Latest / Oser l'efficacité - Les stratégies de ceux qui font l’industrie / L’IA industrielle décryptée : Construire un projet IA efficace

Transcript

L’IA industrielle décryptée : Construire un projet IA efficace · Oser l'efficacité - Les stratégies de ceux qui font l’industrie

• 0:00
  Le monde des petites entreprises est fascinant.
• 0:02
  C'est un mélange unique de débrouillardise et d'adaptabilité.
• 0:05
  Mais parfois,
• 0:06
  on manque de compétences clés pour aller plus loin.
• 0:08
  Tu le ressens aussi Alors ce podcast est fait pour toi.
• 0:11
  Je suis Perrine Thiébaut,
• 0:12
  consultante en transformation numérique et je déniche pour toi les meilleurs outils,
• 0:16
  méthodes et technologies pour gagner en efficacité.
• 0:19
  Seule ou avec mes invités,
• 0:20
  je te partage des conseils actionnables pour avancer en toute sérénité.
• 0:24
  Alors,
• 0:25
  prêt à oser l'efficacité
• 0:28
  Il paraît que l'IA va révolutionner le monde industriel,
• 0:31
  mais beaucoup d'entreprises peinent encore à se projeter.
• 0:33
  Alors surtout,
• 0:34
  souvent,
• 0:34
  la vision de l'IA,
• 0:35
  comme on l'a déjà dit,
• 0:36
  se résume à ChatGPT.
• 0:38
  Donc Jean-Louis,
• 0:39
  c'est quoi les étapes clés pour démarrer un projet d'IA industriel
• 0:43
  On va dire que ça dépend des techniques d'IA qu'on va utiliser.
• 0:47
  Il y a des méthodes algorithmiques qui sont proches de l'informatique industrielle et le machine learning pour lequel il n'y a pas du tout de programmation.
• 0:55
  Ceci étant,
• 0:55
  on parle d'un projet industriel.
• 0:57
  Dans tous les cas,
• 0:58
  il y aura des étapes de définition des objectifs,
• 1:01
  du problème des ressources allouées,
• 1:03
  de validation et de maintenance.
• 1:06
  Là,
• 1:06
  on est sur des choses qui sont inhérentes à tout projet industriel
• 1:09
  Absolument. De base,
• 1:10
  Absolument.
• 1:10
  Dans l'industrie,
• 1:11
  on part toujours d'un problème et on écrit un cahier des charges qu'il va falloir traduire en opérationnel.
• 1:17
  C'est le travail d'ingénieurs spécialisés qui connaissent parfaitement les équipements de l'usine et ses outils et qui savent où,
• 1:22
  quand et comment intégrer des nouvelles fonctions.
• 1:25
  Le développement fait toujours appel à la question make or buy
• 1:28
  Soit on développe en interne,
• 1:30
  soit on a recours à la sous-traitance.
• 1:33
  L'IA,
• 1:33
  c'est un cas particulier où on a une phase de configuration à partir de données quand c'est du machine learning.
• 1:41
  Et ensuite,
• 1:42
  on a une application logicielle qu'on va intégrer dans le process.
• 1:46
  Ok.
• 1:47
  Et comment est-ce qu'on définit justement le besoin et les objectifs Est-ce que ça peut être différent d'autres projets industriels,
• 1:54
  comme l'implémentation d'un logiciel qui n'inclut pas l'IA,
• 1:58
  ou de la robotique,
• 1:58
  ou ce genre de choses Est-ce que définir un besoin qui mène vers une solution IA,
• 2:03
  il y a des différences
• 2:04
  Oui et non,
• 2:05
  parce que dans le process industriel,
• 2:07
  à la fin,
• 2:07
  c'est toujours une brique informatique qu'on va déployer.
• 2:12
  Mais c'est le cœur du sujet.
• 2:13
  Le besoin est industriel,
• 2:15
  on doit le traduire en numérique.
• 2:17
  En fait,
• 2:17
  c'est là où est le sujet.
• 2:18
  L'IA,
• 2:19
  c'est qu'une partie du numérique.
• 2:20
  La décision d'utiliser l'IA ou une approche classique,
• 2:23
  elle doit venir d'une démarche construite et surtout pas d'un a priori en disant il faut à tout prix utiliser l'IA
• 2:29
  Ça, ça n'a pas de sens.
• 2:31
  En général,
• 2:31
  on part d'une difficulté ou d'un objectif d'amélioration.
• 2:35
  Alors ça peut être réduire le taux de rebut,
• 2:37
  augmenter la cadence de production,
• 2:39
  minimiser le temps d'intervention des experts,
• 2:41
  etc.
• 2:42
  Plus le process est numérisé,
• 2:44
  et plus l'intégration de l'IA peut être pertinente.
• 2:47
  Sinon,
• 2:48
  ajouter des capteurs,
• 2:49
  une chaîne de traitement de données,
• 2:50
  un système d'analyse en garantissant un retour économique,
• 2:53
  ça peut être compliqué.
• 2:55
  Donc c'est rarement la première étape finalement.
• 2:57
  On arrive en supplément de projets numériques déjà bien aboutis.
• 3:02
  Oui.
• 3:03
  On part d'une difficulté ou d'un objectif précis.
• 3:07
  Par exemple,
• 3:07
  en contrôle qualité,
• 3:09
  les opérateurs fatiguent à regarder des images toute la journée.
• 3:12
  l'IA permet de diminuer cette fatigue en ne montrant que les cas compliqués.
• 3:16
  Oui,très clair.
• 3:16
  C'est très parlant comme exemple,
• 3:18
  effectivement.
• 3:20
  Qui est-ce qu'on implique dans l'équipe projet quand on est sur un projet d'IA Quelles compétences on peut aller chercher en externe pour s'assurer que le projet va bien se passer
• 3:28
  En termes de compétences,
• 3:30
  forcément,
• 3:30
  si on fait du machine learning,
• 3:31
  et qu'on n'a pas de compétences en machine learning,
• 3:34
  c'est évident qu'il faut faire appel à des ressources externes.
• 3:38
  C'est ce que font la plupart des industriels,
• 3:40
  d'ailleurs.
• 3:41
  Je pense aussi que l'utilisateur final doit être impliqué dans le projet industriel,
• 3:45
  parce que c'est l'opérateur qui manipule l'outil,
• 3:49
  qui va l'utiliser finalement,
• 3:50
  et il faut intégrer cette notion d'utilisation.
• 3:52
  C'est ce que permet l'IA d'avoir des interfaces beaucoup plus fluides et beaucoup plus pertinentes.
• 3:57
  Ensuite,
• 3:58
  il y a des compétences données.
• 4:00
  Une multinationale comme Total Energy,
• 4:02
  par exemple,
• 4:03
  qui font beaucoup ça,
• 4:04
  peut se permettre d'avoir de nombreux spécialistes de données qui vont pouvoir collecter,
• 4:08
  stocker,
• 4:08
  distribuer,
• 4:09
  exploiter les données.
• 4:10
  Une PME ne sait pas faire ça.
• 4:12
  Donc,
• 4:12
  une PME,
• 4:13
  tu donneras le conseil d'avoir en plus une compétence au moins ponctuelle en collection de données dans ce genre de projet
• 4:21
  Au moins de traiter cette problématique,
• 4:23
  qu'elle soit en interne ou en externe.
• 4:25
  Ok,
• 4:25
  mais je veux dire,
• 4:25
  si c'est effectivement une PME qui n'a pas la capacité d'embaucher,
• 4:29
  on peut trouver ces compétences-là sur le marché,
• 4:31
  en tout cas.
• 4:32
  Oui.
• 4:33
  Très bien.
• 4:33
  Est-ce que tu as une fourchette de temps qu'il faut allouer pour ce genre de projet
• 4:39
  Un projet d'IA?
• 4:40
  Bon déjà,
• 4:40
  ça ne se fait pas en quelques jours.
• 4:42
  Je pense qu'il n'y a pas de règle de durée,
• 4:44
  mais si on part de zéro avec du machine learning,
• 4:47
  il faut mettre d'abord en place la stratégie data,
• 4:49
  et ça peut se compter en années,
• 4:51
  parce que ça prend beaucoup de temps.
• 4:53
  Après,
• 4:53
  il faut entrer dans la phase d'apprentissage,
• 4:55
  test et déploiement.
• 4:56
  Et il n'y a pas que l'aspect technique à considérer,
• 4:59
  il faut intégrer la formation des équipes.
• 5:01
  donc la gestion du changement,
• 5:03
  l'acceptabilité,
• 5:04
  tout ça prend énormément de temps.
• 5:06
  Donc ça prend des mois.
• 5:07
  Si on fait appel à un prestataire,
• 5:09
  ça peut aller plus vite,
• 5:10
  mais de toute façon,
• 5:12
  c'est quand même des mois le temps d'installation d'un projet d'IA.
• 5:16
  Ça marche,
• 5:16
  et oui,
• 5:17
  tu pointes quelque chose de très intéressant du doigt sur la partie données.
• 5:21
  J'entendais,
• 5:22
  je crois que c'était une personne de chez Probayes que j'entendais sur un podcast qui expliquait que sur des problématiques de maintenance,
• 5:28
  par exemple,
• 5:29
  pour aller faire des projets d'IA qui vont identifier quand est-ce qu'une machine va être en panne.
• 5:34
  En fait,
• 5:34
  il y a très peu de chances que l'événement être en panne arrive suffisamment souvent pour qu'on puisse l'interpréter et dire à tel moment elle va être en panne.
• 5:41
  Donc,
• 5:42
  il y a des biais pour dire ma machine,
• 5:44
  elle fonctionne bien quand elle fait ça.
• 5:46
  Et du coup,
• 5:46
  je peux interpréter des choses qui feraient qu'elle ne fonctionne plus et extrapoler pour ça.
• 5:52
  Mais dans tous les cas,
• 5:53
  pour avoir ce genre de résultat,
• 5:55
  il faut quand même un temps d'acquisition de données.
• 5:57
  donc au-delà de la stratégie de mise en place.
• 5:59
  Si les données,
• 6:00
  on ne les a pas,
• 6:00
  il faut quand même qu'on ait une certaine quantité pour aller projeter des modèles là-dessus.
• 6:05
  Absolument.
• 6:06
  Ça marche.
• 6:06
  Ou générer des données synthétiques qui ne représentent que phénomènes.
• 6:10
  C'est valable,
• 6:11
  la génération de données synthétiques
• 6:13
  C'est une voie de recherche actuelle,
• 6:15
  en tout cas.
• 6:16
  Mais actuellement,
• 6:17
  tu as fait des projets où c'est mis en place de telle manière,
• 6:20
  avec la génération synthétique pour projeter derrière
• 6:22
  Un petit peu.
• 6:23
  On avait mis en place une méthodologie de conduite de projets de machine learning dans le temps et qui permettait de spécifier les données d'apprentissage en fonction des variabilités du problème.
• 6:33
  Et connaissant les variabilités,
• 6:35
  ça permettait de savoir quelles données n'étaient pas présentes dans la base et donc de les générer.
• 6:39
  Par exemple,
• 6:40
  sur la reconnaissance de caractère,
• 6:42
  on peut générer des différents angles avec les barres des lettres et si on ne les a pas,
• 6:46
  on les écrit nous-mêmes.
• 6:47
  Ok,
• 6:49
  intéressant.
• 6:49
  C'est vrai que...
• 6:50
  Enfin...
• 6:51
  Je ne suis pas une spécialiste de l'IA et de comment elle se met en œuvre,
• 6:54
  mais ça paraît assez fou de se dire,
• 6:56
  j'ai un problème,
• 6:57
  je vais générer mes propres données d'entraînement,
• 7:00
  je vais créer mes modèles sur mes données d'entraînement et ça va quand même modéliser la réalité.
• 7:04
  Ça me paraît complètement dingue,
• 7:06
  je trouve ça génial.
• 7:11
  Ça marche pas dans tous les cas. J'ai un exemple d'application où j'avais été contacté par une entreprise de la défense parce qu'ils avaient enregistré un sous-marin avec un sonar.
• 7:19
  ils voulaient être capables de reconnaître ce signal avec un seul exemple.
• 7:23
  Mais ce n'est pas possible.
• 7:24
  Et ce n'est pas non plus possible de générer des exemples dans ce cas-là.
• 7:27
  Oui,
• 7:27
  d'accord,
• 7:28
  je comprends bien.
• 7:28
  Et on ne peut bizarrement pas beaucoup enregistrer,
• 7:31
  je suppose que si on parle de sonar ennemis dans ce cas-là,
• 7:34
  difficile d'aller...
• 7:35
  J'ai pas prononcé ce terme,
• 7:36
  mais c'est possible.
• 7:37
  Oui,
• 7:37
  bon,
• 7:38
  en tout cas,
• 7:38
  on va dire pas ennemis,
• 7:39
  mais autre que dans notre propre flotte.
• 7:43
  Et donc forcément,
• 7:44
  on ne peut pas aller écouter...
• 7:47
  les sous-marins des autres,
• 7:47
  ça peut être un peu étrange.
• 7:51
  Ça marche.
• 7:53
  Ça clarifie bien les étapes d'un projet.
• 7:54
  Dans l'épisode suivant,
• 7:55
  on va rentrer dans le concret avec tes retours d'expérience,
• 7:58
  justement,
• 7:59
  de 40 ans d'IA.