Search

The GDR MACS Steering Committee has set up a working group to conduct a survey on the use of Artificial Intelligence (AI) techniques by GDR MACS researchers. This group, led by Eric Bonjour and Laurent Geneste, was composed of Damien Trentesaux, Vincent Cheutet, Bernard Grabot, Samir Lamouri and Olivier Cardin. The results of this survey were published on the GDR MACS website in January 2022. The group has elaborated a list of domains and a list of research objects studied. It distinguished 4 main classes of AI techniques (Operational Research (OR) approaches; Knowledge modeling and reasoning approaches; Data approaches; Transversal) in which 20 identified AI techniques were classified. He then built a web tool to support a questionnaire, which was distributed to the members of the GDR MACS in June 2022. 139 people responded to this survey, mostly lecturers and professors (92). The respondents had a research activity of more than 5 years (117) but have an experience in AI of less than 5 years (63) or are without experience (22). The research areas concerned are well representative of the areas covered by the GDR MACS with half of the respondents (73/139) in automation (control and piloting, estimation and observation) and the other half in industrial engineering (model-driven engineering, OR and decision support, knowledge engineering and data science, maintenance, planning, etc.).In terms of research topics, the working group noted a predominance of "robotics, cobotics, mechatronics" and "design" with a strong presence of more recent themes such as "IoT, cyber-physical systems" or "Digital Twins" or themes related to major societal transitions, such as transport, energy, sustainable development and health.Regarding the use of AI techniques, 3 levels have been distinguished: (user; contributor; interested). There is a predominance of "machine learning" (57; 25; 38) and "heuristic approaches" (28; 14; 14) with a strong interest in "Multi-Agent Systems" (9; 9; 20), and this, in a transversal way to the research domains (in automatic control and industrial engineering). Sustained contributions (>12) on "logic-based techniques" and on "uncertain knowledge" have been noted. A particular interest (>15) also emerges on "human-AI interaction" and on "validation, explanation, confidence" in AI.About 20% of the respondents have a contribution in "Machine learning", mainly confirmed researchers (with more than 10 years of experience). The contributions are rather distributed according to the experience in AI, with a dominance for researchers with more than 5 years of experience in AI.Then, clusters were searched on the domains from the answers obtained. Logically, the domains "Control, Management + Estimation, Observation" (27 respondents), "Systems Analysis, Simulation, Verification, Proof" (38) and "Identification" (41) have shown their proximity: we find here the classical domains of Automatic Control. In the same way, the domains "Knowledge engineering and data sciences", "Modeling, model-driven engineering", "Information systems" and "Systems analysis, simulation, verification, proof" have shown their proximity (23 respondents). It should be noted that the domain "systems analysis, simulation, verification, proof" is transversal to these two clusters. Another cluster related to the use of "OR and decision support" techniques in "Planning and Scheduling" was identified (10 respondents). Finally, contrary to what one might have supposed, the fields of "Diagnosis, fault detection" and "Maintenance, prognosis" did not show strong proximity (only 5 respondents).; Le Comité de Direction du GDR MACS a mis en place un groupe de travail pour mener une enquête sur l'utilisation des techniques d'Intelligence Artificielle (IA) par les chercheurs du GDR MACS. Ce groupe, animé par Eric Bonjour et Laurent Geneste, était composé de Damien Trentesaux, Vincent Cheutet, Bernard Grabot, Samir Lamouri et Olivier Cardin. Les résultats de cette enquête ont été publiés sur le site du GDR MACS en janvier 2022. Le groupe a élaboré une liste des domaines et une liste des objets de recherche étudiés. Il a distingué 4 grandes classes de techniques d'IA (Approches type Recherche Opérationnelle (RO) ; Approches modélisation des connaissances et raisonnement ; Approches données ; Transversal) dans lesquelles 20 techniques d'IA identifiées ont été classées. Il a ensuite construit un outil web pour supporter un questionnaire, qui a été diffusé aux membres du GDR MACS en juin 2022. 139 personnes ont répondu à cette enquête, en majorité des maîtres de conférences et professeurs (92). Les répondants avaient une activité de recherche de plus de 5 ans (117) mais ont une expérience en IA de moins de 5 ans (63) ou sont sans expérience (22). Les domaines de recherche concernés sont bien représentatifs des domaines couverts par le GDR MACS avec pour moitié des répondants (73 /139), l'automatique (commande et pilotage, estimation et observation) et pour l'autre moitié, le génie industriel (ingénierie dirigée par les modèles, RO et aide à la décision, ingénierie des connaissances et sciences des données, maintenance, planification…).Au niveau des objets de recherche, le groupe de travail a noté une prédominance de la "robotique, cobotique, mécatronique" et de la "conception" avec une forte présence de thèmes plus récents comme l’ "IoT, systèmes cyber-physiques" ou les "Jumeaux numériques" ou de thèmes en lien avec des transitions sociétales majeures, comme les transports, l'énergie, le développement durable et la santé.En ce qui concerne l'utilisation des techniques d'IA, 3 niveaux ont été distingués : (utilisateur ; contributeur ; intéressé). Il ressort une prédominance de l’ "apprentissage automatique (machine learning)" (57 ; 25 ; 38) et des "approches heuristiques" (28 ; 14 ; 14) avec un intérêt marqué pour les "Systèmes Multi-Agents" (9 ; 9 ; 20), et ce, de façon transversale aux domaines de recherche (en automatique et en génie industriel). Des contributions soutenues (>12) sur les "techniques à base de logique" et sur les "connaissances incertaines" ont été relevées. Un intérêt particulier (>15) ressort aussi sur l' "interaction humains- IA" et sur la "validation, explication, confiance" dans l'IA.Environ 20% des répondants ont une contribution en "Apprentissage automatique", principalement des chercheurs confirmés (de plus de 10 ans d'expérience). Les contributions sont plutôt réparties en fonction de l’expérience en IA, avec une dominance pour les chercheurs ayant plus de 5 ans d’expérience en IA.Ensuite, des clusters ont été recherchés sur les domaines à partir des réponses obtenues. Fort logiquement, les domaines "Commande, pilotage + Estimation, observation" (27 répondants), "Analyse des systèmes, simulation, vérification, preuve" (38) et "Identification" (41) ont montré leur proximité : on retrouve ici les domaines classiques de l’Automatique. De la même façon, les domaines " Ingénierie des connaissances et sciences des données", "Modélisation, ingénierie dirigée par les modèles", "Systèmes d'information" et " Analyse des systèmes, simulation, vérification, preuve" ont montré leur proximité (23 répondants). A noter que le domaine "analyse des systèmes, simulation, vérification, preuve" est transversal à ces deux clusters. Un autre cluster relatif à l'utilisation des techniques de "RO et aide à la décision" en "Planification et Ordonnancement" a été identifié (10 répondants). Enfin, contrairement à ce que l'on aurait pu supposer, les domaines "diagnostic, détection de fautes" et "Maintenance, pronostic" n'ont pas fait apparaître de proximité forte (seulement 5 répondants).

Proper Production Planning and Control (PPC) is capital to have an edge over competitors, reduce costs and respect delivery dates. With regard to PPC, Machine Learning (ML) provides new opportunities to make intelligent decisions based on data. Therefore, this communication provides an initial systematic review of publications on ML applied in PPC. The research objective of this study is twofold: firstly, it aims to identify techniques and tools allowing to apply ML in PPC, and secondly, it reviews the characteristics of Industry 4.0 (I4.0) in recent research papers. Concerning the second objective, seven characteristics of I4.0 are used in the analysis framework, from which two of them are proposed by the authors. Additionally, the addressed domains of ML-aided PPC in scientific literature are identified. Finally, results are analyzed and gaps that may motivate further research are highlighted., in French