette orientation est particulièrement pertinente pour l’automatisation industrielle, car de nombreux problèmes en usine ne sont pas dus à un manque de matériel d’automatisation. Le principal défi réside souvent dans la capacité à interpréter de grandes quantités de données de processus incohérentes et à transformer ces informations en décisions de commande ou d’ingénierie exploitables.
La découverte de médicaments accélérée par l’IA
Dans le domaine de la recherche scientifique, LG AI Research a indiqué avoir travaillé avec LG H&H pour évaluer environ 420 000 substances candidates et identifier en une journée le candidat efficace contre la chute des cheveux, Rhamsidil.
L’importance de cette avancée ne réside pas seulement dans la rapidité du criblage. L’IA peut réduire le nombre d’expériences physiques nécessaires en limitant l’espace de recherche avant de mobiliser les ressources du laboratoire. Cela crée une boucle de rétroaction dans laquelle l’analyse informatique et l’expérimentation physique s’influencent continuellement.
LG travaille également avec D&D Pharmatech au développement de médicaments peptidiques oraux de nouvelle génération. EXAONE 4.5 a en outre été intégré à un système d’IA d’examen des nouveaux médicaments au sein du ministère sud-coréen de la Sécurité alimentaire et pharmaceutique.
Les laboratoires autonomes créent une boucle d’ingénierie fermée
LG développe un laboratoire autonome dans lequel l’IA analyse les résultats expérimentaux, détermine ce qui doit être testé ensuite et conçoit les expériences suivantes.
Du point de vue de l’ingénierie, cela représente un passage de l’analyse assistée par l’IA à l’optimisation en boucle fermée. Au lieu de suivre une séquence expérimentale fixe, le système peut potentiellement sélectionner le test suivant en fonction des informations obtenues lors des expériences précédentes.
Le même principe a de fortes implications pour l’automatisation industrielle. Un système de production pourrait à terme analyser les écarts de processus, identifier les causes probables, sélectionner une action corrective et évaluer le résultat sans nécessiter qu’un ingénieur définisse manuellement chaque étape intermédiaire.
EXAONE Tabular cible les données complexes des usines
L’un des développements industriels les plus importants de LG est EXAONE Tabular, un modèle de fondation expert conçu pour comprendre les relations entre les conditions des processus de fabrication et les informations relatives à la qualité.
Les données des processus industriels sont rarement propres. Les valeurs des capteurs, les conditions de production, les caractéristiques des produits et les résultats d’inspection peuvent évoluer au fil du temps. Les systèmes conventionnels d’apprentissage automatique peuvent nécessiter un nouvel entraînement lorsque les caractéristiques visuelles des produits ou les conditions de production changent.
LG affirme qu’EXAONE Tabular peut continuer à fonctionner malgré les changements de processus ou d’apparence des produits, sans nouvel entraînement, tandis qu’un entraînement supplémentaire personnalisé peut encore améliorer ses performances.
Il s’agit d’une orientation technique importante. Dans les usines réelles, la maintenance des modèles peut devenir presque aussi exigeante que le déploiement initial de l’IA. Réduire la quantité de réentraînement nécessaire pourrait donc avoir plus de valeur qu’une amélioration marginale des performances sur des benchmarks de laboratoire.
L’IA manufacturière doit s’adapter à l’évolution des conditions de processus
EXAONE Tabular a d’abord été appliqué sur un site de production de LG Innotek et suscite désormais l’intérêt d’entreprises pharmaceutiques et d’hôpitaux. LG envisage également des applications potentielles dans des opérations énergivores, notamment les installations nucléaires et hydroélectriques.
Le défi sous-jacent est commun à ces secteurs : les conditions de processus sont dynamiques, tandis que le coût de collecte et d’annotation des données industrielles est élevé.
Pour les ingénieurs en automatisation, cela signifie que les modèles d’IA industriels les plus utiles ne seront pas nécessairement ceux qui exigent d’immenses jeux de données. Les modèles capables d’apprendre à partir d’informations limitées propres à un site tout en intégrant les connaissances existantes sur les processus pourraient être plus faciles à déployer dans plusieurs environnements de production.
L’inspection visuelle évolue vers une configuration autonome
LG développe également un agent d’inspection visuelle capable d’effectuer de manière autonome l’échantillonnage des données, leur annotation et l’entraînement des modèles.
Traditionnellement, l’introduction d’un nouveau produit sur une ligne de fabrication peut nécessiter une collecte et une annotation d’images importantes avant qu’un modèle d’inspection soit prêt pour la production. LG affirme que son approche peut réduire considérablement cette période de préparation.
La valeur pour l’ingénierie est évidente : les systèmes d’inspection doivent suivre les variantes de produits et les changements de processus sans obliger à recommencer l’ensemble du flux de travail de vision industrielle chaque fois que la configuration de production évolue.
Si elle est déployée avec succès, la préparation autonome des données pourrait devenir une couche importante entre les caméras industrielles et les systèmes d’exécution de la fabrication de niveau supérieur.
Des robots individuels aux usines autonomes
L’objectif à long terme de LG va au-delà de l’automatisation de machines ou de robots individuels. L’entreprise travaille à la création de modèles de fondation pour la robotique et d’une architecture d’usine dans laquelle le site peut fonctionner comme une intelligence intégrée.
Il s’agit d’un changement conceptuel important.
L’automatisation traditionnelle divise une usine en automates programmables industriels, variateurs, robots, systèmes de vision, SCADA, MES et autres couches de commande, la commande déterministe restant assurée par les niveaux inférieurs. L’IA est de plus en plus introduite au-dessus de ces systèmes pour interpréter les données et optimiser les opérations.
L’étape suivante pourrait consister à faire coordonner par l’IA les informations entre ces différentes couches, tandis que les contrôleurs déterministes continueraient à gérer les fonctions de commande critiques en matière de temps.
À mon avis, cette distinction restera importante. L’IA est bien adaptée à la prédiction, à l’optimisation, à la classification et à l’aide à la décision, mais remplacer une commande déterministe par un modèle probabiliste ne constitue pas automatiquement une amélioration du point de vue de l’ingénierie. Les usines autonomes nécessiteront une séparation claire entre la prise de décision par l’IA et les fonctions de commande critiques pour la sécurité ou le temps réel.
Le principal obstacle réside dans les données et l’économie du déploiement
LG reconnaît que les données de fabrication issues des installations réelles sont abondantes et difficiles à organiser. La consommation de GPU et la valeur économique générée par le déploiement de l’IA doivent également être prises en compte.
Il s’agit de l’une des observations les plus pragmatiques de cette annonce. L’adoption de l’IA industrielle ne dépendra pas uniquement de l’intelligence des modèles. Les ingénieurs et les exploitants d’usine doivent également prendre en compte l’acquisition des données, la qualité des capteurs, l’architecture réseau, la cybersécurité, les ressources informatiques, la maintenance des modèles et les bénéfices mesurables pour la production.
L’effort de LG pour rendre EXAONE Tabular léger est donc stratégiquement pertinent. Un modèle nécessitant moins d’infrastructures informatiques pourrait potentiellement être déployé plus près des équipements de production et utilisé dans un plus grand nombre d’installations.
L’IA industrielle passe de la prédiction à l’action
Les six années d’efforts de LG auraient permis de traiter plus de 100 problèmes industriels complexes. L’orientation actuelle de l’entreprise laisse entrevoir une transition entre une IA qui explique les conditions industrielles et une IA capable de déterminer et d’exécuter l’étape suivante.
Cette transition nécessitera plus que des modèles de fondation de plus grande taille. Elle exigera une intégration avec les automates programmables industriels, les robots, les réseaux industriels, les systèmes d’historisation, les plateformes MES, les systèmes de vision et les bases de données d’ingénierie.
La voie la plus réaliste vers une fabrication autonome sera donc probablement progressive : l’IA commence par observer et analyser, puis recommande, ensuite agit dans des limites définies et finit par coordonner des décisions de plus en plus complexes à l’échelle de l’usine.
Conclusion
Les développements d’EXAONE par LG montrent comment l’IA spécialisée dépasse le stade des démonstrations pour s’intégrer à la recherche scientifique et aux opérations industrielles. La découverte de médicaments, les laboratoires autonomes, l’intelligence des processus tabulaires et l’inspection visuelle représentent différentes applications d’un même concept général : utiliser l’IA pour réduire l’effort d’ingénierie nécessaire à la compréhension de systèmes complexes et à la détermination de l’étape suivante.
Pour l’automatisation industrielle, le développement le plus important ne sera peut-être pas l’arrivée d’une usine entièrement autonome. Il pourrait plutôt s’agir de la création progressive d’une couche d’IA capable de comprendre l’évolution des conditions de processus tout en travaillant aux côtés de systèmes d’automatisation déterministes établis.
Les entreprises qui parviendront à combiner ces deux approches sont susceptibles d’en tirer davantage de valeur pratique que celles qui considèrent l’IA comme un remplacement de l’architecture de commande industrielle existante.
LG Expert AI accélère la découverte de médicaments et l’automatisation industrielle
