Votre stratégie d'IA est-elle réaliste ou un escalier vers le paradis ?

Rappels de Luke Durcan, directeur d'EcoStruxure chez Schneider Electric entendre un cadre d'une entreprise industrielle dire quelque chose du genre :« Nous voulons faire de l'IA. Nous voulons intégrer l'IA dans notre processus le plus rapidement possible."

"Lorsque?" demanda Durcan.

"Probablement en juillet", a rappelé Durcan, a déclaré l'exécutif anonyme. "Oui, nous voulons obtenir de l'IA d'ici juillet."

« Vous regardez juste le gars, puis vous vous rendez compte qu'il ne comprend vraiment pas le processus. Il ne comprend vraiment pas les mécanismes sous-jacents et les exigences pour y arriver », a déclaré Durcan. « Et la réalité est que, dans un contexte industriel, l'IA n'existe pas. C'est du marketing."

Alors que les experts de l'industrie et de la science des données ont une variété d'opinions différentes sur des notions vagues telles que l'IA et son lien avec une intelligence générale artificielle presque magique, ils s'accordent sur la nécessité d'une contextualisation progressive et disciplinée des données et du déploiement de techniques telles que l'analyse, apprentissage automatique et autres.

Atif Kureishy, ​​qui dirige l'initiative d'IA et d'apprentissage en profondeur de Teradata, définit l'IA comme une suite de techniques de support comprenant l'analyse, l'apprentissage automatique et l'apprentissage en profondeur utilisées pour soutenir un résultat commercial. "Lorsque vous examinez l'apprentissage en profondeur, par exemple, qui est un sous-ensemble de l'apprentissage automatique, il applique des réseaux de neurones, de grands calculs basés sur GPU et une haute dimensionnalité des données pour faire des prédictions de plus en plus précises", a déclaré Kureishy.

Quant aux industries qui ont été les plus rapides à adopter de telles techniques, ce sont les "suspects habituels", a déclaré Kureishy, ​​y compris les technologies grand public, les services financiers et les assurances. La vente au détail et les télécommunications font partie d'un groupe qui est le prochain en ligne, a-t-il déclaré. En termes de fabrication, le secteur automobile est l'un des secteurs les plus rapides à adopter des techniques telles que l'apprentissage automatique et la vision par ordinateur, étant donné l'intérêt de cette industrie pour les véhicules autonomes.

Durcan a déclaré que l'industrie pétrolière et gazière est un pionnier au sein des industries de transformation. "Ces organisations [pétrolières et gazières] investissent dans les données, les infrastructures et la technologie depuis de très nombreuses années, car cela leur crée de la valeur depuis de très nombreuses années", a-t-il expliqué.

Plus bas dans la courbe de maturité de la fabrication par processus se trouvent les biens de consommation emballés et les secteurs des matériaux, des minéraux et des mines, tandis qu'un certain nombre d'entreprises de fabrication discrètes telles que les fabricants d'électronique sont « assez très avancées », a déclaré Durcan

Alors, que devraient faire les entreprises industrielles à la traîne pour rattraper le terrain perdu lorsqu'il s'agit d'une stratégie d'Industrie 4.0, d'usine intelligente ou d'IA - ou quel que soit le terme préféré ? Et que devraient faire ensuite ceux qui se trouvent au milieu du peloton ?

Commencez d'abord par effectuer un auto-audit et, si nécessaire, assurez-vous que votre organisation dispose d'une base solide en science des données. Une grande partie du travail de Teradata avec les entreprises industrielles consiste à « construire les aspects fondamentaux dans lesquels nos clients bancaires, par exemple, ont investi au cours des 30 dernières années », a déclaré Kureishy. De nombreuses entreprises industrielles s'efforcent de comprendre les types de données contextuelles dont elles disposent, en calibrant des capteurs et en se concentrant sur les aspects de la « science des données 101 » liés aux talents, aux outils et à leur environnement.

Il ne s'agit pas de s'en prendre aux entreprises industrielles. L'année dernière, Gartner a découvert que plus de 87 % des entreprises (tous secteurs confondus) avaient une faible maturité en matière de business intelligence et d'analyse.

À un stade précoce, un fabricant peut avoir instrumenté une chaîne de capteurs dans ses opérations pour mieux comprendre les conditions auxquelles un matériau est exposé dans le processus de fabrication. Une fois que cette organisation peut suivre ses données dans leur contexte, elle peut commencer à repérer les anomalies précédant un défaut de fabrication qui conduit à la mise au rebut. "Ce n'est pas encore vraiment une prédiction, mais cela veut dire:" Hé, je peux maintenant mieux caractériser ce qui se passe dans ce processus de fabrication ", a déclaré Kureishy. "Parce que j'ai toutes ces données de télémétrie qui sortent et que je peux les traiter et les analyser, et les assembler, je peux mieux caractériser de manière quantitative ce qui s'est mal passé."

À un stade précoce comme celui-ci et tout au long du processus, Durcan a souligné l'importance de se concentrer sur les personnes et les processus ainsi que sur la technologie. « Dans une installation typique de friches industrielles, il y a des gens qui sont là depuis 20, 30 ou 40 ans qui en savent probablement beaucoup plus sur le processus que vous ne le saurez jamais », a-t-il déclaré. « Et puis il y a le processus lui-même, qui, encore une fois, est une évolution dans le temps. Ainsi, vous allez trouver des moyens d'intégrer votre technologie dans l'environnement de processus des personnes pour offrir une valeur incrémentielle.

Les organisations industrielles qui ont investi dans la construction d'une base solide en science des données peuvent alors commencer à explorer le potentiel de techniques plus avancées telles que les réseaux de neurones. Et au fur et à mesure que leur maturité avance, ils peuvent passer de la caractérisation de ce qui se passe dans leurs opérations à la corrélation des variables qui surviennent dans cet environnement et finalement à l'établissement d'un lien de causalité entre les variables. "Cela veut dire:" Quand A se produit, B se produit, donc je sais que C va se matérialiser ", a expliqué Kureishy. « Cela vous met dans une meilleure position de prédiction. Vous pouvez commencer à dire :« Je commence à voir ces anomalies. Si vous n'intervenez pas à un certain niveau, alors je sais que cette condition C va se produire.' »

Le niveau suivant étend la sophistication. "Vous pouvez faire une recommandation vraiment distincte de manière normative pour corriger ou optimiser un processus", a ajouté Kureishy. Le niveau supérieur est celui où tout ce processus de détection des anomalies et de leur résolution avant qu'elles ne causent de plus gros problèmes est entièrement automatisé. "Nous parlons de Terminator", a plaisanté Kureishy.

Les organisations industrielles devraient éviter de conclure que leur stratégie d'IA a une destination finale précise. "Il n'y a pas de nirvana sur la colline", a déclaré Durcan. « Cela devient de plus en plus compliqué. »

Enfin, les leaders de l'industrie doivent comprendre que « l'intégration des données est primordiale, mais les données en elles-mêmes ne sont que les débuts d'un modèle prédictif et d'un modèle analytique », a ajouté Durcan. Il est essentiel que ces professionnels comprennent la hiérarchie de leurs actifs, leur modèle d'actifs et leur contexte. « Ensuite, vous pouvez commencer à créer des informations détaillées plus détaillées sur le flux de données et l'infrastructure de données autour de votre organisation », a ajouté Durcan. À partir de là, ils peuvent exploiter les données pour des visualisations descriptives et une réaction opérationnelle. "C'est pour cela que 90% des gens vont l'utiliser", a-t-il ajouté. « Mais il faut faire le premier pas du voyage pour y arriver. »