Éviter les pièges des projets ML industriels : 3 erreurs clés à ne pas commettre

L'utilisation de techniques d'intelligence artificielle, et plus spécifacement du machine learning, est de plus en plus considérée comme un outil révolutionnaire. Mais qu'est-ce que le machine learning exactement ?

Une définition intéressante a été proposée par François Chollet. Dans son ouvrage « Deep Learning with Python », il définit le machine learning (ML) comme un nouveau paradigme computationnel. Dans l'informatique conventionnelle, nous fournissons à l'ordinateur les règles et les données, et nous attendons des résultats corrects. Avec le machine learning, cet ordre est inversé : nous fournissons les données et les résultats à l'ordinateur, et attendons les règles en réponse.

Ce nouveau paradigme modifie considérablement notre façon de résoudre les problèmes quotidiens et ouvre un vaste champ d'opportunités dans tous les domaines. Ces dernières années, le machine learning a été largement adopté, y compris dans le secteur industriel. Malgré cette portée étendue et la présence de nombreux excellents professionnels dans ce domaine, certaines erreurs courantes ont été observées (et doivent être évitées) dans le développement de projets industriels. Bien qu'il en existe bien d'autres, cet article se concentre sur trois de ces écueils potentiels.

1. Oublier les fondamentaux

Des concepts comme l'Industrie 4.0, la digitalisation, l'intelligence artificielle, le machine learning et l'IIoT figurent parmi les tendances majeures du monde industriel actuel. Les projets adoptant cette approche attirent souvent une attention particulière dans le portfolio d'un professionnel, et certains ont tendance à choisir ce type de solution lors de la conception d'un projet pour augmenter leurs chances d'approbation. Mais la question essentielle est : cet outil (machine learning ou autre) est-il le bon pour résoudre votre problème ? Il faut se poser plusieurs questions avant de choisir l'un de ces outils « modernes ». En voici quelques-unes, bien que la liste ne soit pas exhaustive :

• Ai-je essayé un algorithme plus simple pour résoudre ce problème (comme de la logique automate) ?
• Un contrôle réglementaire bien réglé permet-il d'obtenir des résultats de contrôle similaires, voire meilleurs ?
• Disposons-nous d'une équipe appropriée et bien formée pour maintenir ces nouvelles applications en fonctionnement ?
• Un autre ensemble d'outils qualité (diagrammes de Pareto, diagrammes causes-effets) fournirait-il suffisamment de données pour obtenir de bons insights ?

Je ne dis pas que des outils comme le machine learning ne peuvent pas produire d'excellents résultats, ni qu'ils sont trop complexes. Il est important de garder à l'esprit que les solutions simples apportent souvent de bons résultats et devraient normalement constituer la première étape d'un parcours vers l'Industrie 4.0.

2. Négliger la qualité des données

Les outils de machine learning pour le traitement des données sont désormais largement répandus. De grandes entreprises comme Google et de nombreux groupes open source ont développé d'excellentes bibliothèques ML, disponibles sur internet, souvent à faible coût, voire gratuitement. Cependant, si l'on regarde l'ensemble du processus, tout projet de machine learning implique quatre phases majeures :

• Comprendre et préparer les données
• Traiter ces données
• Analyser les résultats
• Agir judicieusement sur la base de l'analyse des données

Or, dans l'ensemble du processus de développement de projets ML, il n'est pas rare que certains professionnels passent directement aux phases intermédiaires (traitement et analyse des données) sans accorder suffisamment d'attention à la collecte et à la préparation des données.

La base de tout projet de machine learning, ce sont les données. Comme en cuisine, où le point de départ de tout bon plat est l'utilisation de bons ingrédients, un facteur essentiel pour développer un bon projet ML est d'obtenir et d'utiliser de bonnes données. Surtout dans l'industrie, l'obtention de ces données peut s'avérer un défi de taille. Voici une liste non exhaustive des difficultés potentielles :

• Manque d'instrumentation (données manquantes)
• Données peu précises dues à une installation, une maintenance ou une configuration inadéquate de l'instrumentation
• Mauvais étiquetage des données dû à des erreurs d'analyse — tâches d'apprentissage supervisé

Même face à ces défis, avec une préparation correcte des données (parfois avec une adaptation industrielle), il est possible de construire une base de données suffisamment robuste pour obtenir d'excellents résultats.

Prenez donc le temps nécessaire pour cette tâche cruciale !

3. Ignorer l'expertise métier

Cet argument peut sembler controversé. Certains professionnels diront que si l'on veut un avis d'expert, il faut opter pour un système expert utilisant la logique floue, par exemple. D'un point de vue opposé, face à l'immense quantité de connaissances que possèdent nos entreprises, les ignorer purement et simplement ne semble pas la meilleure façon de faire évoluer nos processus.

Lors de la mise en œuvre de projets ML, la meilleure approche consiste à constituer une équipe multidisciplinaire combinant les développeurs ML (personnes compétentes en techniques de ML — deep learning, traitement du langage naturel, méthodes d'ensemble, clustering, etc.) avec les experts métier appropriés (professionnels connaissant la réalité du processus et les vrais problèmes à résoudre). Avec cette équipe multidisciplinaire, les bons résultats sont catalysés. Vous obtiendrez probablement des solutions plus précises, avec une plus grande probabilité de pouvoir les implémenter dans le monde réel.

Aller plus loin

Malgré les grands défis et les mises en garde qui existent, le machine learning s'affirme de plus en plus comme un outil puissant. Le ML, et les dizaines d'autres outils visant à moderniser et faire évoluer le monde industriel, constituent une tendance et un processus évolutif naturel (et nécessaire). Cependant — surtout dans les processus critiques de l'industrie, du médical et d'autres domaines — la prudence s'impose. Ne sautez donc pas d'étapes : gardez votre projet aussi simple que possible, prenez soin de vos données, et n'oubliez pas les experts.

Comme nous le voyons, un projet de machine learning n'est pas un sprint, mais un long voyage. Comme tout voyage, celui-ci se compose d'étapes individuelles, et la dernière a la même importance que la première.