Accélérer les projets IA dans l'aérospatiale : surmonter la peur, les contraintes et le blocage des données

Chaque être humain ressent la peur, et à sa manière. Dans le monde de l'IA, la peur est motivée par l'inconnaissance du processus, l'impact professionnel de l'échec et les tâches intimidantes de rassembler toutes les personnes et perspectives nécessaires juste pour démarrer. Dans l'aérospatiale, ce défi est aggravé par les pénuries de ressources, les défis de chaîne d'approvisionnement et la volatilité du marché. Ajoutez d'énormes quantités de données disparates et déconnectées et vous avez la recette pour le blocage, les projets échoués et l'argent gaspillé.

L'échec au lancement est réel. Voici trois leçons clés tirées de notre travail avec Rolls-Royce et Gulfstream qui permettront à votre projet IA de décoller.

Leçon 1 : Comment mange-t-on un éléphant ?

Une bouchée à la fois. Les entreprises aérospatiales veulent augmenter leurs marges opérationnelles. De la réduction des temps d'arrêt à la qualité prédictive en passant par la prévision du mouvement des pièces critiques, il y a beaucoup d'opportunités. Ne vous laissez pas prendre par toutes les possibilités. Trouvez-en une qui peut être accomplie rapidement et établissez la crédibilité de votre équipe et de votre fournisseur. C'est important car l'IA est un processus itératif. Si la disponibilité des données et de l'expertise métier est incohérente, votre projet s'arrêtera. Chez Rolls-Royce, nous avons discuté de cas d'usage pour la maintenance prédictive et la réduction de rebut avant de nous fixer sur la qualité prédictive au banc d'essai. Pourquoi ? Parce que les données et les ressources client dont nous avions besoin étaient facilement disponibles et que le chemin pour intégrer la capacité était clair. Pensez au rasoir d'Occam ici : le chemin le plus direct est le meilleur.

Leçon 2 : Ne perdez pas le contrôle

Un point clé de discorde entre le métier et l'informatique est de savoir qui gardera le contrôle de cette nouvelle capacité et comment elle sera supportée et maintenue. Les fournisseurs cloud vantent des démarrages rapides grâce à une infrastructure facilement disponible et abordable. Pour le métier, cela représente un chemin clair pour démarrer sans la bureaucratie des processus IT. Cependant, cela peut mener à un verrouillage technique ; une situation où toute votre logique, vos modèles et vos processus de données sont coincés dans les systèmes d'un seul fournisseur. Les coûts augmenteront, la flexibilité sera limitée et vous vous sentirez piégé. Rappelez-vous, la valeur est dans la logique, les modèles et les constructions de données — pas nécessairement dans l'infrastructure. Chez Gulfstream, nous avons évité ce piège en tirant parti de la conteneurisation, une approche qui permet à votre logique et fonctionnalité d'être complètement portables, déployées et mises à l'échelle sur n'importe quelle combinaison d'infrastructure basée sur les exigences et le coût. Gulfstream a pu maintenir le contrôle de sa propriété intellectuelle et pouvait l'étendre au(x) fournisseur(s) de son choix.

Leçon 3 : Comprendre le vrai coût

Il est facile de tomber amoureux d'un cas d'usage rapide, simple et abordable. Mais que se passe-t-il si vous voulez l'étendre à plusieurs lignes, usines et processus ? Est-ce encore rapide, simple et abordable ? Les solutions cloud peuvent être trompeuses à cet égard ; le stockage est peu coûteux mais la capacité de calcul requise pour entraîner et ajuster les modèles peut devenir coûteuse à mesure que les jeux de données grossissent. Un client a projeté une augmentation de 35x des coûts cloud associés à la mise à l'échelle d'un modèle de maintenance prédictive sur quatre opérations d'usine. Encore une fois, la conteneurisation peut être utilisée pour optimiser les coûts de mise à l'échelle. Chez Rolls-Royce, nous avons tiré parti de la conteneurisation pour réentraîner les modèles sur une infrastructure locale à moindre coût, puis déployer les modèles réentraînés dans des environnements cloud pour un accès et une disponibilité optimaux. Cela a permis de maintenir le coût de mise à l'échelle sous 5 % par an.

Gérer la complexité, le contrôle et le coût est au cœur du succès de tout effort d'apprentissage automatique ou d'IA. Nous avons utilisé des modèles développés au fil des années de projets pour simplifier, comprendre et communiquer ces directives à travers les équipes de projet clés.