Votre stratégie IA est-elle réaliste, ou juste un rêve ?

Luke Durcan, directeur d'EcoStruxure chez Schneider Electric, raconte une conversation avec un dirigeant d'une entreprise industrielle qui a déclaré : « Nous voulons faire de l'IA. Nous voulons mettre de l'IA dans notre processus le plus vite possible. »

Quand Durcan a demandé : « Quand ? », le dirigeant a répondu : « Probablement juillet. »

Durcan a observé que le dirigeant manquait clairement de compréhension profonde des processus, mécanismes et exigences nécessaires pour réaliser l'intégration IA. Il a noté que, dans de nombreux contextes industriels, « l'IA » est souvent utilisée comme mot à la mode plutôt que comme capacité concrète.

Les experts en analytique industrielle et data science s'accordent constamment sur une approche disciplinée, étape par étape : contextualiser les données, puis appliquer analytique, machine learning et deep learning pour atteindre de vrais résultats business.

Atif Kureishy, responsable de l'initiative IA et deep learning de Teradata, définit l'IA comme une suite de techniques supportantes – analytique, machine learning, deep learning – adaptées pour résoudre des problèmes business spécifiques. « Par exemple, le deep learning – utilisant réseaux de neurones, calcul GPU et données haute dimension – permet des prédictions de plus en plus précises », explique Kureishy.

Les industries ayant adopté ces techniques tôt incluent la tech grand public, les services financiers et l'assurance. Retail, télécoms et automobile suivent de près. Dans la fabrication, le secteur automobile est parmi les adopteurs les plus rapides, poussé par son focus sur les véhicules autonomes.

Durcan met en avant l'industrie pétrolière et gazière comme pionnière dans les secteurs de process. « Ces organisations ont investi dans les données, l'infrastructure et la technologie pendant des décennies car cela a constamment délivré de la valeur », dit-il.

Plus loin sur la courbe de maturité, les biens de consommation emballés, matériaux, minéraux et secteurs miniers montrent une progression constante, tandis que les fabricants discrets – comme les producteurs d'électronique – sont déjà assez avancés.

Alors, que devraient faire les entreprises industrielles à la traîne pour rattraper leur retard à l'ère de l'Industrie 4.0, usines intelligentes et IA ? Et quelles prochaines étapes pour les entreprises de niveau intermédiaire ?

La première démarche est un auto-audit pour assurer une fondation data-science robuste. Teradata assiste souvent ses clients dans la construction des éléments fondamentaux qui ont servi ses clients bancaires pendant 30 ans. Beaucoup d'entreprises industrielles doivent identifier les données contextuelles qu'elles possèdent, calibrer les capteurs, et se concentrer sur la « data-science 101 » – talents, outillage et environnement.

Selon la recherche 2023 de Gartner, plus de 87 % des organisations à travers tous les secteurs exhibent une maturité faible en business intelligence et analytique.

Au départ, un fabricant peut déployer un réseau de capteurs à travers ses opérations pour capturer les conditions qu'un matériau subit pendant la production. Avec les données contextuelles en main, l'entreprise peut détecter les anomalies qui précèdent les défauts et rebuts. « Ce n'est pas encore de la prédiction complète, mais c'est une meilleure caractérisation du processus », note Kureishy.

Durcan insiste que la technologie doit être intégrée avec les gens et processus. « Dans une installation brownfield typique, des employés chevronnés détiennent une connaissance de processus inestimable. Vos outils IA doivent compléter cette expertise, délivrant de la valeur incrémentale », dit-il.

Une fois qu'une entreprise a une base data-science solide, elle peut explorer des techniques plus avancées comme les réseaux de neurones. À mesure que la maturité grandit, le focus passe de la description d'événements à la corrélation de variables et l'établissement de causalité. « Quand A arrive, B se produit, donc nous savons que C se matérialisera », explique Kureishy. « Cette insight prédictive permet une intervention proactive. »

Une sophistication supplémentaire permet des recommandations prescriptives pour optimiser ou corriger les processus. L'apogée de ce voyage est la détection et résolution d'anomalies entièrement automatisée – essentiellement, un « terminator » automatisé de défauts, comme Kureishy l'a plaisanté.

Durcan met en garde que le voyage IA n'a pas de destination finale. « Il n'y a pas de nirvana à l'horizon ; le paysage continue d'évoluer », dit-il.

Enfin, les leaders industriels doivent prioriser l'intégration des données. Les données seules ne sont que le point de départ pour des modèles prédictifs ou analytiques. Comprendre la hiérarchie d'actifs, le modèle et le contexte est critique. À partir de là, les organisations peuvent construire des flux de données détaillés et l'infrastructure, permettant visualisations descriptives et réponses opérationnelles. « C'est à quoi 90 % des gens utilisent les données pour », ajoute Durcan. « La première étape est la plus dure. »