IA pour la fabrication textile et l’habillement : perspectives de marché, cas d’usage et stratégie d’exécution

• Inspection qualité (détection de défauts textiles, correspondance des couleurs, analyse de surface)
• Maintenance prédictive (anticipation des pannes machines)
• Optimisation de la supply chain / des stocks et prévision de la demande
• Personnalisation produit et fabrication flexible (notamment dans la mode et l’habillement)
• Conception générative/CAD pour motifs, gammes de couleurs et accessoires avec vérification instantanée de fabricabilité

• Augmenter la précision de détection des défauts textiles d’environ 60–70% en inspection manuelle à plus de 90%, réduisant fortement les rebuts et les retouches.
• La maintenance prédictive réduit les pannes inattendues de 30–40% et les arrêts non planifiés de 30–50%, tout en diminuant les coûts de maintenance de 20–25%.
• L’optimisation des processus réduit la consommation d’énergie et de produits chimiques de plusieurs points significatifs (par ex. 5–10%), améliorant les marges et les scores de durabilité.
• La prévision de la demande + les recommandations d’assortiment réduisent les ruptures de stock et la surproduction, protégeant la marge et le fonds de roulement.

• Vision par ordinateur avec bibliothèques de défauts (tissage, tricot, impression, teinture, ennoblissement) et analyse spectrale/de couleur pour la constance des nuances.
• Détection d’anomalies temporelles et multivariées pour la maintenance prédictive, l’état des broches et les dérives de vibration/température.
• Optimisation et simulation (jumeaux numériques) pour l’ajustement des recettes, l’équilibrage des lignes et le décalage des charges énergie/vapeur.
• Prévision de la demande + apprentissage par renforcement pour l’allocation et le réapprovisionnement ; systèmes de recommandation pour les assortiments et le dimensionnement.
• Modèles génératifs pour l’idéation de motifs et l’évaluation de fabricabilité assistée par CAO ; copilotes LLM pour l’accompagnement sur les SOP et les passages de relais en fin d’équipe.
• Copilotes pour les planificateurs afin de soutenir les décisions d’allocation et de merchandising en exposant contraintes, risques et scores de confiance.

• Conception latence/SLA : cibles QC en ligne <120–250 ms ; API pour planificateurs tolérant quelques minutes ; disponibilité visée 99,0–99,5 % avec alertes vers OT + IT.
• Qualité des données : taxonomies standardisées des défauts, SOP d’étiquetage avec double contrôle QA, et réétiquetage périodique pour contrer la dérive.
• Mode shadow → HITL → assisté → autonome comme schéma de déploiement, avec rollback et fixation de versions pour modèles et recettes.
• Supervision couvrant précision/rappel, dérive, latence, taux d’anomalies et taux d’override opérateur ; déclencheurs de réentraînement automatisés avec pistes d’audit.
• Schémas de déploiement : edge pour faible latence et résidence des données, cloud pour l’entraînement intensif ; connectivité sécurisée via VPC/privatelink et accès par rôles ; minimisation des PII et préparation aux audits acheteurs.

• Accélérateurs de vision par ordinateur et de maintenance prédictive adaptés au textile avec modèles préconfigurés de défauts et d’anomalies couvrant tissage, tricot, teinture, ennoblissement et lignes d’impression.
• Livraison de bout en bout : intégration capteurs/PLC, ingénierie des données, QA d’étiquetage, développement de modèles, MLOps, UX opérateur et conduite du changement avec playbooks de déploiement multi-usines.
• Gouvernance prioritaire : résidence des données, contrôles d’accès, pistes d’audit et conformité aux règles UE/Royaume-Uni et aux audits acheteurs ; prise en charge de la connectivité VPC/privatelink et des déploiements en edge lorsque les données doivent rester sur site.
• MLOps et supervision intégrés : surveillance dérive/anomalie/latence, déploiements canary + shadow mode, modèles versionnés avec rollback et alertes liées aux SLA pour la disponibilité et la précision/rappel.
• Livraison sécurisée et conforme : minimisation des PII, accès basés sur les rôles, séparation des fonctions et playbooks d’incident alignés sur les exigences OT + IT.
• Pilotes rapides (8–12 semaines) permettant de quantifier les économies, puis passage à l’échelle avec composants réutilisables, formation des opérateurs/planificateurs et transfert de compétences aux équipes internes.

• Selon l’AHK (Chambre allemande de commerce à l’étranger), le marché mondial du textile atteignait environ 1,84 billion USD en 2023, avec une croissance du chiffre d’affaires de 7,4% prévue pour 2024–2030.
• Le marché mondial de l’habillement est d’environ 1,7 billion USD et devrait atteindre 2,6 billions USD d’ici 2025, soit environ 2% du PIB mondial.
• Certaines études estiment textile + habillement à environ 2,6 billions USD en 2023 et au‑delà de 4 billions USD d’ici 2033.
• Les textiles techniques (automobile, médical, protection) affichent une croissance plus rapide et une marge plus élevée, intensifiant les investissements dans l’automatisation et l’IA.

• L’Asie-Pacifique (Chine, Inde, Bangladesh, Vietnam, etc.) détient la plus grande part en production et en consommation; certains rapports indiquent 40–45%.
• L’Union européenne est un important marché d’importation d’habillement (191 milliards EUR en 2022).
• La Turquie compte parmi les principaux exportateurs vers des pays comme l’Allemagne, reconnue pour sa qualité moyenne à élevée, sa rapidité de livraison et sa production flexible.
• Le nearshoring vers l’Europe/MENA stimule les investissements dans des usines numériques, modulaires et activées par l’IA pour réduire les délais.

• Pression sur les coûts : la hausse des salaires et des coûts énergétiques réduit les marges, accélérant l’automatisation et l’investissement en IA.
• Pression liée à la durabilité : le secteur représente environ 5% des émissions mondiales de carbone; en 2024, environ 65% des producteurs adoptent des pratiques axées sur la durabilité.
• Volatilité de la demande : la fast fashion et l’incertitude de la demande augmentent les risques de stock et de planification; l’usage de l’IA pour la prévision et la planification progresse.
• Traçabilité et conformité : les réglementations à venir (Passeport Produit Digital, divulgations ESG) accroissent la demande de capture de données et de contrôles d’anomalies assistés par IA.

• Market.us : 2,4 Mds USD en 2023 → 21,4 Mds USD en 2033; TCAC 2024–2033 de 24,6%.
• Un autre cabinet de conseil : 2,64 Mds USD en 2024 → 43,8 Mds USD en 2034; environ 32,4% de TCAC.
• Towards Chemical & Materials : 4,12 Mds USD en 2025 → 68,4 Mds USD en 2035; TCAC de 32,45%.
• La croissance est la plus forte dans la vision par ordinateur, la maintenance prédictive, l’optimisation énergétique et le design génératif/copilots CAD.

• Production / atelier : maintenance prédictive, inspection qualité (tissu, fil, enduction, impression), optimisation des procédés (réglage des paramètres, optimisation des recettes, gestion énergétique).
• Chaîne d’approvisionnement et planification : prévision de la demande, optimisation des stocks, analyse du risque fournisseurs, approvisionnement dynamique.
• Produit et client : conception produit, prévision des tendances, personnalisation et recommandations de tailles, optimisation des prix.
• Part par application (autour de 2024) : l’inspection qualité détient la plus grande part avec plus de 30%; la maintenance prédictive est parmi les segments à la croissance la plus rapide; la chaîne d’approvisionnement et la personnalisation gagnent rapidement en importance pour les grandes marques.
• La gouvernance des données, le MLOps et l’inférence on‑edge/near‑line sont désormais des critères d’achat clés pour réussir les audits d’usine et répondre aux exigences IT.

Le contrôle textile traditionnel repose sur la vision humaine. Il est exigeant en main-d’œuvre, chronophage et très sensible à la fatigue des opérateurs.

Les systèmes de vision par ordinateur et d’apprentissage profond analysent les surfaces textiles avec des caméras haute résolution et détectent en temps réel les défauts de tissage et de coupe, les points manqués, les trous, les lignes, les taches et les écarts de couleur.

Les configurations avancées combinent imagerie RVB + hyperspectrale pour le contrôle des nuances, et edge AI pour une détection à faible latence directement sur la ligne.

Les modèles de segmentation (variantes U-Net, Mask R-CNN) isolent les zones défectueuses pour des décisions de découpe précises ; les contrôles spectral/Delta-E surveillent la cohérence des nuances en ligne.

• La précision de l’inspection manuelle est d’environ 60–70 %, ce qui signifie que 20–30 % des défauts sont manqués.
• Des modèles bien entraînés atteignent plus de 90 % de précision sur de nombreux types de défauts.
• Certains systèmes en temps réel détectent plus de 40 types de défauts à une vitesse de ligne de 60 m/min avec plus de 90 % de précision.
• Des études de 2024–2025 rapportent 80–95 % de précision même sur des motifs complexes.
• Les contrôles de cohérence des couleurs et d’enregistrement de l’impression réduisent les réclamations liées aux nuances et les retouches dans les chaînes d’approvisionnement de l’habillement.
• Latence typique d’inférence en ligne visée : <120–250 ms par image en edge pour suivre la vitesse de ligne.
• Exemple de code (Python) : `defects = yolo_model.predict(fabric_frames)`.

Les lignes de production textile fonctionnent souvent 24h/24 et 7j/7 ; la plupart des arrêts proviennent de pannes imprévues et d’une maintenance inadéquate.

Les données capteurs (vibration, température, courant, vitesse, tension, etc.) sont collectées ; le machine learning apprend les schémas normaux et signale rapidement les écarts.

La combinaison de la détection d’anomalies avec des données contextuelles (type de commande, matériau, conditions environnementales) réduit les faux positifs et priorise les bonnes interventions.

Les modèles segmentent par classe d’actifs : bancs à filer, métiers à tisser, lignes de teinture, cadres tendeurs, stenters et machines à tricoter ont chacun des signatures et modes de panne distincts.

• Environ 40 % de réduction des pannes imprévues.
• Environ 25 % d’économies sur les coûts de maintenance.
• 30–50 % de réduction des arrêts non planifiés.
• Meilleure planification des pièces de rechange grâce aux prévisions de temps avant panne et aux informations MTBF.
• Des intervalles de maintenance conditionnelle ajustés selon la criticité et l’utilisation de chaque machine.

Les processus tels que le titrage du fil, les motifs de tissage, les paramètres de tricotage, les recettes de teinture et les profils température‑temps de fixation comportent de nombreuses variables ; trouver manuellement les combinaisons optimales est difficile.

L’IA analyse de grands volumes de données de processus pour identifier les combinaisons de paramètres qui maximisent le rendement et la qualité, ainsi que les conditions qui augmentent la consommation d’énergie ou de produits chimiques.

Les jumeaux numériques simulent virtuellement les modifications de recettes et de paramètres avant leur déploiement sur la ligne, réduisant les essais et les déchets.

L’apprentissage par renforcement ou l’optimisation bayésienne peut ajuster les consignes dans des garde‑fous ; les contraintes OT (sécurité, émissions, intégrité des lots de teinture) restent codées en dur.

• Les modèles de jumeau numérique permettent de tester recettes et réglages dans un environnement virtuel, réduisant le temps d’essais‑erreurs.
• Vitesse de production plus élevée et moins d’arrêts.
• Moindre utilisation d’énergie, d’eau et de produits chimiques pour une qualité identique.
• Les recommandations automatisées de consignes réduisent la variabilité des opérateurs sur les machines critiques.
• L’optimisation du dosage chimique en ligne réduit la variance entre lots.

Dans les environnements de production complexes, optimiser simultanément le portefeuille de commandes, le parc machines et le planning des équipes est un défi.

L’analytique avancée évalue les priorités et les dates de livraison pour recommander quelles commandes exécuter sur quelles lignes et dans quel ordre.

Les planificateurs IA prennent en compte les temps de changement de série, la compatibilité teinture/finition et les compétences des opérateurs pour minimiser les temps morts et les heures supplémentaires.

Les prévisions hiérarchiques et de séries temporelles alimentent l’allocation, tandis que l’apprentissage par renforcement ou les optimiseurs MILP proposent des plannings sous contraintes.

• Taux de livraison à l’heure plus élevé.
• Moins d’heures supplémentaires et moins de chargements urgents.
• Meilleure utilisation des lignes et moins de goulots d’étranglement.
• Fiabilité accrue du promise-to-ship pour les clients de marque.
• S&OP plus serré : relier les signaux de demande aux décisions de capacité en tissage/tricotage/teinture.

La teinture et l’apprêt, le lavage, le séchage, la vapeur et la fixation consomment beaucoup d’énergie et d’eau.

La gestion énergétique pilotée par l’IA analyse les données de consommation pour détecter les anomalies et recommander l’équilibrage des charges ainsi que les réglages optimaux de température et de durée.

La détection d’anomalies sur les réseaux de vapeur et d’air comprimé prévient les fuites et génère des économies immédiates.

• 5–10 % d’économies d’énergie.
• Réductions significatives de l’empreinte carbone.
• Conformité améliorée avec les réglementations telles que le Green Deal européen.
• Une demande énergétique plus prévisible et une réduction des coûts de pointe.

Les modèles génératifs accélèrent l’idéation des motifs, coloris et accessoires ; l’IA intégrée à la CAO vérifie en amont la fabricabilité, les contraintes matière et les impacts coûts.

La prévision de la demande combinée aux systèmes de recommandation guide les styles, coloris et tailles à acheter ou à produire par canal et par région.

L’optimisation des placements et les algorithmes de nesting réduisent le gaspillage de tissu en salle de coupe, connectés à la CAO et au PLM.

• Des cycles conception‑mise en rayon plus courts et moins de séries d’échantillons.
• Un meilleur sell‑through au prix fort grâce aux courbes de tailles et aux assortiments spécifiques par canal.
• Un risque de surproduction réduit et une rotation du fonds de roulement améliorée.
• Réduction des déchets grâce à l’optimisation des placements et de la planification de coupe.

Une visibilité de bout en bout est de plus en plus exigée par les marques et les régulateurs ; l’IA aide à rapprocher les données des fournisseurs, de la logistique et de la production pour faire émerger les anomalies et les risques.

La vision par ordinateur et les signaux RFID/IoT sont combinés pour vérifier les étiquettes, les matériaux et les étapes de procédé en vue de la préparation au passeport produit numérique.

Les signaux de risque fournisseurs (OTIF, défauts qualité, alertes ESG) alimentent les décisions d’allocation et de double sourcing ; la blockchain ou les événements signés soutiennent la traçabilité lorsque requis.

• Moins de rétrofacturations et de pénalités de conformité.
• Analyse plus rapide des causes racines lorsque des problèmes qualité apparaissent en aval.
• Planification de scénarios pour les perturbations fournisseurs et les retards logistiques.
• Décisions plus fines sur les SKU/assortiments par canal avec une meilleure disponibilité et moins de capital immobilisé.

La tarification dynamique et l’optimisation des démarques équilibrent marge et sell‑through pour les styles volatils tout en protégeant les corridors de prix de la marque.

Les copilotes de planification synthétisent les signaux d’offre, les évolutions de la demande et les contraintes de capacité, et recommandent des allocations par canal/région/SKU avec explicabilité.

• +150–300 points de base de marge sur les SKU ciblés grâce à une cadence de démarque optimisée (plage variable selon la catégorie et la saisonnalité).
• Meilleure planification des liquidations avec moins de stocks résiduels.
• Des décisions d’assortiment éclairées par les courbes de tailles, les retours et les signaux de demande localisés.

• Amélioration de 20–30% de la détection des défauts par rapport à l’inspection manuelle.
• Certains systèmes détectent plus de 40 types de défauts avec plus de 90% de précision.
• Réductions significatives des réclamations clients et des retours (variation selon l’entreprise).
• Le contrôle des nuances et des impressions réduit les retouches en teinturerie et les « seconds » de quelques points en bas de la fourchette.
• Objectifs de latence en ligne : <120–250 ms pour suivre des lignes de 40–80 m/min.

• Réduction de 30–40% des pannes imprévues.
• Réduction de 20–25% des coûts de maintenance.
• Réduction de 30–50% des arrêts non planifiés (jusqu’à 48% dans certains cas).
• Moins d’heures supplémentaires et d’interventions le week-end grâce à la stabilisation des fenêtres de maintenance.
• La visibilité MTBF améliore la planification des pièces de rechange et les négociations avec les fournisseurs.

• Réduction de 5–10% de la consommation d’énergie par unité.
• Amélioration de 3–5% des taux de rebut et de retouche, avec un impact de plusieurs millions de dollars à grande échelle.
• Moins d’utilisation de produits chimiques et d’eau en teinture/finition sans perte de qualité.
• Hausse de 1–3% du rendement sur les recettes critiques grâce à l’optimisation des points de consigne.

• Amélioration de 10–20% de l’erreur de prévision de la demande (exemples sectoriels).
• Rotation des stocks et niveaux de service supérieurs.
• Meilleure précision des engagements envers les marques clientes, réduisant les pénalités.
• +3–8 pts de livraisons à temps lorsque la planification est assistée par l’IA.

• Moins de cycles d’échantillonnage et une validation plus rapide des designs réduisent le calendrier de plusieurs semaines.
• Meilleur sell-through au prix fort grâce aux courbes de tailles et décisions d’assortiment basées sur les données.
• Moins de surproduction réduit les dépréciations et améliore la conversion de trésorerie.
• Amélioration de 1–3 pts de la marge via une optimisation plus intelligente des démarques/prix sur les SKU ciblés.

• Maturité digitale et lacunes de données : les données machines ne sont souvent pas collectées ou pas standardisées.
• Coût d’investissement et incertitude du ROI : pour les PME en particulier, l’investissement initial semble élevé et les bénéfices difficiles à quantifier.
• Pénurie de talents qualifiés : les compétences combinées OT, IT et data science sont rares.
• Conduite du changement : inquiétudes des opérateurs et managers intermédiaires concernant la perte d’emploi.
• Gouvernance et sécurité des données : les réseaux d’usine, PLC et systèmes de vision doivent être conformes à l’IT/infosec et aux audits des donneurs d’ordre.
• Qualité de l’annotation : des taxonomies de défauts incohérentes et un glissement des SOP réduisent la précision/rappel des modèles.

• Mauvais choix de modèle ou d’algorithme → taux élevés de faux positifs/faux négatifs.
• Négligence du modèle → la précision se dégrade lorsque les procédés évoluent.
• Dépendance excessive aux fournisseurs (solutions boîte noire).
• Manque de MLOps et de monitoring → le drift passe inaperçu, érodant le ROI.
• Contraintes edge/latence ignorées → les systèmes d’inspection peuvent ne pas suivre la vitesse de ligne.
• Boucles HITL/QA insuffisantes → bruit d’annotation non détecté et récupération lente du modèle.

• Sélectionner les lignes et machines à plus fort impact (ex. filature/tissage/tricotage + teinture/finition).
• Planifier les investissements en capteurs et collecte de données (intégrations PLC, capteurs de vibration/température, compteurs d’énergie).
• Centraliser les données dans une plateforme unique (data lake ou base de données temporelles + tableaux de bord).
• Mettre en place une gouvernance des données : contrôles d’accès, politiques de rétention, standards d’étiquetage et journaux d’audit alignés sur les exigences des acheteurs.
• Définir les taxonomies de défauts, les SOP d’étiquetage et les plans d’échantillonnage QA pour les jeux de données CV ; définir les attentes de latence/SLA avec l’OT.

• PoC de détection de défauts textiles : déployer une inspection par caméra sur une ligne sélectionnée et quantifier les défauts manqués ainsi que les économies par rapport à l’inspection manuelle.
• Pilotage de maintenance prédictive : collecter les données capteurs sur quelques machines critiques et construire un modèle d’alerte précoce ; éviter 1–2 pannes critiques pour prouver le ROI.
• Collaborer avec des fournisseurs externes tout en nommant au moins un responsable métier interne et un référent data/automatisation.
• Mettre en place les bases MLOps : versioning, CI/CD pour les modèles, tableaux de bord pour précision/rappel et routage des alertes vers les équipes maintenance/qualité.
• Exécuter un mode shadow + revue HITL pour les alertes QC et maintenance avant l’auto‑arrêt ; s’accorder sur la SLA/latence pour l’inspection en ligne (<250 ms).

• Déployer l’inspection qualité automatisée sur d’autres lignes et types de tissus.
• Étendre la maintenance prédictive à l’ensemble du parc de machines critiques.
• Développer des modèles analytiques supplémentaires pour l’optimisation énergétique et procédurale.
• Renforcer la planification et l’ordonnancement ERP/MES avec une couche IA.
• S’intégrer aux systèmes de traçabilité et aux exigences de passeport numérique produit ; exposer les métriques aux portails clients.
• Mettre en place une surveillance continue de la dérive, latence, disponibilité ; ajouter rollback/versioning et blue‑green ou canary pour les déploiements de modèles.
• Former les opérateurs et accompagner le changement pour évoluer de modes assistés à autonomes avec mise à jour claire des SOP.

• AHK – Chambre de commerce germano-égyptienne | Fiche d’information sur l’industrie du textile et de l’habillement (textile & apparel mondial/régional, importations UE)https://aegypten.ahk.de/en/content/download/80073/1100475?version=3
• Custom Market Insights | Marché mondial du textile et de l’habillement 2024–2033https://www.custommarketinsights.com/report/textile-and-apparel-market/
• Grand View Research | Taille, part et tendances du marché du textile | Rapport sectoriel 2033https://www.grandviewresearch.com/industry-analysis/textile-market
• Spherical Insights | Taille, part et tendances du marché du textile et de l’habillementhttps://www.sphericalinsights.com/our-insights/textile-and-apparel-market
• Nivesh Mitra (Gouvernement de l’UP, Inde) | Commerce mondial du textile et de l’habillement (valeur des exportations)https://niveshmitra.up.nic.in/Textiles.aspx
• Rawalwasia (blog industriel) | Révolutionner les innovations textiles dans l’industrie modernehttps://rawalwasia.in/textile-innovations-the-modern-textile-industry-2024/

• Market.us | Taille, part et tendances du marché de l’IA dans le textile | TCAC de 24,6 %https://market.us/report/ai-in-textile-market/
• Towards Chemical & Materials | Le marché de l’IA dans le textile atteindra 68,44 Mrd USD d’ici 2035https://www.towardschemandmaterials.com/insights/artificial-intelligence-in-textile-market
• Yahoo Finance | Le marché de l’IA dans le textile valorisé à 68,44 milliards USD d’ici 2035https://finance.yahoo.com/news/ai-textile-market-size-worth-081800362.html
• Market Techie | Marché de l’IA dans le textile 2025–2034 : croissance, tendances et leadershttps://www.markettechie.com/ai-in-textile-market/
• Cervicorn Consulting | Intelligence artificielle dans le marché du textile – analyse segmentairehttps://www.cervicornconsulting.com/artificial-intelligence-in-textile-market

• Wiley / Hindawi | Détection des défauts de tissu à l’aide de la vision par ordinateur (2020)https://onlinelibrary.wiley.com/doi/10.1155/2020/8189403
• Wiley / Hindawi | Détection des défauts de tissu dans la fabrication textile : état de l’art (2021)https://onlinelibrary.wiley.com/doi/10.1155/2021/9948808
• Nature Scientific Reports | Détection en temps réel des défauts de tissu basée sur un algorithme Elo amélioré (2025)https://www.nature.com/articles/s41598-025-17747-y
• SAGE Journals | Détection des défauts de tissu utilisant l’IA et le machine learning pour une fabrication allégée et automatisée de panneaux acoustiques (2024)https://journals.sagepub.com/doi/10.1177/09544054231209782
• Advantech (étude de cas) | Inspection de défauts par IA pour le textile (2019)https://www.advantech.com/en/resources/case-study/ai-defect-inspection-for-textile
• Robro Systems (textiles techniques) | Comment l’IA transforme le contrôle qualité de l’industrie du textile technique (2025)https://www.robrosystems.com/blogs/post/how-ai-is-reshaping-the-technical-textile-industry-s-quality-control
• Indian Textile Magazine | Il est temps que la vision par ordinateur IA détecte les défauts de tissu (2025)https://www.indiantextilemagazine.in/it-is-time-for-ai-computer-vision-to-detect-fabric-defects/
• EasyODM (blog industriel) | L’IA dans la fabrication textile : améliorer le contrôle qualité (2024)https://easyodm.tech/ai-in-textile-manufacturing/

• WarpDriven.ai | Maintenance prédictive par IA dans le textile 2025https://warpdriven.ai/en/blog/industry-1/ai-predictive-maintenance-textile-machinery-guide-178
• Global Textile Times | Maintenance prédictive pour machines textiles via IoT (2025)https://www.globaltextiletimes.com/uncategorized/predictive-maintenance-for-textile-machinery-using-iot/
• Ultralytics | L’avenir de la production textile avec la fabrication pilotée par l’IA (2026)https://www.ultralytics.com/blog/the-future-of-textile-production-with-ai-driven-manufacturing
• Technical Textiles Innovation / ITMF | IA dans l’industrie textile (édition 2024) – PDFhttps://www.itmf.org/images/dl/articles/2024/Technical-Textiles-Innovation-October-December-2024-Issue.pdf
• ITMF – International Textile Manufacturers Federation | IA dans l’industrie textile (PDF technique)https://www.itmf.org/images/dl/articles/2024/AI-in-the-Textile-Industry_Technical-Textiles-Innovations.pdf
• IJRASET (académique) | Application de l’IA pour les futurs modèles économiques dans le textile et… (2025)https://www.ijraset.com/research-paper/applying-ai-for-future-business-models-in-the-textile
• TTP / iVGPU (académique) | Maintenance prédictive intégrant l’IA (PDF)https://ttp.ivgpu.com/wp-content/uploads/2025/12/419_51.pdf
• ITMF Conference 2024 | Sessions IA & textile numériquehttps://www.itmf.org/conferences/previous-conferences/itmf-conference-2024