Accueil>L'Actu du réseau>Comment faire de l'IA un avantage stratégique pour votre entreprise ?

Comment faire de l'IA un avantage stratégique pour votre entreprise ? RSS Feed

Innovation Numerique

Dans le cadre du programme “Innovation numérique”, destiné à sensibiliser et à aider les acteurs industriels wallons - tous secteurs confondus - à se lancer dans des projets et stratégies de transformation et d'innovation technologiques, le Pôle de Compétitivité MecaTech (secteur du génie mécanique) et l'INFOPOLE Cluster TIC, organisaient ce 2 décembre 2019 un atelier dédié à l'Intelligence Artificielle (IA).


0Organisé avec le concours de Sagacify, d'IBM et de P4A, cet atelier avait pour but de souligner et d'illustrer, par des exemples concrets, le potentiel que peut représenter l'intelligence artificielle pour l'optimisation voire la transformation des processus, de l'offre, du positionnement et de la compétitivité d'acteurs du secteur.

La matinée a permis à tous les participants, quel que soit leur degré de connaissance des concepts et de la pratique de l'intelligence artificielle, de faire le point, de se remettre à niveau par rapport aux concepts-clé et à quelques techniques algorithmiques, et de mieux mettre en perspective les opportunités et les implications de projets IA - notamment en termes de coûts, de compétences et d'outils.


“Comment faire de l'IA un avantage stratégique pour votre entreprise?”

0 (2)Lors de l'atelier IA, les intervenants ont tout d'abord rappelé l'évolution historique de l'IA - ses origines et les progrès successifs accomplis par la technologie.

Le concept d'IA a déjà connu plusieurs vagues d'innovation technologique (réseaux neuronaux, systèmes experts, machine learning, deep learning), accompagnées de périodes d'intenses investissements.

L'étape à laquelle elle est actuellement arrivée - celle du deel learning ou apprentissage profond - ouvre d'énormes possibilités, grâce à une conjonction de facteurs favorables: puissance des systèmes, disponibilité massive de données, structurées ou non, pouvant être analysées et exploitées, qualité et accessibilité des modèles algorithmiques, disponibilité de profils de compétences sur le marché (data scientists, ingénieurs IA...).

La question du “pourquoi s'intéresser à l'IA”, en fait, ne se pose pas vraiment. Comme tous les secteurs industriels, celui du génie mécanique - dans tous ses champs d'application (micro-électronique, construction, transports, industrie, énergie, santé...) - peut tirer des avantages et une valorisation économique et opérationnelle majeurs de l'implémentation de l'Intelligence Artificielle.

Les scénarios d'implémentation dans le secteur du génie mécanique sont nombreux et variés:

  • détection et classification d'objets
  • détection d'incidents ou de pièces défectueuses sur la chaîne de production, via reconnaissance et analyse automatique d'images
  • robots auto-programmés, opérant de manière autonome grâce à l'analyse temps réel des données provenant de capteurs sensitifs et/ou de caméras
  • optimisation du rendement des chaînes de production
  • vérification du respect des règles de sécurité sur un site (chantier, chaîne de montage...) via analyse d'images pour détecter par exemple des personnes ne portant pas de casque ou évoluant dans une zone interdite
  • repérage automatique de déviation de métriques s'affichant sur un tableau de bord
  • optimisation des volumes de remplissage de bouteilles ou flacons par analyse visuelle
  • maintenance préventive, par exemple via implantation de capteurs sur les moteurs de bandes transporteuses afin d'analyser les vibrations et anticiper les besoins de maintenance ou défaillances
  • autres exemples de maintenance préventive: la surveillance temps réel et l'analyse en continu des comportements opérationnels d'éoliennes ; l'optimisation de turbines desservant un réseau de chaleur urbain en fonction du degré d'utilisation du réseau, afin d'optimiser les rythmes d'interventions de maintenance, en les espaçant au maximum pour réduire les coûts tout en préservant la disponibilité et la fiabilité des équipements
  • équipement d'un espace en dispositifs de collecte de données afin de connaître le plus finement possible toutes les opérations qui s'y passent et les conditions ambiantes ; un exemple est le projet de numérisation à grande échelle du port de Rotterdam où près de 40 cas d'utilisations de scénarios d'automatisation ont été définis, avec comme but ultime - d'ici 2025 - d'en arriver à une circulation et gestion entièrement automatisées des bateaux (par prédiction des conditions d'accueil - degré de salinité des eaux, force des vents, état des marées, disponibilité des équipements et des équipes à quai - dès l'instant où ils quittent leur port d'origine)


“Toute tâche nécessitant de une à deux secondes de réflexion chez un être humain peut potentiellement être automatisée”.



Les conditions d'un bon projet IA

0 (1)Bien entendu, l'Intelligence Artificielle n'est pas la panacée et a ses limites. Sa valeur économique se concrétise encore uniquement pour des tâches bien définies.

Initier un projet IA impose de suivre certaines règles et conditions. Les différents orateurs de l'atelier organisé par Mecatech et l'INFOPOLE ont passé en revue une série d'éléments à prendre en considération.


1. La disponibilité de grands volumes de données structurées ou non structurées (images, données de capteurs, vibrations, sons...) a rendu la technique deep learning possible.

Elle présente l'avantage d'éviter de devoir encoder toutes les situations ou exceptions possibles et imaginables, chose qui est souvent impossible à réaliser.

Mais pour générer de la valeur ou réaliser des gains en performances, il est nécessaire d'entraîner au maximum les algorithmes, en les alimentant avec un maximum de données..

Pour une inspection visuelle automatique, il faut par exemple disposer d'un minimum de 10.000 images pour entraîner efficacement un système d'apprentissage automatique. Un nombre inférieur est toutefois possible, à condition d'appliquer certaines techniques statistiques.

Une autre condition essentielle est de veiller à la qualité des données, à les labelliser correctement afin d'entraîner le modèle au fil d'itérations successives. Le processus de boucle de rétroaction (feedback loop) permet de qualifier le modèle et à la machine de s'améliorer.

Des données de qualité, bien structurées, permettront de gagner un temps précieux dans l'exécution d'un POC (proof of concept) ou d'un projet


2. Bien choisir sa démarche algorithmique

De nombreuses techniques algorithmiques existent en IA : classification, régression, clustering, détection d'anomalie, recommandation, génération de données...

Plusieurs d'entre elles peuvent être appliquées dans le secteur du génie mécanique. Notamment:

  • la classification, par exemple pour de la détection de pièces défectueuses
  • la régression, via technique de prédiction de valeur continue

            par exemple: déterminer la qualité de lots produits sur une chaîne de montage, sur base de données collectées par des capteurs ; cela permet de prédire des résultats de tests pour chaque produit au lieu de devoir procéder par échantillonnage

            sur base de ces calculs prédictifs et de ce que le modèle a appris, il devient possible de procéder à du rétro-engineering de la chaîne de production pour y apporter des modifications

            selon cette technique, un algorithme de prédiction, travaillant sur des données de capteurs et des cas avérés de défaillances, peut prévoir la défaillance d'un équipement, permettant de se livrer à de la maintenance prédictive

  • la détection d'anomalie: identification de paramètres en déviance par rapport à une norme de confiance ; seules les déviations génèrent des alertes.


3. Choisir le type de modélisation

Selon le but recherché, il est possible de recourir à différents types de modélisation:

  • surveillance en-ligne pour de la détection d'anomalies et le dépassement de seuils

  • modélisation physique pour la surveillance et l'analyse d'équipements plus complexes (turbines...)

  • modélisation pilotée par les données pour procéder à de l'analyse corrélative entre données pour pousser plus loin l'analyse de l'information (comparaison entre données collectées par divers capteurs, élimination des défauts de collecte provoqués par les capteurs eux-mêmes, comparaison avec l'historique...).


4. Procéder de manière structurée

Quelle que soit la nature du projet, la mise en oeuvre de l'IA au sein d'une société requiert de procéder de manière structurée et progressive:

  • définir un projet et en préciser la priorité

  • commencer par un petit proof of concept (POC) dans un cadre budgétaire limité afin de cerner le retour sur investissement théorique
                choisir un POC qui ait de très bonnes chances d'aboutir à un succès même si sa valeur n'est pas énorme - cela permet de générer la confiance, de la visibilité et l'adhésion de la direction

  • effectuer ensuite quelques itérations afin de s'assurer que le projet dégagea bel et bien la valeur ajoutée espérée
                ° il est recommandé de procéder par itérations qui dureront au maximum quelques semaines ; le projet lui-même ne doit pas dépasser une durée de 6 à 12 mois afin d'éviter de devenir obsolète avant même d'avoir pu être déployé
                ° il est également recommandé de mener de front 4 ou 5 projets-pilote par an

  • une fois la fiabilité du scénario prouvée, on peut passer à la mise en production du projet et productiviser les modèles

  • pour effectuer avec succès et dans des délais rapides un premier POC quand on ne dispose pas de compétences orientées IA en interne, mieux vaut recourir aux compétences de partenaires compétents en cloud, en développement d'algorithmes...


5. Autres conseils...

  • veiller à la qualité des données et des modèles ne suffit pas: un projet IA ne dégagera une réelle valeur que si l'on s'appuie sur des personnes ayant une bonne connaissance du domaine ou des processus industriels visés

  • bien définir les variables pertinentes et en minimiser le nombre afin d'éviter toute complexité inutile

  • définir le niveau et la granularité des mesures (données collectées, fréquence, détails de l'information...) en fonction du type d'équipement ou du type de besoin ; préciser le besoin permet de déterminer la finesse de la prédiction ou de l'analyse de données (par exemple en termes de pronostic de défaillance).


A propos d'Innovation numérique

Innovation NumeriqueLe programme “Innovation numérique”, mis en oeuvre par l'Infopole Cluster TIC et les Pôles de Compétitivité, déploiera une série d'ateliers d'accélération et d'idéation et de rencontres faisant se croiser et interagir des acteurs évoluant dans divers écosystèmes.

Onze thématiques numériques ont été identifiées, parmi lesquelles: l'Intelligence Artificielle, l'analyse de données, l'Internet des Objets et la réalité virtuelle et augmentée.

Plus d'infos: www.digitalwallonia.be/fr/projets/innovation-numerique


A propos de DigitalWallonia4.ai

DW4AI  Porté par l'Agence du Numérique, Agoria, l'INFOPOLE Cluster TIC et le Réseau IA, le programme "DigitalWallonia4.ai" a pour objectif principal d'accélérer l'adoption de l'intelligence artificielle (IA) en Wallonie et le développement de son écosystème wallon. Ce programme a été lancé en juillet 2019. Outre des initiatives de sensibilisation et de formation, il comprend des actions concrètes d'accompagnement des entreprises désirant incorporer l'intelligence artificielle dans leur business jusqu'au développement de prototypes.

Plus d'infos: www.digitalwallonia.be/fr/projets/digitalwallonia4-ai