Par Filip Grządkowski, vice-président de l'ingénierie
Dans la course à l'automatisation du monde physique, toutes les formes d'intelligence ne se valent pas.
Depuis des années, la robotique est portée par les avancées des laboratoires d'IA : des modèles entraînés sur des simulations, des données synthétiques et des environnements contrôlés. Ces progrès sont impressionnants, mais ils présentent une limite majeure : ils sont conçus loin des lieux où ils doivent être utilisés.
Les entrepôts ne sont pas des systèmes contrôlés. Ils sont dynamiques, imprévisibles et sujets à de nombreux cas particuliers : les articles se déplacent, les emballages se déforment, les cartons collent, les codes-barres disparaissent.
C’est cet écart entre les connaissances théoriques et les performances réelles qui a freiné l’automatisation à grande échelle. Il s’agit du fossé de fiabilité de l’IA physique, et le combler exige une expérience de production.
Les données du monde réel constituent l'avantage
Chaque action d'un robot dans un entrepôt en activité génère des données riches et multidimensionnelles. Les interactions du robot Nomagic capturent plus d'une dizaine de dimensions de ce type, allant de la géométrie des objets et de leurs trajectoires aux résultats d'exécution et aux modes de défaillance.
Au fil du temps, cela crée quelque chose de bien plus précieux que des ensembles de données synthétiques : un enregistrement de la réalité en constante évolution. C’est le fondement de la “ Bibliothèque du Chaos ” de Nomagic : des millions de cas limites réels, recueillis en environnement de production. Codes-barres cachés, articles déplacés et emballages endommagés.
Ce sont les moments où l'automatisation échoue généralement. Mais c'est aussi là que l'apprentissage se produit. Et de plus en plus, ce sont ces moments qui définissent la prochaine génération d'IA.
Une opportunité fondamentale
Nomagic utilise cet ensemble de données pour construire un modèle de base pour la robotique (RFM), une nouvelle classe d'IA conçue pour généraliser à diverses tâches physiques. Contrairement aux systèmes robotiques traditionnels, conçus pour des cas d'utilisation spécifiques, les RFM sont entraînés sur des données d'interaction réelles à grande échelle. L'objectif n'est pas seulement la performance, mais aussi l'adaptabilité : des systèmes capables de gérer la variabilité, de se remettre d'une panne et de s'améliorer au fil du temps.
Dans le domaine de l'automatisation des entrepôts, le succès ne se mesure pas à la performance moyenne, mais à la capacité des systèmes à gérer les imprévus. C'est là que les données réelles deviennent un véritable atout concurrentiel.
Autonomie spécialisée vs. robots à usage général
Le secteur de la logistique se tourne de plus en plus vers les robots polyvalents : des systèmes conçus pour accomplir de nombreuses tâches dans des environnements variés. C’est une vision séduisante. Mais dans les opérations d’entrepôt, elle se heurte à une contrainte fondamentale : l’efficacité exige une spécialisation.
L'approche de Nomagic repose sur l'autonomie spécialisée – des systèmes d'IA conçus pour des tâches spécifiques à forte valeur ajoutée et optimisés pour la vitesse, la précision et la fiabilité.
La gestion des commandes en entrepôt exige des performances extrêmes : un fonctionnement continu, une précision quasi parfaite et des centaines de prélèvements par heure. Un tel niveau de productivité requiert ce que l’on pourrait appeler des “ incarnations surhumaines ”, ou des systèmes d’IA physique conçus spécifiquement pour cette tâche.
Les humanoïdes offrent une grande flexibilité et peuvent convenir à certains projets de réhabilitation. Cependant, cette flexibilité a un coût : un débit plus faible, une complexité accrue et une efficacité réduite à grande échelle. Dans les environnements de développement nouveaux, les systèmes conçus sur mesure sont les plus performants. Ils sont plus rapides, plus fiables et plus évolutifs.
Les robots à usage général peuvent être polyvalents. L'autonomie spécialisée permet d'obtenir des résultats.
Vision, apprentissage, action – et adaptation
L'approche de Nomagic repose sur un cadre d'IA physique unifié, basé sur la vision, le langage et l'action (VLA). Les systèmes d'apprentissage automatique traditionnels excellent dans la gestion du fonctionnement optimal des opérations d'entrepôt : identification des articles, sélection des points de préhension et optimisation du placement avec une rapidité et une efficacité extrêmes. Ces modèles hautement spécialisés sont essentiels pour atteindre le débit et les indicateurs de performance opérationnels requis dans les environnements logistiques modernes.
Mais les entrepôts ne se résument pas à des scénarios prévisibles. Des imprévus surviennent constamment : des articles se déplacent inopinément, des emballages se déforment, des codes-barres disparaissent et des objets se retrouvent partiellement obstrués. C’est là que les données de production réelles de Nomagic constituent un atout majeur. Grâce à l’entraînement sur des millions d’interactions issues d’opérations d’entrepôt en conditions réelles, Nomagic a développé des modèles VLA capables de détecter les anomalies, d’anticiper les situations inattendues et de s’adapter en temps réel.
Il en résulte une architecture hybride qui combine des systèmes d'apprentissage automatique optimisés pour une exécution à haute vitesse avec une intelligence VLA adaptative pour la gestion des exceptions. Plutôt que de s'appuyer entièrement sur des modèles généralisés, Nomagic utilise une autonomie spécialisée pour la grande majorité des flux de travail répétitifs, tout en faisant appel au raisonnement piloté par VLA uniquement en cas de situations inhabituelles.
Cette double approche permet de réaliser ce qui a toujours été difficile en robotique : atteindre à la fois un débit très élevé et une fiabilité très élevée à grande échelle.
Tout cela se produit alors que le secteur de la logistique est confronté à une mutation profonde. Le commerce électronique continue de croître rapidement, tandis que les entrepôts font face à une pénurie structurelle de main-d'œuvre. Il n'y a tout simplement pas assez de travailleurs pour maintenir le modèle actuel à grande échelle. Ce n'est pas un problème temporaire, c'est un problème systémique. Et pour de nombreuses entreprises, cela représente un tournant décisif.
L'être humain n'est pas fait pour le travail en entrepôt. Les tâches répétitives, le port de charges lourdes et le rythme soutenu mettent ses limites à rude épreuve. Les robots sont conçus spécifiquement pour cet environnement. Et lorsqu'ils sont dotés d'une intelligence artificielle, ils ne se contentent pas d'égaler les performances humaines, ils les surpassent.
