L’intelligence artificielle dans l’industrie : un potentiel à exploiter

Longtemps perspective abstraite, l’intelligence artificielle (IA) nourrit aujourd’hui la recherche comme les processus de production de nombreux acteurs industriels. Machine Learning, Deep Learning, IA Symbolique…  De multiples technologies cohabitent, chacune avec ses spécificités. Faut-il passer le pas ? Comment choisir la technologie la plus adaptée ? Antoine Couret, Président du Hub France Intelligence Artificielle, fait le point sur les usages industriels de l’IA et les tendances en train de bouleverser le secteur.

À quand remonte l’utilisation de l’intelligence artificielle dans l’industrie ?

Depuis l’invention du terme en 1956, l’IA a avancé par vagues successives, des systèmes externes et moteurs de règles à la récente industrialisation des modèles d’apprentissage. Dans les années 1970, Air France a ainsi mobilisé des solutions d’IA dite symbolique pour planifier et optimiser ses vols et rotations, en intégrant les opérations de maintenance. En dehors de la R&D, les premières applications strictement industrielles portaient essentiellement sur l’aide à la logistique et à la supply chain, avec l’optimisation de projets et la planification des équipes sur des chaînes de production complexes. De même, des moteurs de règles ont par exemple permis d’épauler la gestion des conteneurs dans des ports. On a vu ensuite apparaître les premiers apports de l’IA dans la mécanisation des usines, de manière assez rudimentaire, sans capacité d’apprentissage.

« La prise de conscience du potentiel que représente l’IA pour l’industrie doit progresser »

Aujourd’hui, quelles sont les principales technologies utilisées dans l’industrie ?

La montée en puissance de l’IA connexionniste au cours des dernières années constitue un changement radical. L’IA s’immisce ainsi sur la chaîne de production avec des projets de pilotage automatique de la qualité : détection de failles à partir de capteurs, ou de caméras visuelles ou thermiques. Concrètement, dans un premier temps, l’opérateur reste présent pour vérifier les produits qui passent sur les chaînes de production, permettant un apprentissage progressif des modèles. Une fois ceux-ci suffisamment matures, l’opérateur peut se concentrer sur la vérification des pièces sur lesquelles l’IA hésite. Et on peut atteindre maintenant moins de 5 % ou 20 % d’hésitation en fonction du niveau d’exigence attendue. L’IA est également de plus en plus présente dans de nombreux sujets liés à la logistique, essentiellement intra-entrepôts ou sur des zones circonscrites (comme dans un port par exemple). À l’image des célèbres robots des entrepôts d’Amazon et surtout de la startup française Exotec : c’est l’IA qui ordonnance leurs parcours et évite qu’ils ne se percutent entre eux. Dans les industries manufacturées, on trouve également des bots, des agents conversationnels en charge, par exemple, d’apprendre des gestions à des opérateurs et de les aider à s’améliorer. Ou encore des bots qui vont permettre d’optimiser l’ingénierie de conception d’industrialisation.

De nouvelles tendances sont-elles en train d’émerger ?

Dans de nombreux secteurs, la multiplication récente des capteurs conduit à la constitution d’un fort volume de données. L’enjeu est que l’IA s’en nourrisse pour, par exemple, obtenir des gains en rapidité sur la détection de défauts ou réduire la perte de matière. Cela s’applique notamment à des sujets de maintenance prédictive, avec l’anticipation des pannes, sur un avion par exemple, ou encore sur la détection de défauts sur des pièces critiques pour garantir la production, la sécurité…. Les avancées les plus récentes portent encore sur la génération de nouvelles molécules dans le monde de la chimie : des modèles non supervisés à des dizaines de milliards de paramètres, intégrant une quantité massive de corpus scientifiques et d’analyses en laboratoire, peuvent générer des nouveaux composants dans ces secteurs de pointe, par exemple pour décarboner ou réduire la dépendance à des matières rares. Sur ce sujet d’ailleurs, on peut aussi citer le secteur du bâtiment, où l’IA est mobilisée pour améliorer la consommation énergétique ou réduire les pénuries de matériaux en trouvant des alternatives.

Quel est le niveau de maturité des entreprises françaises en matière d’IA ?

La France et l’Europe sont avancées en matière de recherche, mais on observe un taux de déperdition relativement élevé pour ce qui concerne le passage à la phase opérationnelle. La confiance et la prise de conscience du potentiel que représente l’IA pour l’industrie doit progresser. L’écart pris avec les États-Unis et la Chine sont réels. Des écarts de valorisation constatés actuellement – sur le modèle extrême des valorisations respectives de Tesla (1000 milliards) et Renault (6 milliards) – pourraient prochainement se traduire sur les chiffres d’affaires respectifs.

« La taille de la structure n’est pas un critère déterminant, la volumétrie de données oui »

Pour un industriel, comment choisir la technologie la plus adaptée ?

Les technologies actuelles sont à base d’apprentissage et nécessitent donc des volumes de données permettant aux algorithmes d’apprendre – les modèles de Machine Learning se nourrissant essentiellement de données structurées (chiffres venant par exemple de capteurs) alors que ceux de Deep Learning peuvent également mobiliser des données non structurées, telles que des images, sons et potentiellement odeurs. Le choix de la technologie dépendra notamment de la qualité d’apprentissage et des données associées, mais aussi de la manière dont on imagine le passage en production. Est-ce que la machine peut être régulièrement connectée en mode SaaS ? Est-ce que l’algorithme doit tourner sur un petit robot qui fonctionne sur batterie ? Ce sont des questions que les industriels doivent se poser pour choisir entre IA en mode SaaS, IA embarquée ou bien un mixte des deux.

Comment évaluer l’opportunité du recours à l’IA ?

Il faut commencer par penser cas d’usage : optimisation, maintenance prédictive, chaîne de qualité, inspection automatisée... Une autre dimension déterminante tient à la maturité de l’entreprise en matière de data et d’IA, mais aussi, dans le cas d’un grand groupe, de l’appétence à la transversalité des données entre les différentes structures. Enfin, la maturité technique à l’IA doit être évaluée : est-ce que j’ai des données ? Sont-elles suffisamment structurées ? Point important : la taille de la structure n’est pas un critère déterminant. À l’image du Pack IA, en lien avec la région Ile-de-France, les PME peuvent bénéficier de programmes pour évaluer l’opportunité d’une telle démarche. Et clairement, beaucoup gagneront à se renseigner ! Le Hub France IA est là pour les aider.