La recommandation de notre expert Amine
Lorsque nous avons lancé Dataswati en 2016, la perception de l’intelligence artificielle (IA) par le public était très vague et lointaine. Nous avons eu le plaisir de voir depuis une maturité grandissante sur le sujet, portée par le bruit de fond général des différents débats publiques sur la place de l’IA dans la société. Il est difficile aujourd’hui de ne pas entendre parler d’intelligence artificielle, mais il est encore plus difficile de trouver des explications claires et concrètes sur ce sujet.

Nous avons nous-mêmes beaucoup communiqué et échangé avec différents publics, dont des professionnels de l’industrie (nous intervenons régulièrement dans des tables rondes et des conférences pour d’autres métiers, mais aussi à l’université et grandes écoles). Et nous avons appris comment démystifier, expliquer et illustrer le sujet de façon claire et efficace, et identifier quelques points qui nécessitent des éclaircissements et qui permettent une meilleure compréhension globale.

Voici donc pour vous les points principaux à comprendre sur l’intelligence artificielle pour réussir sa transition vers l'usine connectée et intelligente.

Intelligence Artificielle : pourquoi maintenant ? et quel est le lien avec les Big Data ?

On parle aujourd’hui d’intelligence artificielle comme on parlait hier de Big Data, et si c’est dans cet ordre, ce n’est pas par hasard. L’écosystème Big Data a été développé pour répondre aux problématiques de gestion de la donnée à l’échelle d’internet, ce qu’on appelle communément les 3V (Volume, vélocité, variété), qui peuvent se résumer au seul V de Verrous à lever pour rendre transparente l’utilisation de la donnée. Ce mouvement a été initié par les GAFA et assimilés, puisque leurs activités tournent essentiellement autour de la donnée.

Il n’est donc pas étonnant que, suite à l’acquisition de vastes volumes de données, on retrouve les mêmes acteurs en position privilégiée pour exploiter cette donnée, en étant pionniers dans le développement des algorithmes et des solutions logicielles qui complètent l’écosystème Big Data.

L’adoption de ces outils dans un contexte de numérisation d’un secteur économique qui va stimuler l’innovation. Ça a été le cas du secteur de l’assurance, c’est le cas actuellement dans le médical, le droit, etc.

Le mouvement de l’industrie 4.0 obéit à la même logique puisqu’il repose fortement sur le numérique. Ce mouvement va d’ailleurs s’accélérer, car des outils complémentaires arrivent pour lever l’ensemble des verrous restants, notamment concernant la connexion et la remontée d’informations à partir des usines, qui deviennent donc connectée (on va parler d’IIoT, de 5G, de réseaux bas-débits tels que SigFox ou LoRa, etc).

De quoi parle-t-on au juste ?

L’intelligence artificielle est un terme qui reste générique et englobe différentes choses, mais aujourd’hui, on en parle principalement à cause du changement de paradigme qui s’opère dans le développement d’algorithmes.

Une façon simple de se représenter ce changement de paradigme, est de se dire que pour logiciel ou un système numérique au sens large (robots, voitures, etc), nous attendons un comportement particulier dans un contexte donné.

Ce comportement est généralement codé explicitement par une équipe d’experts, après les spécifications et la définition d’un cahier des charges. Pour une voiture que l’on veut autonome, cela implique de coder l’ensemble des réactions possibles pour toutes les situations possibles, dans le respect du code de la route. Une tâche très longue, fastidieuse et probablement impossible au vu des multiples combinaisons possibles de configurations de routes, d’événements, etc.

Le changement de paradigme impulsé par l’adoption massive d’outils de l’intelligence artificielle consiste à considérer que ce comportement sera appris à partir d’exemples (les données), par mimétisme de la façon dont nous-mêmes apprenons (si je veux vous apprendre à reconnaître un cheval, je vais vous montrer des images de chevaux).

Il important de noter à ce stade que nos algorithmes apprenants le sont pour des tâches spécifiques, dans un contexte très limité. Ce dernier étant fixé par le Data Scientist qui va définir un score d’apprentissage que l’algorithme doit optimiser, ainsi que les données qui vont être utilisées.

Pour reprendre l’exemple de la voiture, il s’agit d’abord de développer une couche d’intelligence pour la perception, qui apprend à extraire les informations pertinentes du terrain, à partir des données capteurs, caméra, lidar, etc. Puis une couche de décision, qui relie ces informations au comportement d’un conducteur, pour extraire des patterns qui permettent de généraliser à partir des exemples à des situations similaires que la voiture va rencontrer au cours de son utilisation.

Comment l’exploiter dans l’industrie 4.0 ?

La maintenance prédictive est souvent citée, car elle offre le double avantage de fournir une porte d'entrée simple à appréhender vers les innovations d'usage, tout en restant dans un cadre familier favorable à des expérimentations par petites touches.

Le suivi en temps réel des outils de production et la disponibilité croissante des données automates et capteurs permet en effet de constituer une base d'apprentissage pour des algorithmes apprenants, qui détectent et anticipent de façon optimale les risques de pannes et d'anomalies, en permettant aux opérateurs de se concentrer sur leur métier et de faire tourner au mieux leurs machines.

Sur des sujets plus complexes, il faut avoir d’un côté l’expertise métier, pour pouvoir identifier les manques et les frustrations quotidiennes, et de l’autre une certaine familiarité avec les innovations technologiques pour pouvoir poser les questions de sorte à pouvoir y apporter une réponse avec les outils dont on dispose. C’est la raison pour laquelle l’innovation d’usage prend toujours plus de temps que l’innovation technologique.

Un écosystème d'acteurs dont Dataswati fait parti

Notre IA PowerOP® par exemple a été développée suite au constat que sur des process de production continus longs et complexes, le pilotage se fait sans feedback, et l’opérateur doit gérer seul la tension entre la qualité optimale, la gestion de la cadence, la consommation énergétique et l’utilisation de matières premières. L’IA apprend donc des données historiques le comportement du système et fait remonter automatiquement les informations pertinentes, en s’adaptant en continu au contexte de production, qui est, dans les cas qui nous intéresse, dynamique et variable, et où la fixation de seuils et de valeurs cibles statiques n’a aucune pertinence.

Aujourd’hui un écosystème robuste d’acteurs innovants émerge, et les cas d’usage traités par les uns et les autres se font de plus en plus nombreux. Nous recommandons d’aller discuter avec le plus grand nombre, pour accélérer la maturation sur ses sujets et faire en sorte que l’industrie 4.0 ne soit pas uniquement l’industrie du futur, mais du présent.

Si vous pensez être prêts pour initier un sujet data innovant, nous vous encourageant également à regarder notre méthode de formalisation : le Data Use Case Canvas, disponible ici en libre accès.