Pourquoi les projets pilotes d'IA industrielle stagnent et comment les faire évoluer

Pourquoi les projets pilotes d'IA industrielle stagnent et comment les déployer à grande échelle

Leçons tirées de Bruce Power, Hydro One et InSource Solutions Group lors de Cimsoft Innovate

« Je me suis déjà fait avoir. » — Devon Keane, InSource Solutions Group

Il est rare d'entendre un responsable d'une pratique d'intelligence opérationnelle admettre s'être laissé avoir par l'IA. C'est pourtant comme ça que Devon Keane a ouvert notre table ronde à Cimsoft Innovate. Avant de se joindre à InSource Solutions Group, il avait assisté à des démonstrations dont il était convaincu qu'elles allaient révolutionner les entreprises de matériaux de construction et de chimie de spécialité pour lesquelles il travaillait, et il a appris à ses dépens qu'une démonstration impressionnante ne garantit pas la résolution d'un problème.

C'est le sort de nombreux projets pilotes d'IA industrielle : impressionnants en laboratoire, mais coincés dans le monde réel.

Cette franchise a donné le ton au reste de la conversation. Animée par Zubin Devar d'AVEVA, la table ronde réunissait :

• Devon Keane, directeur général, Intelligence opérationnelle, InSource Solutions Group
• Aaron Cole, directeur principal, Technologie du réseau (outils d'exploitation), Hydro One
• Tyler Cowie, ingénieur électricien stagiaire, Bruce Power
• Jeff Miller, directeur de la fabrication intelligente et de l'innovation, InSource Solutions Group
• Dan Purcell, gestionnaire de compte principal, Actemium Avanceon

Ensemble, ils ont discuté des conditions nécessaires pour que l'intelligence opérationnelle, c'est-à-dire l'utilisation de l'IA et de l'analyse des données en temps réel des usines, se traduise concrètement par des résultats. Dans des secteurs d'activité très différents, les mêmes enseignements sont revenus régulièrement.

1. Commencez par un problème commercial, pas par la technologie.

Les projets d'IA les plus réussis ne partent pas de la technologie. Ils partent d'un problème suffisamment urgent pour que toute l'organisation souhaite sa résolution, ce que Devon appelle un problème « urgent ». Cette urgence est cruciale parce que le changement est difficile. Les équipes opérationnelles travaillent souvent de la même manière depuis des décennies, et un projet piloté par un seul groupe obtient rarement l'adhésion nécessaire.

Prioriser les tâches en fonction de leur valeur et de l'effort fourni permet aux équipes d'obtenir rapidement des résultats concrets et de créer une dynamique positive. Il est important de suivre les indicateurs avancés, comme la qualité de la planification de l'entretien et la durée des réparations. Ces indicateurs témoignent des progrès bien avant que les temps d'arrêt ne soient affectés.

2. Trouvez des cas d'utilisation dans les modèles que personne ne peut expliquer.

Parfois, la meilleure solution est un schéma inexplicable. La longue ligne de production continue d'un fabricant connaissait des pannes beaucoup plus fréquentes la fin de semaine qu'en semaine. Grâce à l'analyse des données AVEVA Historian et AVEVA MES, l'équipe a pu identifier la cause du problème : quatre ou cinq paramètres de configuration. Les opérateurs se sont ensuite assurés de les maintenir dans les limites fixées. Les progrès ont été lents au début, mais l'équipe a persévéré jusqu'à ce que l'usine connaisse son premier week-end sans panne.

3. Tirez parti de données fiables pour vos experts.

Pour de nombreuses organisations, la première étape vers l'IA est d'assainir les données. Des années de cloisonnement ont mené à la présence d'une même ressource sous différents noms dans divers systèmes ; la gouvernance et la sécurité doivent donc être prioritaires. Comme l'a souligné Aaron Cole d'Hydro One : « Bâtir sur des fondations fragiles ne peut donner que des résultats fragiles. Les experts chevronnés repèrent rapidement les données erronées, et dès qu'ils perdent confiance, le projet est au point mort.

La bonne nouvelle, c'est que vous n'avez pas besoin de tout numériser d'un coup. Commencez par identifier le problème et élaborez une feuille de route à partir de l'emplacement actuel de vos données, même une simple feuille de calcul. Les normes ouvertes comme MCP (Model Context Protocol) facilitent également l'accès des outils d'IA aux systèmes d'historisation, aux systèmes MES et aux systèmes de maintenance, évitant ainsi leur cloisonnement.

4. Tester les pilotes d'IA sur des données réelles et complexes.

L'IA ne nécessite pas l'intervention de tous les services. Elle excelle dans la reconnaissance de schémas contextuels et la prise en charge des analyses manuelles fastidieuses qui peuvent prendre des heures, voire des jours. Les tâches qui suivent des règles fixes sont plus faciles à résoudre à l'aide de ces règles.

Plusieurs projets pilotes n'aboutissent jamais parce qu'ils reposent sur des données propres et limitées, sans objectif de retour sur investissement clairement défini. Ceux qui réussissent sont testés sur des données réelles, complexes et non linéaires, avec des critères de succès définis dès le départ.

5. Gardez des garde-fous et gardez les humains informés.

Une gouvernance rigoureuse peut freiner l'adoption, mais elle protège les données qui donnent à une entreprise son avantage concurrentiel. Un test simple permet de déterminer le degré d'autonomie dont l'IA devrait disposer : quel serait le coût d'une mauvaise décision ? Quelles en seraient les conséquences ? Est-il possible de revenir en arrière ?

Aussi performante que devienne l'IA, la responsabilité de ses résultats incombe toujours à l'humain. Prenons l'exemple d'un portier : son travail semble facile à automatiser jusqu'à ce qu'on comprenne tout ce qu'il fait réellement, de l'analyse d'une situation à l'identification des résidents ayant besoin d'aide. Il en va de même pour une grande partie du travail industriel, et à mesure que l'IA prend en charge davantage de tâches, le jugement humain devient plus important, et non moins.

Conseils pour débuter avec l'IA industrielle

Pour conclure, Zubin a demandé à chaque intervenant de donner un conseil à quelqu'un qui commence à intégrer l'IA dans ses opérations en production.

Dan Purcell : Il faut démystifier le sujet. Personne n’a jamais craint qu’un système électromagnétique prenne le contrôle du monde, mais l’IA est systématiquement associée à ces craintes. Il faut montrer aux gens en quoi elle est utile, car l’humanité ne disparaîtra pas.

Devon Keane : Cultivez votre curiosité intellectuelle et apprenez à être à l’aise dans l’inconfort. Parcourez les ateliers et écoutez les difficultés rencontrées par les employés des autres services de l’entreprise.

Tyler Cowie : N'utilisez pas l'IA comme un marteau qui cherche un clou. Comprenez le problème et son coût afin de pouvoir élaborer une analyse de rentabilisation dès le départ. Et n'oubliez pas que l'IA n'est pas gratuite. Les coûts d’utilisation s’accumulent.

Aaron Cole : Apprenez à surfer. Les vagues de l'IA déferlent sans cesse, de l'apprentissage machine à l'ingénierie des réponses, et bien plus encore. Vous pouvez les percevoir comme dangereuses, ou vous aligner et les surfer avec enthousiasme.

Jeff Miller : Il n’est pas nécessaire de bâtir toute l’infrastructure de données partout avant de commencer. Commencez par un cas d'utilisation, définissez sa destination et laissez vos cas d'utilisation élaborer progressivement une feuille de route cohérente.

Ne vous laissez plus berner

Le principal enseignement de cette table ronde est que la technologie est souvent la partie la plus simple. Notre dernier épisode de balado reprend là où la table ronde s'est arrêtée : Rob Bansek et Devon Keane expliquent comment les fabricants peuvent préparer leurs équipes, leurs processus et leurs données à l'intelligence opérationnelle (IA).

Regardez maintenant