Transcription

• Speaker #0

  Le monde des petites entreprises est fascinant. C'est un mélange unique de débrouillardise et d'adaptabilité. Mais parfois, on manque de compétences clés pour aller plus loin. Tu le ressens aussi Alors ce podcast est fait pour toi. Je suis Perrine Thiébaut, consultante en transformation numérique et je déniche pour toi les meilleurs outils, méthodes et technologies pour gagner en efficacité. Seule ou avec mes invités, je te partage des conseils actionnables pour avancer en toute sérénité. Alors, prêt à oser l'efficacité

• Speaker #1

  Il paraît que l'IA va révolutionner le monde industriel, mais beaucoup d'entreprises peinent encore à se projeter. Alors surtout, souvent, la vision de l'IA, comme on l'a déjà dit, se résume à ChatGPT. Donc Jean-Louis, c'est quoi les étapes clés pour démarrer un projet d'IA industriel

• Speaker #2

  On va dire que ça dépend des techniques d'IA qu'on va utiliser. 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. Ceci étant, on parle d'un projet industriel. Dans tous les cas, il y aura des étapes de définition des objectifs, du problème des ressources allouées, de validation et de maintenance.

• Speaker #1

  Là, on est sur des choses qui sont inhérentes à tout projet industriel Absolument. De base,

• Speaker #2

  Absolument. Dans l'industrie, on part toujours d'un problème et on écrit un cahier des charges qu'il va falloir traduire en opérationnel. C'est le travail d'ingénieurs spécialisés qui connaissent parfaitement les équipements de l'usine et ses outils et qui savent où, quand et comment intégrer des nouvelles fonctions. Le développement fait toujours appel à la question make or buy Soit on développe en interne, soit on a recours à la sous-traitance. L'IA, c'est un cas particulier où on a une phase de configuration à partir de données quand c'est du machine learning. Et ensuite, on a une application logicielle qu'on va intégrer dans le process.

• Speaker #1

  Ok. Et comment est-ce qu'on définit justement le besoin et les objectifs Est-ce que ça peut être différent d'autres projets industriels, comme l'implémentation d'un logiciel qui n'inclut pas l'IA, ou de la robotique, ou ce genre de choses Est-ce que définir un besoin qui mène vers une solution IA, il y a des différences

• Speaker #2

  Oui et non, parce que dans le process industriel, à la fin, c'est toujours une brique informatique qu'on va déployer. Mais c'est le cœur du sujet. Le besoin est industriel, on doit le traduire en numérique. En fait, c'est là où est le sujet. L'IA, c'est qu'une partie du numérique. La décision d'utiliser l'IA ou une approche classique, elle doit venir d'une démarche construite et surtout pas d'un a priori en disant il faut à tout prix utiliser l'IA Ça, ça n'a pas de sens. En général, on part d'une difficulté ou d'un objectif d'amélioration. Alors ça peut être réduire le taux de rebut, augmenter la cadence de production, minimiser le temps d'intervention des experts, etc. Plus le process est numérisé, et plus l'intégration de l'IA peut être pertinente. Sinon, ajouter des capteurs, une chaîne de traitement de données, un système d'analyse en garantissant un retour économique, ça peut être compliqué.

• Speaker #1

  Donc c'est rarement la première étape finalement. On arrive en supplément de projets numériques déjà bien aboutis.

• Speaker #2

  Oui. On part d'une difficulté ou d'un objectif précis. Par exemple, en contrôle qualité, les opérateurs fatiguent à regarder des images toute la journée. l'IA permet de diminuer cette fatigue en ne montrant que les cas compliqués.

• Speaker #1

  Oui,très clair. C'est très parlant comme exemple, effectivement. 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

• Speaker #2

  En termes de compétences, forcément, si on fait du machine learning, et qu'on n'a pas de compétences en machine learning, c'est évident qu'il faut faire appel à des ressources externes. C'est ce que font la plupart des industriels, d'ailleurs. Je pense aussi que l'utilisateur final doit être impliqué dans le projet industriel, parce que c'est l'opérateur qui manipule l'outil, qui va l'utiliser finalement, et il faut intégrer cette notion d'utilisation. C'est ce que permet l'IA d'avoir des interfaces beaucoup plus fluides et beaucoup plus pertinentes. Ensuite, il y a des compétences données. Une multinationale comme Total Energy, par exemple, qui font beaucoup ça, peut se permettre d'avoir de nombreux spécialistes de données qui vont pouvoir collecter, stocker, distribuer, exploiter les données. Une PME ne sait pas faire ça.

• Speaker #1

  Donc, une PME, tu donneras le conseil d'avoir en plus une compétence au moins ponctuelle en collection de données dans ce genre de projet

• Speaker #2

  Au moins de traiter cette problématique, qu'elle soit en interne ou en externe.

• Speaker #1

  Ok, mais je veux dire, si c'est effectivement une PME qui n'a pas la capacité d'embaucher, on peut trouver ces compétences-là sur le marché, en tout cas.

• Speaker #2

  Oui.

• Speaker #1

  Très bien. Est-ce que tu as une fourchette de temps qu'il faut allouer pour ce genre de projet

• Speaker #2

  Un projet d'IA? Bon déjà, ça ne se fait pas en quelques jours. Je pense qu'il n'y a pas de règle de durée, mais si on part de zéro avec du machine learning, il faut mettre d'abord en place la stratégie data, et ça peut se compter en années, parce que ça prend beaucoup de temps. Après, il faut entrer dans la phase d'apprentissage, test et déploiement. Et il n'y a pas que l'aspect technique à considérer, il faut intégrer la formation des équipes. donc la gestion du changement, l'acceptabilité, tout ça prend énormément de temps. Donc ça prend des mois. Si on fait appel à un prestataire, ça peut aller plus vite, mais de toute façon, c'est quand même des mois le temps d'installation d'un projet d'IA.

• Speaker #1

  Ça marche, et oui, tu pointes quelque chose de très intéressant du doigt sur la partie données. J'entendais, je crois que c'était une personne de chez Probayes que j'entendais sur un podcast qui expliquait que sur des problématiques de maintenance, par exemple, pour aller faire des projets d'IA qui vont identifier quand est-ce qu'une machine va être en panne. En fait, 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. Donc, il y a des biais pour dire ma machine, elle fonctionne bien quand elle fait ça. Et du coup, je peux interpréter des choses qui feraient qu'elle ne fonctionne plus et extrapoler pour ça. Mais dans tous les cas, pour avoir ce genre de résultat, il faut quand même un temps d'acquisition de données. donc au-delà de la stratégie de mise en place. Si les données, on ne les a pas, il faut quand même qu'on ait une certaine quantité pour aller projeter des modèles là-dessus.

• Speaker #2

  Absolument.

• Speaker #1

  Ça marche.

• Speaker #2

  Ou générer des données synthétiques qui ne représentent que phénomènes.

• Speaker #1

  C'est valable, la génération de données synthétiques

• Speaker #2

  C'est une voie de recherche actuelle, en tout cas.

• Speaker #1

  Mais actuellement, tu as fait des projets où c'est mis en place de telle manière, avec la génération synthétique pour projeter derrière

• Speaker #2

  Un petit peu. 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. Et connaissant les variabilités, ça permettait de savoir quelles données n'étaient pas présentes dans la base et donc de les générer. Par exemple, sur la reconnaissance de caractère, on peut générer des différents angles avec les barres des lettres et si on ne les a pas, on les écrit nous-mêmes.

• Speaker #1

  Ok, intéressant. C'est vrai que... Enfin... Je ne suis pas une spécialiste de l'IA et de comment elle se met en œuvre, mais ça paraît assez fou de se dire, j'ai un problème, je vais générer mes propres données d'entraînement, je vais créer mes modèles sur mes données d'entraînement et ça va quand même modéliser la réalité. Ça me paraît complètement dingue, je trouve ça génial.

• Speaker #2

  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. ils voulaient être capables de reconnaître ce signal avec un seul exemple. Mais ce n'est pas possible. Et ce n'est pas non plus possible de générer des exemples dans ce cas-là.

• Speaker #1

  Oui, d'accord, je comprends bien. Et on ne peut bizarrement pas beaucoup enregistrer, je suppose que si on parle de sonar ennemis dans ce cas-là, difficile d'aller...

• Speaker #2

  J'ai pas prononcé ce terme, mais c'est possible.

• Speaker #1

  Oui, bon, en tout cas, on va dire pas ennemis, mais autre que dans notre propre flotte. Et donc forcément, on ne peut pas aller écouter... les sous-marins des autres, ça peut être un peu étrange. Ça marche. Ça clarifie bien les étapes d'un projet. Dans l'épisode suivant, on va rentrer dans le concret avec tes retours d'expérience, justement, de 40 ans d'IA.