undefined cover
undefined cover
#28 - Margot Corréard - Comment l'IA transforme l'industrie traditionnelle cover
#28 - Margot Corréard - Comment l'IA transforme l'industrie traditionnelle cover
Les Carnets de l'IA

#28 - Margot Corréard - Comment l'IA transforme l'industrie traditionnelle

#28 - Margot Corréard - Comment l'IA transforme l'industrie traditionnelle

13min |14/11/2023
Play
undefined cover
undefined cover
#28 - Margot Corréard - Comment l'IA transforme l'industrie traditionnelle cover
#28 - Margot Corréard - Comment l'IA transforme l'industrie traditionnelle cover
Les Carnets de l'IA

#28 - Margot Corréard - Comment l'IA transforme l'industrie traditionnelle

#28 - Margot Corréard - Comment l'IA transforme l'industrie traditionnelle

13min |14/11/2023
Play

Description

Comment l'industrie traditionnelle peut-elle s'emparer de l'IA ? Quelle quantité de données est nécessaire pour entamer un projet d'IA ? Vaut-il mieux passer par un prestataire pour réaliser son projet ou bien tout piloter en interne ? 

Cette semaine, nous avons le plaisir de recevoir Margot Corréard, Directrice générale de la startup DiaGRAMS Technologies.


DiaGRAMS a une vocation : éditer un logiciel qui intègre les dernières technologies de l'IA dédié à l'analyse de données dans l'industrie. Un positionnement qui lui vaut de placer au coeur de son approche l'expérience utilisateur. « Notre objectif est de donner aux techniciens dans es usines un outil simple à utiliser pour qu’ils puissent surveiller l’état de santé de leur équipement sans avoir besoin d'être un expert de l'IA. On a des datascientists brillants dans l'équipe mais tout l'enjeu, c'est d'orienter leurs travaux pour fournir quelque chose qui soit exploitable au quotidien par les utilisateurs de notre solution. » 


Les cas d'usages sont nombreux, aussi bien dans l'agroalimentaire, l'automobile que l'industrie de pointe. « Nous accompagnons par exemple l'usine du Vaudreuil de Schneider Electric pour réduire de 20% la consommation d'air comprimé de leurs outils de production. » Un processus qui repose sur 2 étapes : optimiser la consommation d'énergie, et mettre en place un système de maintenance prédictive pour détecter les signes avant-coureurs de dysfonctionnement et de fuites sur leurs machines. « Quand le projet est bien ciblé et que l'industriel sait ce qu'il cherche à gagner, on peut atteindre des retours sur investissement assez rapidement. », explique Margot.  


Dès lors, en entreprise le premier pré-requis avant de lancer un projet d'IA est d'identifier l'objectif auquel on souhaite répondre. « Si on veut un quick win, il faut savoir ce qu'on veut faire. C'est à partir d'un objectif clair qu'on sera en mesure de déterminer quelles sont les données dont on a besoin et à quelle fréquence on devra enregistrer la donnée pour en avoir suffisamment de bonne qualité. »


Une fois l'objectif identifié, pourquoi faire appel à un prestataire extérieur plutôt que de construire une solution d'IA en interne ? « Il y a évidemment des méthodes traditionnelles qui fonctionnent très bien quand on a un jeu de données parfaitement structuré et sans redondance. Sauf que dans la vraie vie, c'est rarement le cas. Donc ça demande une compétence, une expertise un peu plus poussée. Quand on débute sur ces projets, on peut être très déçu des résultats qu’on obtient en interne. La clé de voûte réside dans le rapprochement entre le data scientist et l'expert métier. »

Description

Comment l'industrie traditionnelle peut-elle s'emparer de l'IA ? Quelle quantité de données est nécessaire pour entamer un projet d'IA ? Vaut-il mieux passer par un prestataire pour réaliser son projet ou bien tout piloter en interne ? 

Cette semaine, nous avons le plaisir de recevoir Margot Corréard, Directrice générale de la startup DiaGRAMS Technologies.


DiaGRAMS a une vocation : éditer un logiciel qui intègre les dernières technologies de l'IA dédié à l'analyse de données dans l'industrie. Un positionnement qui lui vaut de placer au coeur de son approche l'expérience utilisateur. « Notre objectif est de donner aux techniciens dans es usines un outil simple à utiliser pour qu’ils puissent surveiller l’état de santé de leur équipement sans avoir besoin d'être un expert de l'IA. On a des datascientists brillants dans l'équipe mais tout l'enjeu, c'est d'orienter leurs travaux pour fournir quelque chose qui soit exploitable au quotidien par les utilisateurs de notre solution. » 


Les cas d'usages sont nombreux, aussi bien dans l'agroalimentaire, l'automobile que l'industrie de pointe. « Nous accompagnons par exemple l'usine du Vaudreuil de Schneider Electric pour réduire de 20% la consommation d'air comprimé de leurs outils de production. » Un processus qui repose sur 2 étapes : optimiser la consommation d'énergie, et mettre en place un système de maintenance prédictive pour détecter les signes avant-coureurs de dysfonctionnement et de fuites sur leurs machines. « Quand le projet est bien ciblé et que l'industriel sait ce qu'il cherche à gagner, on peut atteindre des retours sur investissement assez rapidement. », explique Margot.  


Dès lors, en entreprise le premier pré-requis avant de lancer un projet d'IA est d'identifier l'objectif auquel on souhaite répondre. « Si on veut un quick win, il faut savoir ce qu'on veut faire. C'est à partir d'un objectif clair qu'on sera en mesure de déterminer quelles sont les données dont on a besoin et à quelle fréquence on devra enregistrer la donnée pour en avoir suffisamment de bonne qualité. »


Une fois l'objectif identifié, pourquoi faire appel à un prestataire extérieur plutôt que de construire une solution d'IA en interne ? « Il y a évidemment des méthodes traditionnelles qui fonctionnent très bien quand on a un jeu de données parfaitement structuré et sans redondance. Sauf que dans la vraie vie, c'est rarement le cas. Donc ça demande une compétence, une expertise un peu plus poussée. Quand on débute sur ces projets, on peut être très déçu des résultats qu’on obtient en interne. La clé de voûte réside dans le rapprochement entre le data scientist et l'expert métier. »

Share

Embed

You may also like

Description

Comment l'industrie traditionnelle peut-elle s'emparer de l'IA ? Quelle quantité de données est nécessaire pour entamer un projet d'IA ? Vaut-il mieux passer par un prestataire pour réaliser son projet ou bien tout piloter en interne ? 

Cette semaine, nous avons le plaisir de recevoir Margot Corréard, Directrice générale de la startup DiaGRAMS Technologies.


DiaGRAMS a une vocation : éditer un logiciel qui intègre les dernières technologies de l'IA dédié à l'analyse de données dans l'industrie. Un positionnement qui lui vaut de placer au coeur de son approche l'expérience utilisateur. « Notre objectif est de donner aux techniciens dans es usines un outil simple à utiliser pour qu’ils puissent surveiller l’état de santé de leur équipement sans avoir besoin d'être un expert de l'IA. On a des datascientists brillants dans l'équipe mais tout l'enjeu, c'est d'orienter leurs travaux pour fournir quelque chose qui soit exploitable au quotidien par les utilisateurs de notre solution. » 


Les cas d'usages sont nombreux, aussi bien dans l'agroalimentaire, l'automobile que l'industrie de pointe. « Nous accompagnons par exemple l'usine du Vaudreuil de Schneider Electric pour réduire de 20% la consommation d'air comprimé de leurs outils de production. » Un processus qui repose sur 2 étapes : optimiser la consommation d'énergie, et mettre en place un système de maintenance prédictive pour détecter les signes avant-coureurs de dysfonctionnement et de fuites sur leurs machines. « Quand le projet est bien ciblé et que l'industriel sait ce qu'il cherche à gagner, on peut atteindre des retours sur investissement assez rapidement. », explique Margot.  


Dès lors, en entreprise le premier pré-requis avant de lancer un projet d'IA est d'identifier l'objectif auquel on souhaite répondre. « Si on veut un quick win, il faut savoir ce qu'on veut faire. C'est à partir d'un objectif clair qu'on sera en mesure de déterminer quelles sont les données dont on a besoin et à quelle fréquence on devra enregistrer la donnée pour en avoir suffisamment de bonne qualité. »


Une fois l'objectif identifié, pourquoi faire appel à un prestataire extérieur plutôt que de construire une solution d'IA en interne ? « Il y a évidemment des méthodes traditionnelles qui fonctionnent très bien quand on a un jeu de données parfaitement structuré et sans redondance. Sauf que dans la vraie vie, c'est rarement le cas. Donc ça demande une compétence, une expertise un peu plus poussée. Quand on débute sur ces projets, on peut être très déçu des résultats qu’on obtient en interne. La clé de voûte réside dans le rapprochement entre le data scientist et l'expert métier. »

Description

Comment l'industrie traditionnelle peut-elle s'emparer de l'IA ? Quelle quantité de données est nécessaire pour entamer un projet d'IA ? Vaut-il mieux passer par un prestataire pour réaliser son projet ou bien tout piloter en interne ? 

Cette semaine, nous avons le plaisir de recevoir Margot Corréard, Directrice générale de la startup DiaGRAMS Technologies.


DiaGRAMS a une vocation : éditer un logiciel qui intègre les dernières technologies de l'IA dédié à l'analyse de données dans l'industrie. Un positionnement qui lui vaut de placer au coeur de son approche l'expérience utilisateur. « Notre objectif est de donner aux techniciens dans es usines un outil simple à utiliser pour qu’ils puissent surveiller l’état de santé de leur équipement sans avoir besoin d'être un expert de l'IA. On a des datascientists brillants dans l'équipe mais tout l'enjeu, c'est d'orienter leurs travaux pour fournir quelque chose qui soit exploitable au quotidien par les utilisateurs de notre solution. » 


Les cas d'usages sont nombreux, aussi bien dans l'agroalimentaire, l'automobile que l'industrie de pointe. « Nous accompagnons par exemple l'usine du Vaudreuil de Schneider Electric pour réduire de 20% la consommation d'air comprimé de leurs outils de production. » Un processus qui repose sur 2 étapes : optimiser la consommation d'énergie, et mettre en place un système de maintenance prédictive pour détecter les signes avant-coureurs de dysfonctionnement et de fuites sur leurs machines. « Quand le projet est bien ciblé et que l'industriel sait ce qu'il cherche à gagner, on peut atteindre des retours sur investissement assez rapidement. », explique Margot.  


Dès lors, en entreprise le premier pré-requis avant de lancer un projet d'IA est d'identifier l'objectif auquel on souhaite répondre. « Si on veut un quick win, il faut savoir ce qu'on veut faire. C'est à partir d'un objectif clair qu'on sera en mesure de déterminer quelles sont les données dont on a besoin et à quelle fréquence on devra enregistrer la donnée pour en avoir suffisamment de bonne qualité. »


Une fois l'objectif identifié, pourquoi faire appel à un prestataire extérieur plutôt que de construire une solution d'IA en interne ? « Il y a évidemment des méthodes traditionnelles qui fonctionnent très bien quand on a un jeu de données parfaitement structuré et sans redondance. Sauf que dans la vraie vie, c'est rarement le cas. Donc ça demande une compétence, une expertise un peu plus poussée. Quand on débute sur ces projets, on peut être très déçu des résultats qu’on obtient en interne. La clé de voûte réside dans le rapprochement entre le data scientist et l'expert métier. »

Share

Embed

You may also like