Description
Que peut vraiment apporter l'intelligence artificielle (IA) en matière de performance, de qualité, de support aux équipes, d'aide à la décision ? Quelles sont ses limites et, par conséquent, les conditions pour en tirer de la valeur ? Le point avec Luc Julia, expert technologique international, et Matthieu Jolens, spécialiste de l'accompagnement des transformations industrielles.
Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.
Transcription
Bonjour à tous, bienvenue dans ce podcast pas de côté consacré à l'intelligence artificielle dans l'industrie. Vous le savez c'est un nouveau format que nous vous proposons en complément de la revue quaternaire dernière livraison du nom le numéro 36. Alors quelle est la réalité de l'intelligence artificielle dans l'industrie ? Que peut-elle vraiment apporter en matière de performance, de qualité, de support aux équipes, d'aide à la décision ? Et puis, quelles sont ses limites et par conséquent les conditions pour en tirer de la valeur ? Je m'appelle Jean Chabot et pour répondre à ces questions, j'ai le plaisir d'échanger avec Luc Julia. Bonjour.
Bonjour.
Vous avez dirigé Siri chez Apple, vous êtes ancien directeur de l'innovation chez Samsung et vous êtes désormais directeur scientifique chez Renault. Vous êtes un spécialiste de l'IA et l'auteur de plusieurs articles scientifiques, notamment sur les objets connectés et le lien homme-machine. Et puis, pour discuter avec vous, Luc, nous accueillons Mathieu Jolins. Bonjour.
Bonjour, Jean.
Mathieu, vous êtes associé et directeur client chez Quaternaire. Vous pilotez le renforcement de l'usage de l'IA en interne auprès des équipes Quaternaire et auprès des clients de Quaternaire. Pour rentrer directement dans le sujet, on ne va pas chercher à définir ce qu'est une IA et à gloser sur l'intérêt de cette technologie. Je voudrais rentrer directement dans l'IA dans l'industrie. De quoi parle-t-on ? Quel est le périmètre aujourd'hui ? Luc, est-ce que vous avez des exemples à nous donner qui vont nous permettre de mieux définir les limites de l'IA dans l'industrie ?
Alors déjà, il faut quand même donner un... tout petit peu une division, c'est-à-dire que l'IA, ça dépend de quel IA on parle, parce que il y a plein plein d'IA, l'IA existe depuis 1956, donc ça fait presque 70 ans aujourd'hui, et donc les IA et l'IA dans l'industrie, il y en a plein, et il y en a plein depuis longtemps, donc c'est pas nouveau. On a tendance aujourd'hui à considérer que l'IA a commencé il y a 2-3 ans avec les IA génératives, c'est évidemment pas le cas. Donc l'IA dans l'industrie aujourd'hui, il y en a beaucoup, surtout dans les... Dans tout ce qui va être les usines et la robotisation, il y a beaucoup d'IA, parce que tout ce qui va être l'imitation des gestes humains qui sont faits dans les usines par ces robots, c'est considéré comme de l'IA. Donc on va dire que c'est de la vieille IA,
des IA logiques, des IA qui permettent de faire ces gestes répétitifs. Donc ça,
ça existe depuis très très longtemps. C'est vrai que depuis maintenant 2-3 ans, on a les IA génératives qui sont arrivées avec une promesse d'ajouter de l'IA un peu partout, dans non seulement les métiers qui étaient plus physiques, mais aussi les métiers qui sont, on va dire, entre guillemets, plus intellectuels, donc pour les cols blancs. Donc l'industrie en général, évidemment, a besoin de cols blancs et c'est vrai qu'on voit apparaître petit à petit des nouveaux cas d'usage. qui sont dérivés directement de ces IA génératifs. Mais la réalité est moins rose que ce qu'on aurait pu croire il y a encore trois ans, quand on était excité, quand il y avait le hype autour de ces IA, où on disait, ça va tout changer, révolutionner, etc. La réalité, c'est que ça a effectivement arrivé, il y a des cas d'usage qui sont arrivés, mais encore une étude du MIT, il n'y a pas très longtemps, en mois d'août, nous a montré que 95% des POC, des Proof of Concept, qui avaient été faits autour des saisies à générative depuis 2-3 ans, n'ont pas donné de retour sur investissement, globalement. Donc, on est encore aujourd'hui dans les balbutiements pour trouver ces cas d'usage. Parce qu'il n'y en a que 5%, vous avez 5% de beaucoup, beaucoup, beaucoup de ces Proof of Concept. Donc, c'est quand même déjà pas mal. mais c'est encore que les balbutiements. Alors, pour donner des exemples concrets, il y en a quand même, parce que dans ces 5%, il y a des choses qui existent. Et en général, là où on voit les IA arriver dans l'industrie pour les cols blancs dont je viens de parler, ça va être des aides, des assistants qui vont vous permettre, par exemple pour les achats, de générer des contrats beaucoup plus rapidement. Mais il y a un constat qui est fait aussi récemment, c'est que ce n'est pas forcément du gain de temps qu'amène ces IA, mais c'est plutôt du gain de qualité. Vous allez me dire que la qualité est une forme de productivité. Mais la fameuse productivité dont on avait rêvé encore il y a 2-3 ans, elle est moins marquée que cette possibilité de faire les choses mieux.
Mathieu, vous voyez, parce que Luc parle de col blanc, donc plutôt les fonctions support, vous, le périmètre dans lequel vous observez les usages de l'IA, ça touche aussi à quoi ? À la maintenance, à l'animation de la performance sur les sites de production ?
Oui, aujourd'hui, le périmètre réel de l'IA dans l'industrie, on parle d'industrie, mais on peut aussi parler de services, mais plus globalement, il y a tout ce qui est, on peut les regrouper en fait d'usages industriels autour de cinq grands blocs, donc les opérations et la production, où à l'intérieur de ça, on va retrouver tout ce qui est détection d'anomalies pour aller vraiment réduire les écarts types. de l'optimisation dans les réglages process, et ça jusqu'aux opérationnels, et pas uniquement une posture de leader ou de manager. On peut avoir des usages où on a des vraies preuves de valeur sur l'analyse des dérives de performance, pas encore sur du temps réel, mais je suis assez confiant pour que ça arrive rapidement. Donc là, on est plutôt sur une partie opération et production. Puis après, on a des cas d'usage sur de la maintenance, sur de la qualité, de l'inspection, avec de l'analyse vidéo quand on veut optimiser des changements de format pour passer d'un gâteau A à un gâteau B. Et si je peux parler de deux derniers blocs, on va retrouver toute la partie... ingénierie, méthodologie pour aider à la rédaction de standards, à la capitalisation du savoir-faire. Et le dernier que je pourrais ajouter, c'est vraiment la fonction support et de décision, l'aide à la décision, l'analyse de parcours client ou d'usager. Là aujourd'hui, on a quelques belles preuves de valeur où on... on est bloqué à date sur comment on industrialise vraiment ces preuves de valeur. En tout cas, c'est ce qu'on voit à date chez nos clients.
Si je peux me permettre de rebondir rapidement là-dessus, effectivement, tout ce qui est dans l'opérationnel, donc les deux premiers blocs dont on vient de parler, c'est ce qu'on va considérer comme, entre guillemets, de la vieille IA. Donc des IA qui datent de plus de trois ans, ce sont ces IA de perception. par exemple, qui permettent effectivement de trouver les anomalies et des choses comme ça. Donc tout ça, ça n'a rien à voir avec l'IA générative qui est arrivée depuis 2-3 ans. Mais effectivement, comme je disais tout à l'heure, ces vieilles IA sont implémentées depuis très longtemps dans les usines, dans les sites de production pour pouvoir trouver ces anomalies, pour pouvoir régler les robots, pour pouvoir faire ces choses-là. Donc tout ça, ça existe depuis longtemps et ça marche très bien.
Oui, ça marche, c'est-à-dire on peut mesurer la performance et l'amélioration de la... de la productivité grâce à l'implémentation de ces via EASY-A comme vous dites ?
Oui, parce qu'on voit effectivement qu'il y a moins de pièces défectueuses par exemple, parce que les réglages des robots sont plus précis que la main humaine, donc on voit déjà qu'il y a moins de défauts dans ce qui est produit, et puis après dans la détection du défaut, c'est fait bien en amont. par rapport à ce que c'était avant. C'est-à-dire que ce n'est plus la peine que ce soit détecté quand le client reçoit le truc, quel que soit le truc. Mais c'est fait, effectivement, en aval du shipment, quand on envoie ces trucs-là. Donc, c'est fait au moment de la fin de la production. On a effectivement des IA de perception qui permettent de reconnaître s'il y a des craquures, des cracks, je ne sais pas quoi, dans les objets. Donc, ça, ça marche très, très bien et on peut effectivement le mesurer parce qu'on a le avant et le après. Donc, on a ce qu'on faisait avant et ce qu'on fait maintenant avec ces outils. Mais ces outils, encore une fois, sont implémentés depuis une bonne vingtaine d'années maintenant et ça marche très bien. Pour ce qui est des autres IA, donc les IA génératives qui sont plus dans les trois autres blocs qu'on a cités, c'est effectivement plus dans l'école blanc, donc il y a dans la conception, la conception des produits. Donc tout ce qui est design, etc., là effectivement, ces IA génératives vont être absolument extraordinaires, c'est-à-dire qu'elles vont être des assistants qui vont bien marcher. Et donc le design, tout ce qui est aussi rédaction des documentations diverses et variées, aussi bien en amont qu'en aval, et puis après évidemment le support dont on a parlé aussi, où là, ces IA génératives... peuvent potentiellement réduire les dialogues qu'il y a à avoir entre les clients futurs, B2B ou B2C, avec les gens qui produisent. Donc, les IA génératives, je dirais, sont utilisées et utilisables de plus en plus dans les blocs qui sont en aval, donc tout ce qui est après les vrais sites de production qui, eux, utilisent plutôt les, entre guillemets, les vieilles IA.
Quelles sont les limites ? parce qu'on en attend beaucoup et là, on vient de valoriser ce qu'elles apportent justement, mais qu'est-ce qu'elles ne peuvent pas faire et qu'est-ce qu'on voit encore hélas trop comme attente chez vos clients, Mathieu, qui d'après vous ne pourront pas être satisfaites parce que là, ça correspond vraiment à une limite de l'IA ?
Aujourd'hui, chez nos clients, l'IA a un périmètre assez clair. Là où il y a de la donnée, Qualitatives, quantitatives bien sûr, là où il y a de la répétitivité et de la complexité, aujourd'hui les dirigeants n'attendent pas une révolution magique. Je pense que la hype est vraiment passée, mais c'est des gains concrets, fiables et appropriés par les équipes. Et le vrai enjeu, ce n'est pas l'IA en soi, mais c'est vraiment la capacité de l'organisation à l'intégrer intelligemment. Je mets de côté toute la partie risque, assessment, cyber, DSI qui doivent contribuer. On a quand même des pas de compréhension à avoir. Et ça, c'est un des premiers enjeux, à mon sens, la compréhension des équipes. qui vont utiliser ces technologies, mais comme tout type d'outils, c'est le sens qu'on va donner derrière. Et puis aussi de la rassurance. L'IA n'arbitre pas, l'IA ne priorise pas selon une stratégie. Il faut toujours que l'homme avec un grand H reste décisionnaire de son environnement. Ça, à mon sens, c'est vraiment les limites qu'il faut donner aux usages de l'IA.
Luc, vous voyez comment les choses sur les limites, et puis par conséquent aussi les conditions pour, à partir de ces limites, en tirer de la valeur pour un dirigeant ?
Je vais répéter un peu ce que vient de dire Mathieu. De toute façon, c'est clair que le hype est un peu passé, donc la magie a fini d'opérer, c'est-à-dire qu'on a arrêté de raconter n'importe quoi, de fantasmer. sur ces IA et sur le fait qu'elles puissent faire tout et n'importe quoi et surtout prendre des décisions ou alors inventer, innover, créer. On s'est bien rendu compte que ces IA ne créent rien, n'inventent rien et surtout ne prennent pas de décision et l'homme avec l'avantage dont on vient de parler est effectivement toujours là et il est décisionnaire dans ses actions. À la fin c'est que des outils, comme on l'a dit et répété. et ces outils, c'est nous qui tournons le manche, c'est comme un bon vieux marteau, c'est nous qui décidons, ce n'est pas les IA qui décident, ce n'est pas le marteau qui décide d'aller planter le clou, c'est moi qui décide d'aller planter le clou en tenant le manche du marteau. Et là c'est pareil, on peut donner un certain degré d'autonomie à ces IA, c'est-à-dire que je décide de donner un certain degré d'autonomie, mais c'est moi qui décide. Donc ça il faut être clair, et ce fantasme-là, il est encore un tout petit peu présent dans quelques industries, dans quelques têtes de patrons. Mais ça change petit à petit et ça commence à réaliser que les outils sont spécialisés, spécifiques et qui marchent très très bien. Donc la façon dont on va utiliser ça, c'est définir les endroits où on va trouver ces cas d'usage. Comme j'ai dit, ce n'est pas facile à trouver parce que 95% de ces cas d'usage pour l'instant ne donnent rien parce qu'on ne sait pas exactement comment ça marche encore, mais on cherche. mais quand on en trouve un on peut appliquer, on est à peu près sûr qu'on peut trouver une IA qui va être utile, par définition même de l'outil, dans le cas d'usage particulier. Aujourd'hui, l'application se fait seulement en démystifiant la magie de l'outil et en comprenant bien que finalement, ce ne sont que des choses qui vont être des aides à la décision ou des aides à faire les tâches pour lesquelles on va les utiliser.
Mais même quand on a pris conscience de ça et qu'on est revenu à la raison sur ce que peut vraiment l'IA, il y a des conditions pour en tirer de la valeur sur la qualité des données, la gouvernance pour encadrer les usages, vous venez d'en parler Luc. les questions éthiques, il faut avoir tranché là-dessus, et puis il faut faire monter les équipes en compétences. Comment aujourd'hui, Mathieu, sur ces quatre points, vous jugez le niveau des industries en France ?
On va avoir deux types de cas de figure. Celui qu'on voit le plus, c'est un client aujourd'hui qui a une volonté opérationnelle de passer le temps. pas par la technologie parce qu'aujourd'hui elle est tout simplement disponible, disponible même dans les outils de l'entreprise, donc il peut y avoir un flou et ces usages là peuvent être bloqués par une DSI. Donc là on va avoir un statu quo et du coup un frein. à l'expérimentation et du coup à l'innovation. Ça, c'est le premier cas de figure. Le deuxième cas de figure, c'est au contraire des clients qui ont libéré les usages dans un cadre donné où derrière, on se cherche encore un petit peu concernant ce cadre, cette gouvernance et l'agilité qu'on y mène parce qu'on a certains modèles qui sont des... Des boîtes noires, difficiles à expliquer, difficiles aussi à auditer, or nos clients ont besoin de compréhension et pas seulement de performances statistiques. Donc il faut trouver un juste milieu, il faut trouver un juste milieu organisationnel, un juste milieu en étant toujours dans un prisme de preuves de valeur plus que de POC, moi j'aime bien ça. et comment on arrive à avoir un passage à l'échelle logique qui prend l'ensemble des quatre éléments, Jean, que tu viens de citer.
Est-ce que vous avez l'impression, parce que là, ce que vous dites, Mathieu, ça me fait penser à ce qu'on appelle l'usage shadow IA, c'est-à-dire une IA qui est utilisée, certes, dans les entreprises, mais de façon non coordonnée. Mathieu, vous avez parlé de blocage parfois par la DSI. Et donc, chacun fait un peu à sa sauce. Est-ce qu'on en est encore là ? C'est un constat qu'on peut encore faire aujourd'hui, Luc ?
Oui, alors le Shadow AI existe, mais il existe de moins en moins parce qu'il y a de plus en plus d'éducation au sein des entreprises. C'est-à-dire qu'on voit aujourd'hui, beaucoup de ces, surtout les grosses entreprises, forment leurs employés à l'IA. Ça ne veut pas dire qu'ils deviennent tous des spécialistes de l'IA, mais ils forment à l'utilisation des IA. Et donc, la compréhension de ce que ça veut dire, que ce Shadow AI... Qu'est-ce que ça veut dire ? Ça peut être un danger pour la boîte d'utiliser des IA qui vont prendre, entre guillemets, des secrets industriels et puis les diffuser sur le cloud. Donc ça, c'est une partie de formation, on va dire, d'éducation, qui est de plus en plus faite dans les boîtes. Il y a dans les grosses boîtes industrielles, en particulier en France, que je connais, il y a 70-75% des employés qui ont été... formés à l'utilisation de ces IA, à la compréhension d'utilisation et des dangers potentiels de ces IA. Donc ça, c'est une bonne nouvelle, parce qu'effectivement, ces IA sont excessivement accessibles, c'est-à-dire que la seule révolution réelle des IA génératives qui sont arrivées depuis 2-3 ans, la vraie révolution, c'est l'accessibilité. C'est le fait que n'importe qui puisse les utiliser à travers ce prompt qu'on utilise en langage naturel, qu'on invoque en langage naturel. Et donc... n'importe qui peut l'utiliser. Donc, il faut mettre des cadres. Il faut mettre un peu d'éthique, comme on vient de dire aussi. Donc, quand on met des cadres, ça veut dire aussi qu'on explique pourquoi on va l'utiliser comme ça et pas comme ça. Donc, il y a des éthiques d'entreprise qui se mettent en place. Et puis, petit à petit aussi, il y a l'éthique, on va dire, plus au niveau des pays, au niveau des continents. Là, ça s'appelle plus des réglementations qui sont aussi mises en place pour essayer d'encadrer les usages. Mais donc, l'éducation, la formation est le mot-clé, en fait, pour... une utilisation saine de ces IA à l'intérieur de ces entreprises.
Est-ce que vous pourriez chacun choisir un exemple dans une entreprise industrielle d'usage d'IA qui vous paraît intéressant à mettre en avant, qui peut être inattendu, qui se démarque par justement la qualité de la formation des équipes et de la cohérence des usages entre les services ? Voilà, un exemple chacun que vous pourriez choisir. pourriez donner sans forcément citer le nom de l'entreprise mais au moins son secteur d'activité et puis nous expliquer un peu pourquoi vous trouvez ça intéressant comme usage Mathieu, peut-être ?
Alors, moi, j'ai un exemple très récent, j'en ai un tout petit peu parlé tout à l'heure, c'est l'analyse vidéo dans un changement de série où les bénéfices observés sur le temps de l'analyse va de moins 20 à moins 40% sur ce qu'on a l'habitude de faire d'une manière un peu plus traditionnelle sont utilisées l'outil de l'IA, ce qu'on appelle en fait du SMED. Là, clairement, l'IA, elle nous a aidé à découper d'une manière automatique l'ensemble des séquences vidéo filmées, d'identifier des temps internes, externes, qu'on n'aurait pas forcément vus à la première vidéo. Ça met vraiment en évidence des temps à non-valeur non-valeurs ajoutées, et puis aussi cette somme de vidéos nous a permis d'analyser, de comparer plusieurs changements de série et de les identifier avec des patterns pour voir là où on avait la plupart de la dérive. Alors, pas uniquement une dérive d'un point de vue production, mais une dérive humaine. donc l'analyse des gestes L'analyse des modes opératoires, l'analyse de l'ergonomie, de la sécurité et de la prévention des risques, ça nous a permis, dans un minimum de temps, de bâtir un socle et un plan d'action à mettre en œuvre où en deux mois de temps, on a apporté trois points de TRS à cet industriel, chose qu'habituellement, la phase d'analyse et de design prend beaucoup plus de temps. Donc là, c'est un vrai progrès significatif.
Et vous, Luc ?
Moi, je vais prendre un exemple de ce qui se passe dans l'industrie automobile, dans les usines. En fait, au hasard, on va choisir une auto qui sort de la chaîne et on va la faire rouler pendant une heure pour essayer de trouver des anomalies. Donc, c'est des anomalies tout au nord, en général. C'est-à-dire que... C'est des petits bruits qui vont avoir lieu sur des portes, des cliquetis sur des sièges, des choses comme ça. Et là, on a une preuve par le avant et le après. On avait des gens qui prenaient ces voitures, allaient les faire rouler pendant une heure et notaient mentalement tous ces petits problèmes. mais quand ils rentraient à l'usine, ils avaient l'obligation de rentrer à la main les différents problèmes qu'ils avaient. pu constater dans une machine qui datait des années 80. Donc, ils rentraient ça avec des codes et ça permettait donc de définir quels étaient les problèmes potentiels sur ces voitures. La réalité, c'est que malheureusement, ils oubliaient une partie. Alors, c'était 10, 20 % à peu près. Ils étaient obligés de reprendre la voiture, repartir pendant une heure, rouler et se rappeler des trucs qu'ils avaient oubliés avant pour pouvoir, quand ils revenaient à nouveau à l'usine... rentrer ces éléments dans ce vieil ordinateur. Donc ce qu'on a proposé, ce qu'on a fait, c'est une des seules applications d'IA générative, donc de nouvelles IA au niveau de la production, de la chaîne de production, c'est qu'on a rajouté simplement une IA générative dans la voiture, au moment où les personnes la font rouler, où ils peuvent à voix haute dire, encore une fois grâce à ce prompt dont je parlais tout à l'heure, ils peuvent dire qu'il y a un clickty sur la porte avant gauche, il y a un petit bip bip bip qui n'est pas normal, etc. Et donc l'IA générative enregistre évidemment tous ces problèmes-là, et quand ils rentrent au Bercail, ils font discuter la machine qu'ils avaient à bord, qui était une tablette, avec le vieil ordinateur dont je parlais tout à l'heure, et cette tablette déverse. tous les problèmes qui ont été détectés par juste ces définitions orales. Donc voilà, c'est un exemple qui fait gagner énormément de temps parce qu'on n'a pas besoin d'aller refaire un tour d'une heure avec la voiture, mais surtout ça fait gagner énormément de qualité parce que la description des problèmes potentiels qui ont été détectés pendant le roulage sont beaucoup plus précises que ce qu'il y aurait eu... ce qu'il rentrait avant dans la machine et qui était ce dont il se rappelait vaguement de leur roulage. Donc ça, c'est un exemple concret qui permet d'améliorer la qualité de la production, finalement, de ces autos.
Très bien, merci beaucoup messieurs, merci Luc, merci Mathieu d'avoir participé à cette conversation.
Merci Jean.
C'était très court et évidemment on a beaucoup d'exemples. On se retrouve dans la revue à l'écrit pour une synthèse de cet échange et je vous dis à bientôt.
Description
Que peut vraiment apporter l'intelligence artificielle (IA) en matière de performance, de qualité, de support aux équipes, d'aide à la décision ? Quelles sont ses limites et, par conséquent, les conditions pour en tirer de la valeur ? Le point avec Luc Julia, expert technologique international, et Matthieu Jolens, spécialiste de l'accompagnement des transformations industrielles.
Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.
Transcription
Bonjour à tous, bienvenue dans ce podcast pas de côté consacré à l'intelligence artificielle dans l'industrie. Vous le savez c'est un nouveau format que nous vous proposons en complément de la revue quaternaire dernière livraison du nom le numéro 36. Alors quelle est la réalité de l'intelligence artificielle dans l'industrie ? Que peut-elle vraiment apporter en matière de performance, de qualité, de support aux équipes, d'aide à la décision ? Et puis, quelles sont ses limites et par conséquent les conditions pour en tirer de la valeur ? Je m'appelle Jean Chabot et pour répondre à ces questions, j'ai le plaisir d'échanger avec Luc Julia. Bonjour.
Bonjour.
Vous avez dirigé Siri chez Apple, vous êtes ancien directeur de l'innovation chez Samsung et vous êtes désormais directeur scientifique chez Renault. Vous êtes un spécialiste de l'IA et l'auteur de plusieurs articles scientifiques, notamment sur les objets connectés et le lien homme-machine. Et puis, pour discuter avec vous, Luc, nous accueillons Mathieu Jolins. Bonjour.
Bonjour, Jean.
Mathieu, vous êtes associé et directeur client chez Quaternaire. Vous pilotez le renforcement de l'usage de l'IA en interne auprès des équipes Quaternaire et auprès des clients de Quaternaire. Pour rentrer directement dans le sujet, on ne va pas chercher à définir ce qu'est une IA et à gloser sur l'intérêt de cette technologie. Je voudrais rentrer directement dans l'IA dans l'industrie. De quoi parle-t-on ? Quel est le périmètre aujourd'hui ? Luc, est-ce que vous avez des exemples à nous donner qui vont nous permettre de mieux définir les limites de l'IA dans l'industrie ?
Alors déjà, il faut quand même donner un... tout petit peu une division, c'est-à-dire que l'IA, ça dépend de quel IA on parle, parce que il y a plein plein d'IA, l'IA existe depuis 1956, donc ça fait presque 70 ans aujourd'hui, et donc les IA et l'IA dans l'industrie, il y en a plein, et il y en a plein depuis longtemps, donc c'est pas nouveau. On a tendance aujourd'hui à considérer que l'IA a commencé il y a 2-3 ans avec les IA génératives, c'est évidemment pas le cas. Donc l'IA dans l'industrie aujourd'hui, il y en a beaucoup, surtout dans les... Dans tout ce qui va être les usines et la robotisation, il y a beaucoup d'IA, parce que tout ce qui va être l'imitation des gestes humains qui sont faits dans les usines par ces robots, c'est considéré comme de l'IA. Donc on va dire que c'est de la vieille IA,
des IA logiques, des IA qui permettent de faire ces gestes répétitifs. Donc ça,
ça existe depuis très très longtemps. C'est vrai que depuis maintenant 2-3 ans, on a les IA génératives qui sont arrivées avec une promesse d'ajouter de l'IA un peu partout, dans non seulement les métiers qui étaient plus physiques, mais aussi les métiers qui sont, on va dire, entre guillemets, plus intellectuels, donc pour les cols blancs. Donc l'industrie en général, évidemment, a besoin de cols blancs et c'est vrai qu'on voit apparaître petit à petit des nouveaux cas d'usage. qui sont dérivés directement de ces IA génératifs. Mais la réalité est moins rose que ce qu'on aurait pu croire il y a encore trois ans, quand on était excité, quand il y avait le hype autour de ces IA, où on disait, ça va tout changer, révolutionner, etc. La réalité, c'est que ça a effectivement arrivé, il y a des cas d'usage qui sont arrivés, mais encore une étude du MIT, il n'y a pas très longtemps, en mois d'août, nous a montré que 95% des POC, des Proof of Concept, qui avaient été faits autour des saisies à générative depuis 2-3 ans, n'ont pas donné de retour sur investissement, globalement. Donc, on est encore aujourd'hui dans les balbutiements pour trouver ces cas d'usage. Parce qu'il n'y en a que 5%, vous avez 5% de beaucoup, beaucoup, beaucoup de ces Proof of Concept. Donc, c'est quand même déjà pas mal. mais c'est encore que les balbutiements. Alors, pour donner des exemples concrets, il y en a quand même, parce que dans ces 5%, il y a des choses qui existent. Et en général, là où on voit les IA arriver dans l'industrie pour les cols blancs dont je viens de parler, ça va être des aides, des assistants qui vont vous permettre, par exemple pour les achats, de générer des contrats beaucoup plus rapidement. Mais il y a un constat qui est fait aussi récemment, c'est que ce n'est pas forcément du gain de temps qu'amène ces IA, mais c'est plutôt du gain de qualité. Vous allez me dire que la qualité est une forme de productivité. Mais la fameuse productivité dont on avait rêvé encore il y a 2-3 ans, elle est moins marquée que cette possibilité de faire les choses mieux.
Mathieu, vous voyez, parce que Luc parle de col blanc, donc plutôt les fonctions support, vous, le périmètre dans lequel vous observez les usages de l'IA, ça touche aussi à quoi ? À la maintenance, à l'animation de la performance sur les sites de production ?
Oui, aujourd'hui, le périmètre réel de l'IA dans l'industrie, on parle d'industrie, mais on peut aussi parler de services, mais plus globalement, il y a tout ce qui est, on peut les regrouper en fait d'usages industriels autour de cinq grands blocs, donc les opérations et la production, où à l'intérieur de ça, on va retrouver tout ce qui est détection d'anomalies pour aller vraiment réduire les écarts types. de l'optimisation dans les réglages process, et ça jusqu'aux opérationnels, et pas uniquement une posture de leader ou de manager. On peut avoir des usages où on a des vraies preuves de valeur sur l'analyse des dérives de performance, pas encore sur du temps réel, mais je suis assez confiant pour que ça arrive rapidement. Donc là, on est plutôt sur une partie opération et production. Puis après, on a des cas d'usage sur de la maintenance, sur de la qualité, de l'inspection, avec de l'analyse vidéo quand on veut optimiser des changements de format pour passer d'un gâteau A à un gâteau B. Et si je peux parler de deux derniers blocs, on va retrouver toute la partie... ingénierie, méthodologie pour aider à la rédaction de standards, à la capitalisation du savoir-faire. Et le dernier que je pourrais ajouter, c'est vraiment la fonction support et de décision, l'aide à la décision, l'analyse de parcours client ou d'usager. Là aujourd'hui, on a quelques belles preuves de valeur où on... on est bloqué à date sur comment on industrialise vraiment ces preuves de valeur. En tout cas, c'est ce qu'on voit à date chez nos clients.
Si je peux me permettre de rebondir rapidement là-dessus, effectivement, tout ce qui est dans l'opérationnel, donc les deux premiers blocs dont on vient de parler, c'est ce qu'on va considérer comme, entre guillemets, de la vieille IA. Donc des IA qui datent de plus de trois ans, ce sont ces IA de perception. par exemple, qui permettent effectivement de trouver les anomalies et des choses comme ça. Donc tout ça, ça n'a rien à voir avec l'IA générative qui est arrivée depuis 2-3 ans. Mais effectivement, comme je disais tout à l'heure, ces vieilles IA sont implémentées depuis très longtemps dans les usines, dans les sites de production pour pouvoir trouver ces anomalies, pour pouvoir régler les robots, pour pouvoir faire ces choses-là. Donc tout ça, ça existe depuis longtemps et ça marche très bien.
Oui, ça marche, c'est-à-dire on peut mesurer la performance et l'amélioration de la... de la productivité grâce à l'implémentation de ces via EASY-A comme vous dites ?
Oui, parce qu'on voit effectivement qu'il y a moins de pièces défectueuses par exemple, parce que les réglages des robots sont plus précis que la main humaine, donc on voit déjà qu'il y a moins de défauts dans ce qui est produit, et puis après dans la détection du défaut, c'est fait bien en amont. par rapport à ce que c'était avant. C'est-à-dire que ce n'est plus la peine que ce soit détecté quand le client reçoit le truc, quel que soit le truc. Mais c'est fait, effectivement, en aval du shipment, quand on envoie ces trucs-là. Donc, c'est fait au moment de la fin de la production. On a effectivement des IA de perception qui permettent de reconnaître s'il y a des craquures, des cracks, je ne sais pas quoi, dans les objets. Donc, ça, ça marche très, très bien et on peut effectivement le mesurer parce qu'on a le avant et le après. Donc, on a ce qu'on faisait avant et ce qu'on fait maintenant avec ces outils. Mais ces outils, encore une fois, sont implémentés depuis une bonne vingtaine d'années maintenant et ça marche très bien. Pour ce qui est des autres IA, donc les IA génératives qui sont plus dans les trois autres blocs qu'on a cités, c'est effectivement plus dans l'école blanc, donc il y a dans la conception, la conception des produits. Donc tout ce qui est design, etc., là effectivement, ces IA génératives vont être absolument extraordinaires, c'est-à-dire qu'elles vont être des assistants qui vont bien marcher. Et donc le design, tout ce qui est aussi rédaction des documentations diverses et variées, aussi bien en amont qu'en aval, et puis après évidemment le support dont on a parlé aussi, où là, ces IA génératives... peuvent potentiellement réduire les dialogues qu'il y a à avoir entre les clients futurs, B2B ou B2C, avec les gens qui produisent. Donc, les IA génératives, je dirais, sont utilisées et utilisables de plus en plus dans les blocs qui sont en aval, donc tout ce qui est après les vrais sites de production qui, eux, utilisent plutôt les, entre guillemets, les vieilles IA.
Quelles sont les limites ? parce qu'on en attend beaucoup et là, on vient de valoriser ce qu'elles apportent justement, mais qu'est-ce qu'elles ne peuvent pas faire et qu'est-ce qu'on voit encore hélas trop comme attente chez vos clients, Mathieu, qui d'après vous ne pourront pas être satisfaites parce que là, ça correspond vraiment à une limite de l'IA ?
Aujourd'hui, chez nos clients, l'IA a un périmètre assez clair. Là où il y a de la donnée, Qualitatives, quantitatives bien sûr, là où il y a de la répétitivité et de la complexité, aujourd'hui les dirigeants n'attendent pas une révolution magique. Je pense que la hype est vraiment passée, mais c'est des gains concrets, fiables et appropriés par les équipes. Et le vrai enjeu, ce n'est pas l'IA en soi, mais c'est vraiment la capacité de l'organisation à l'intégrer intelligemment. Je mets de côté toute la partie risque, assessment, cyber, DSI qui doivent contribuer. On a quand même des pas de compréhension à avoir. Et ça, c'est un des premiers enjeux, à mon sens, la compréhension des équipes. qui vont utiliser ces technologies, mais comme tout type d'outils, c'est le sens qu'on va donner derrière. Et puis aussi de la rassurance. L'IA n'arbitre pas, l'IA ne priorise pas selon une stratégie. Il faut toujours que l'homme avec un grand H reste décisionnaire de son environnement. Ça, à mon sens, c'est vraiment les limites qu'il faut donner aux usages de l'IA.
Luc, vous voyez comment les choses sur les limites, et puis par conséquent aussi les conditions pour, à partir de ces limites, en tirer de la valeur pour un dirigeant ?
Je vais répéter un peu ce que vient de dire Mathieu. De toute façon, c'est clair que le hype est un peu passé, donc la magie a fini d'opérer, c'est-à-dire qu'on a arrêté de raconter n'importe quoi, de fantasmer. sur ces IA et sur le fait qu'elles puissent faire tout et n'importe quoi et surtout prendre des décisions ou alors inventer, innover, créer. On s'est bien rendu compte que ces IA ne créent rien, n'inventent rien et surtout ne prennent pas de décision et l'homme avec l'avantage dont on vient de parler est effectivement toujours là et il est décisionnaire dans ses actions. À la fin c'est que des outils, comme on l'a dit et répété. et ces outils, c'est nous qui tournons le manche, c'est comme un bon vieux marteau, c'est nous qui décidons, ce n'est pas les IA qui décident, ce n'est pas le marteau qui décide d'aller planter le clou, c'est moi qui décide d'aller planter le clou en tenant le manche du marteau. Et là c'est pareil, on peut donner un certain degré d'autonomie à ces IA, c'est-à-dire que je décide de donner un certain degré d'autonomie, mais c'est moi qui décide. Donc ça il faut être clair, et ce fantasme-là, il est encore un tout petit peu présent dans quelques industries, dans quelques têtes de patrons. Mais ça change petit à petit et ça commence à réaliser que les outils sont spécialisés, spécifiques et qui marchent très très bien. Donc la façon dont on va utiliser ça, c'est définir les endroits où on va trouver ces cas d'usage. Comme j'ai dit, ce n'est pas facile à trouver parce que 95% de ces cas d'usage pour l'instant ne donnent rien parce qu'on ne sait pas exactement comment ça marche encore, mais on cherche. mais quand on en trouve un on peut appliquer, on est à peu près sûr qu'on peut trouver une IA qui va être utile, par définition même de l'outil, dans le cas d'usage particulier. Aujourd'hui, l'application se fait seulement en démystifiant la magie de l'outil et en comprenant bien que finalement, ce ne sont que des choses qui vont être des aides à la décision ou des aides à faire les tâches pour lesquelles on va les utiliser.
Mais même quand on a pris conscience de ça et qu'on est revenu à la raison sur ce que peut vraiment l'IA, il y a des conditions pour en tirer de la valeur sur la qualité des données, la gouvernance pour encadrer les usages, vous venez d'en parler Luc. les questions éthiques, il faut avoir tranché là-dessus, et puis il faut faire monter les équipes en compétences. Comment aujourd'hui, Mathieu, sur ces quatre points, vous jugez le niveau des industries en France ?
On va avoir deux types de cas de figure. Celui qu'on voit le plus, c'est un client aujourd'hui qui a une volonté opérationnelle de passer le temps. pas par la technologie parce qu'aujourd'hui elle est tout simplement disponible, disponible même dans les outils de l'entreprise, donc il peut y avoir un flou et ces usages là peuvent être bloqués par une DSI. Donc là on va avoir un statu quo et du coup un frein. à l'expérimentation et du coup à l'innovation. Ça, c'est le premier cas de figure. Le deuxième cas de figure, c'est au contraire des clients qui ont libéré les usages dans un cadre donné où derrière, on se cherche encore un petit peu concernant ce cadre, cette gouvernance et l'agilité qu'on y mène parce qu'on a certains modèles qui sont des... Des boîtes noires, difficiles à expliquer, difficiles aussi à auditer, or nos clients ont besoin de compréhension et pas seulement de performances statistiques. Donc il faut trouver un juste milieu, il faut trouver un juste milieu organisationnel, un juste milieu en étant toujours dans un prisme de preuves de valeur plus que de POC, moi j'aime bien ça. et comment on arrive à avoir un passage à l'échelle logique qui prend l'ensemble des quatre éléments, Jean, que tu viens de citer.
Est-ce que vous avez l'impression, parce que là, ce que vous dites, Mathieu, ça me fait penser à ce qu'on appelle l'usage shadow IA, c'est-à-dire une IA qui est utilisée, certes, dans les entreprises, mais de façon non coordonnée. Mathieu, vous avez parlé de blocage parfois par la DSI. Et donc, chacun fait un peu à sa sauce. Est-ce qu'on en est encore là ? C'est un constat qu'on peut encore faire aujourd'hui, Luc ?
Oui, alors le Shadow AI existe, mais il existe de moins en moins parce qu'il y a de plus en plus d'éducation au sein des entreprises. C'est-à-dire qu'on voit aujourd'hui, beaucoup de ces, surtout les grosses entreprises, forment leurs employés à l'IA. Ça ne veut pas dire qu'ils deviennent tous des spécialistes de l'IA, mais ils forment à l'utilisation des IA. Et donc, la compréhension de ce que ça veut dire, que ce Shadow AI... Qu'est-ce que ça veut dire ? Ça peut être un danger pour la boîte d'utiliser des IA qui vont prendre, entre guillemets, des secrets industriels et puis les diffuser sur le cloud. Donc ça, c'est une partie de formation, on va dire, d'éducation, qui est de plus en plus faite dans les boîtes. Il y a dans les grosses boîtes industrielles, en particulier en France, que je connais, il y a 70-75% des employés qui ont été... formés à l'utilisation de ces IA, à la compréhension d'utilisation et des dangers potentiels de ces IA. Donc ça, c'est une bonne nouvelle, parce qu'effectivement, ces IA sont excessivement accessibles, c'est-à-dire que la seule révolution réelle des IA génératives qui sont arrivées depuis 2-3 ans, la vraie révolution, c'est l'accessibilité. C'est le fait que n'importe qui puisse les utiliser à travers ce prompt qu'on utilise en langage naturel, qu'on invoque en langage naturel. Et donc... n'importe qui peut l'utiliser. Donc, il faut mettre des cadres. Il faut mettre un peu d'éthique, comme on vient de dire aussi. Donc, quand on met des cadres, ça veut dire aussi qu'on explique pourquoi on va l'utiliser comme ça et pas comme ça. Donc, il y a des éthiques d'entreprise qui se mettent en place. Et puis, petit à petit aussi, il y a l'éthique, on va dire, plus au niveau des pays, au niveau des continents. Là, ça s'appelle plus des réglementations qui sont aussi mises en place pour essayer d'encadrer les usages. Mais donc, l'éducation, la formation est le mot-clé, en fait, pour... une utilisation saine de ces IA à l'intérieur de ces entreprises.
Est-ce que vous pourriez chacun choisir un exemple dans une entreprise industrielle d'usage d'IA qui vous paraît intéressant à mettre en avant, qui peut être inattendu, qui se démarque par justement la qualité de la formation des équipes et de la cohérence des usages entre les services ? Voilà, un exemple chacun que vous pourriez choisir. pourriez donner sans forcément citer le nom de l'entreprise mais au moins son secteur d'activité et puis nous expliquer un peu pourquoi vous trouvez ça intéressant comme usage Mathieu, peut-être ?
Alors, moi, j'ai un exemple très récent, j'en ai un tout petit peu parlé tout à l'heure, c'est l'analyse vidéo dans un changement de série où les bénéfices observés sur le temps de l'analyse va de moins 20 à moins 40% sur ce qu'on a l'habitude de faire d'une manière un peu plus traditionnelle sont utilisées l'outil de l'IA, ce qu'on appelle en fait du SMED. Là, clairement, l'IA, elle nous a aidé à découper d'une manière automatique l'ensemble des séquences vidéo filmées, d'identifier des temps internes, externes, qu'on n'aurait pas forcément vus à la première vidéo. Ça met vraiment en évidence des temps à non-valeur non-valeurs ajoutées, et puis aussi cette somme de vidéos nous a permis d'analyser, de comparer plusieurs changements de série et de les identifier avec des patterns pour voir là où on avait la plupart de la dérive. Alors, pas uniquement une dérive d'un point de vue production, mais une dérive humaine. donc l'analyse des gestes L'analyse des modes opératoires, l'analyse de l'ergonomie, de la sécurité et de la prévention des risques, ça nous a permis, dans un minimum de temps, de bâtir un socle et un plan d'action à mettre en œuvre où en deux mois de temps, on a apporté trois points de TRS à cet industriel, chose qu'habituellement, la phase d'analyse et de design prend beaucoup plus de temps. Donc là, c'est un vrai progrès significatif.
Et vous, Luc ?
Moi, je vais prendre un exemple de ce qui se passe dans l'industrie automobile, dans les usines. En fait, au hasard, on va choisir une auto qui sort de la chaîne et on va la faire rouler pendant une heure pour essayer de trouver des anomalies. Donc, c'est des anomalies tout au nord, en général. C'est-à-dire que... C'est des petits bruits qui vont avoir lieu sur des portes, des cliquetis sur des sièges, des choses comme ça. Et là, on a une preuve par le avant et le après. On avait des gens qui prenaient ces voitures, allaient les faire rouler pendant une heure et notaient mentalement tous ces petits problèmes. mais quand ils rentraient à l'usine, ils avaient l'obligation de rentrer à la main les différents problèmes qu'ils avaient. pu constater dans une machine qui datait des années 80. Donc, ils rentraient ça avec des codes et ça permettait donc de définir quels étaient les problèmes potentiels sur ces voitures. La réalité, c'est que malheureusement, ils oubliaient une partie. Alors, c'était 10, 20 % à peu près. Ils étaient obligés de reprendre la voiture, repartir pendant une heure, rouler et se rappeler des trucs qu'ils avaient oubliés avant pour pouvoir, quand ils revenaient à nouveau à l'usine... rentrer ces éléments dans ce vieil ordinateur. Donc ce qu'on a proposé, ce qu'on a fait, c'est une des seules applications d'IA générative, donc de nouvelles IA au niveau de la production, de la chaîne de production, c'est qu'on a rajouté simplement une IA générative dans la voiture, au moment où les personnes la font rouler, où ils peuvent à voix haute dire, encore une fois grâce à ce prompt dont je parlais tout à l'heure, ils peuvent dire qu'il y a un clickty sur la porte avant gauche, il y a un petit bip bip bip qui n'est pas normal, etc. Et donc l'IA générative enregistre évidemment tous ces problèmes-là, et quand ils rentrent au Bercail, ils font discuter la machine qu'ils avaient à bord, qui était une tablette, avec le vieil ordinateur dont je parlais tout à l'heure, et cette tablette déverse. tous les problèmes qui ont été détectés par juste ces définitions orales. Donc voilà, c'est un exemple qui fait gagner énormément de temps parce qu'on n'a pas besoin d'aller refaire un tour d'une heure avec la voiture, mais surtout ça fait gagner énormément de qualité parce que la description des problèmes potentiels qui ont été détectés pendant le roulage sont beaucoup plus précises que ce qu'il y aurait eu... ce qu'il rentrait avant dans la machine et qui était ce dont il se rappelait vaguement de leur roulage. Donc ça, c'est un exemple concret qui permet d'améliorer la qualité de la production, finalement, de ces autos.
Très bien, merci beaucoup messieurs, merci Luc, merci Mathieu d'avoir participé à cette conversation.
Merci Jean.
C'était très court et évidemment on a beaucoup d'exemples. On se retrouve dans la revue à l'écrit pour une synthèse de cet échange et je vous dis à bientôt.
Share
Embed
You may also like
Description
Que peut vraiment apporter l'intelligence artificielle (IA) en matière de performance, de qualité, de support aux équipes, d'aide à la décision ? Quelles sont ses limites et, par conséquent, les conditions pour en tirer de la valeur ? Le point avec Luc Julia, expert technologique international, et Matthieu Jolens, spécialiste de l'accompagnement des transformations industrielles.
Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.
Transcription
Bonjour à tous, bienvenue dans ce podcast pas de côté consacré à l'intelligence artificielle dans l'industrie. Vous le savez c'est un nouveau format que nous vous proposons en complément de la revue quaternaire dernière livraison du nom le numéro 36. Alors quelle est la réalité de l'intelligence artificielle dans l'industrie ? Que peut-elle vraiment apporter en matière de performance, de qualité, de support aux équipes, d'aide à la décision ? Et puis, quelles sont ses limites et par conséquent les conditions pour en tirer de la valeur ? Je m'appelle Jean Chabot et pour répondre à ces questions, j'ai le plaisir d'échanger avec Luc Julia. Bonjour.
Bonjour.
Vous avez dirigé Siri chez Apple, vous êtes ancien directeur de l'innovation chez Samsung et vous êtes désormais directeur scientifique chez Renault. Vous êtes un spécialiste de l'IA et l'auteur de plusieurs articles scientifiques, notamment sur les objets connectés et le lien homme-machine. Et puis, pour discuter avec vous, Luc, nous accueillons Mathieu Jolins. Bonjour.
Bonjour, Jean.
Mathieu, vous êtes associé et directeur client chez Quaternaire. Vous pilotez le renforcement de l'usage de l'IA en interne auprès des équipes Quaternaire et auprès des clients de Quaternaire. Pour rentrer directement dans le sujet, on ne va pas chercher à définir ce qu'est une IA et à gloser sur l'intérêt de cette technologie. Je voudrais rentrer directement dans l'IA dans l'industrie. De quoi parle-t-on ? Quel est le périmètre aujourd'hui ? Luc, est-ce que vous avez des exemples à nous donner qui vont nous permettre de mieux définir les limites de l'IA dans l'industrie ?
Alors déjà, il faut quand même donner un... tout petit peu une division, c'est-à-dire que l'IA, ça dépend de quel IA on parle, parce que il y a plein plein d'IA, l'IA existe depuis 1956, donc ça fait presque 70 ans aujourd'hui, et donc les IA et l'IA dans l'industrie, il y en a plein, et il y en a plein depuis longtemps, donc c'est pas nouveau. On a tendance aujourd'hui à considérer que l'IA a commencé il y a 2-3 ans avec les IA génératives, c'est évidemment pas le cas. Donc l'IA dans l'industrie aujourd'hui, il y en a beaucoup, surtout dans les... Dans tout ce qui va être les usines et la robotisation, il y a beaucoup d'IA, parce que tout ce qui va être l'imitation des gestes humains qui sont faits dans les usines par ces robots, c'est considéré comme de l'IA. Donc on va dire que c'est de la vieille IA,
des IA logiques, des IA qui permettent de faire ces gestes répétitifs. Donc ça,
ça existe depuis très très longtemps. C'est vrai que depuis maintenant 2-3 ans, on a les IA génératives qui sont arrivées avec une promesse d'ajouter de l'IA un peu partout, dans non seulement les métiers qui étaient plus physiques, mais aussi les métiers qui sont, on va dire, entre guillemets, plus intellectuels, donc pour les cols blancs. Donc l'industrie en général, évidemment, a besoin de cols blancs et c'est vrai qu'on voit apparaître petit à petit des nouveaux cas d'usage. qui sont dérivés directement de ces IA génératifs. Mais la réalité est moins rose que ce qu'on aurait pu croire il y a encore trois ans, quand on était excité, quand il y avait le hype autour de ces IA, où on disait, ça va tout changer, révolutionner, etc. La réalité, c'est que ça a effectivement arrivé, il y a des cas d'usage qui sont arrivés, mais encore une étude du MIT, il n'y a pas très longtemps, en mois d'août, nous a montré que 95% des POC, des Proof of Concept, qui avaient été faits autour des saisies à générative depuis 2-3 ans, n'ont pas donné de retour sur investissement, globalement. Donc, on est encore aujourd'hui dans les balbutiements pour trouver ces cas d'usage. Parce qu'il n'y en a que 5%, vous avez 5% de beaucoup, beaucoup, beaucoup de ces Proof of Concept. Donc, c'est quand même déjà pas mal. mais c'est encore que les balbutiements. Alors, pour donner des exemples concrets, il y en a quand même, parce que dans ces 5%, il y a des choses qui existent. Et en général, là où on voit les IA arriver dans l'industrie pour les cols blancs dont je viens de parler, ça va être des aides, des assistants qui vont vous permettre, par exemple pour les achats, de générer des contrats beaucoup plus rapidement. Mais il y a un constat qui est fait aussi récemment, c'est que ce n'est pas forcément du gain de temps qu'amène ces IA, mais c'est plutôt du gain de qualité. Vous allez me dire que la qualité est une forme de productivité. Mais la fameuse productivité dont on avait rêvé encore il y a 2-3 ans, elle est moins marquée que cette possibilité de faire les choses mieux.
Mathieu, vous voyez, parce que Luc parle de col blanc, donc plutôt les fonctions support, vous, le périmètre dans lequel vous observez les usages de l'IA, ça touche aussi à quoi ? À la maintenance, à l'animation de la performance sur les sites de production ?
Oui, aujourd'hui, le périmètre réel de l'IA dans l'industrie, on parle d'industrie, mais on peut aussi parler de services, mais plus globalement, il y a tout ce qui est, on peut les regrouper en fait d'usages industriels autour de cinq grands blocs, donc les opérations et la production, où à l'intérieur de ça, on va retrouver tout ce qui est détection d'anomalies pour aller vraiment réduire les écarts types. de l'optimisation dans les réglages process, et ça jusqu'aux opérationnels, et pas uniquement une posture de leader ou de manager. On peut avoir des usages où on a des vraies preuves de valeur sur l'analyse des dérives de performance, pas encore sur du temps réel, mais je suis assez confiant pour que ça arrive rapidement. Donc là, on est plutôt sur une partie opération et production. Puis après, on a des cas d'usage sur de la maintenance, sur de la qualité, de l'inspection, avec de l'analyse vidéo quand on veut optimiser des changements de format pour passer d'un gâteau A à un gâteau B. Et si je peux parler de deux derniers blocs, on va retrouver toute la partie... ingénierie, méthodologie pour aider à la rédaction de standards, à la capitalisation du savoir-faire. Et le dernier que je pourrais ajouter, c'est vraiment la fonction support et de décision, l'aide à la décision, l'analyse de parcours client ou d'usager. Là aujourd'hui, on a quelques belles preuves de valeur où on... on est bloqué à date sur comment on industrialise vraiment ces preuves de valeur. En tout cas, c'est ce qu'on voit à date chez nos clients.
Si je peux me permettre de rebondir rapidement là-dessus, effectivement, tout ce qui est dans l'opérationnel, donc les deux premiers blocs dont on vient de parler, c'est ce qu'on va considérer comme, entre guillemets, de la vieille IA. Donc des IA qui datent de plus de trois ans, ce sont ces IA de perception. par exemple, qui permettent effectivement de trouver les anomalies et des choses comme ça. Donc tout ça, ça n'a rien à voir avec l'IA générative qui est arrivée depuis 2-3 ans. Mais effectivement, comme je disais tout à l'heure, ces vieilles IA sont implémentées depuis très longtemps dans les usines, dans les sites de production pour pouvoir trouver ces anomalies, pour pouvoir régler les robots, pour pouvoir faire ces choses-là. Donc tout ça, ça existe depuis longtemps et ça marche très bien.
Oui, ça marche, c'est-à-dire on peut mesurer la performance et l'amélioration de la... de la productivité grâce à l'implémentation de ces via EASY-A comme vous dites ?
Oui, parce qu'on voit effectivement qu'il y a moins de pièces défectueuses par exemple, parce que les réglages des robots sont plus précis que la main humaine, donc on voit déjà qu'il y a moins de défauts dans ce qui est produit, et puis après dans la détection du défaut, c'est fait bien en amont. par rapport à ce que c'était avant. C'est-à-dire que ce n'est plus la peine que ce soit détecté quand le client reçoit le truc, quel que soit le truc. Mais c'est fait, effectivement, en aval du shipment, quand on envoie ces trucs-là. Donc, c'est fait au moment de la fin de la production. On a effectivement des IA de perception qui permettent de reconnaître s'il y a des craquures, des cracks, je ne sais pas quoi, dans les objets. Donc, ça, ça marche très, très bien et on peut effectivement le mesurer parce qu'on a le avant et le après. Donc, on a ce qu'on faisait avant et ce qu'on fait maintenant avec ces outils. Mais ces outils, encore une fois, sont implémentés depuis une bonne vingtaine d'années maintenant et ça marche très bien. Pour ce qui est des autres IA, donc les IA génératives qui sont plus dans les trois autres blocs qu'on a cités, c'est effectivement plus dans l'école blanc, donc il y a dans la conception, la conception des produits. Donc tout ce qui est design, etc., là effectivement, ces IA génératives vont être absolument extraordinaires, c'est-à-dire qu'elles vont être des assistants qui vont bien marcher. Et donc le design, tout ce qui est aussi rédaction des documentations diverses et variées, aussi bien en amont qu'en aval, et puis après évidemment le support dont on a parlé aussi, où là, ces IA génératives... peuvent potentiellement réduire les dialogues qu'il y a à avoir entre les clients futurs, B2B ou B2C, avec les gens qui produisent. Donc, les IA génératives, je dirais, sont utilisées et utilisables de plus en plus dans les blocs qui sont en aval, donc tout ce qui est après les vrais sites de production qui, eux, utilisent plutôt les, entre guillemets, les vieilles IA.
Quelles sont les limites ? parce qu'on en attend beaucoup et là, on vient de valoriser ce qu'elles apportent justement, mais qu'est-ce qu'elles ne peuvent pas faire et qu'est-ce qu'on voit encore hélas trop comme attente chez vos clients, Mathieu, qui d'après vous ne pourront pas être satisfaites parce que là, ça correspond vraiment à une limite de l'IA ?
Aujourd'hui, chez nos clients, l'IA a un périmètre assez clair. Là où il y a de la donnée, Qualitatives, quantitatives bien sûr, là où il y a de la répétitivité et de la complexité, aujourd'hui les dirigeants n'attendent pas une révolution magique. Je pense que la hype est vraiment passée, mais c'est des gains concrets, fiables et appropriés par les équipes. Et le vrai enjeu, ce n'est pas l'IA en soi, mais c'est vraiment la capacité de l'organisation à l'intégrer intelligemment. Je mets de côté toute la partie risque, assessment, cyber, DSI qui doivent contribuer. On a quand même des pas de compréhension à avoir. Et ça, c'est un des premiers enjeux, à mon sens, la compréhension des équipes. qui vont utiliser ces technologies, mais comme tout type d'outils, c'est le sens qu'on va donner derrière. Et puis aussi de la rassurance. L'IA n'arbitre pas, l'IA ne priorise pas selon une stratégie. Il faut toujours que l'homme avec un grand H reste décisionnaire de son environnement. Ça, à mon sens, c'est vraiment les limites qu'il faut donner aux usages de l'IA.
Luc, vous voyez comment les choses sur les limites, et puis par conséquent aussi les conditions pour, à partir de ces limites, en tirer de la valeur pour un dirigeant ?
Je vais répéter un peu ce que vient de dire Mathieu. De toute façon, c'est clair que le hype est un peu passé, donc la magie a fini d'opérer, c'est-à-dire qu'on a arrêté de raconter n'importe quoi, de fantasmer. sur ces IA et sur le fait qu'elles puissent faire tout et n'importe quoi et surtout prendre des décisions ou alors inventer, innover, créer. On s'est bien rendu compte que ces IA ne créent rien, n'inventent rien et surtout ne prennent pas de décision et l'homme avec l'avantage dont on vient de parler est effectivement toujours là et il est décisionnaire dans ses actions. À la fin c'est que des outils, comme on l'a dit et répété. et ces outils, c'est nous qui tournons le manche, c'est comme un bon vieux marteau, c'est nous qui décidons, ce n'est pas les IA qui décident, ce n'est pas le marteau qui décide d'aller planter le clou, c'est moi qui décide d'aller planter le clou en tenant le manche du marteau. Et là c'est pareil, on peut donner un certain degré d'autonomie à ces IA, c'est-à-dire que je décide de donner un certain degré d'autonomie, mais c'est moi qui décide. Donc ça il faut être clair, et ce fantasme-là, il est encore un tout petit peu présent dans quelques industries, dans quelques têtes de patrons. Mais ça change petit à petit et ça commence à réaliser que les outils sont spécialisés, spécifiques et qui marchent très très bien. Donc la façon dont on va utiliser ça, c'est définir les endroits où on va trouver ces cas d'usage. Comme j'ai dit, ce n'est pas facile à trouver parce que 95% de ces cas d'usage pour l'instant ne donnent rien parce qu'on ne sait pas exactement comment ça marche encore, mais on cherche. mais quand on en trouve un on peut appliquer, on est à peu près sûr qu'on peut trouver une IA qui va être utile, par définition même de l'outil, dans le cas d'usage particulier. Aujourd'hui, l'application se fait seulement en démystifiant la magie de l'outil et en comprenant bien que finalement, ce ne sont que des choses qui vont être des aides à la décision ou des aides à faire les tâches pour lesquelles on va les utiliser.
Mais même quand on a pris conscience de ça et qu'on est revenu à la raison sur ce que peut vraiment l'IA, il y a des conditions pour en tirer de la valeur sur la qualité des données, la gouvernance pour encadrer les usages, vous venez d'en parler Luc. les questions éthiques, il faut avoir tranché là-dessus, et puis il faut faire monter les équipes en compétences. Comment aujourd'hui, Mathieu, sur ces quatre points, vous jugez le niveau des industries en France ?
On va avoir deux types de cas de figure. Celui qu'on voit le plus, c'est un client aujourd'hui qui a une volonté opérationnelle de passer le temps. pas par la technologie parce qu'aujourd'hui elle est tout simplement disponible, disponible même dans les outils de l'entreprise, donc il peut y avoir un flou et ces usages là peuvent être bloqués par une DSI. Donc là on va avoir un statu quo et du coup un frein. à l'expérimentation et du coup à l'innovation. Ça, c'est le premier cas de figure. Le deuxième cas de figure, c'est au contraire des clients qui ont libéré les usages dans un cadre donné où derrière, on se cherche encore un petit peu concernant ce cadre, cette gouvernance et l'agilité qu'on y mène parce qu'on a certains modèles qui sont des... Des boîtes noires, difficiles à expliquer, difficiles aussi à auditer, or nos clients ont besoin de compréhension et pas seulement de performances statistiques. Donc il faut trouver un juste milieu, il faut trouver un juste milieu organisationnel, un juste milieu en étant toujours dans un prisme de preuves de valeur plus que de POC, moi j'aime bien ça. et comment on arrive à avoir un passage à l'échelle logique qui prend l'ensemble des quatre éléments, Jean, que tu viens de citer.
Est-ce que vous avez l'impression, parce que là, ce que vous dites, Mathieu, ça me fait penser à ce qu'on appelle l'usage shadow IA, c'est-à-dire une IA qui est utilisée, certes, dans les entreprises, mais de façon non coordonnée. Mathieu, vous avez parlé de blocage parfois par la DSI. Et donc, chacun fait un peu à sa sauce. Est-ce qu'on en est encore là ? C'est un constat qu'on peut encore faire aujourd'hui, Luc ?
Oui, alors le Shadow AI existe, mais il existe de moins en moins parce qu'il y a de plus en plus d'éducation au sein des entreprises. C'est-à-dire qu'on voit aujourd'hui, beaucoup de ces, surtout les grosses entreprises, forment leurs employés à l'IA. Ça ne veut pas dire qu'ils deviennent tous des spécialistes de l'IA, mais ils forment à l'utilisation des IA. Et donc, la compréhension de ce que ça veut dire, que ce Shadow AI... Qu'est-ce que ça veut dire ? Ça peut être un danger pour la boîte d'utiliser des IA qui vont prendre, entre guillemets, des secrets industriels et puis les diffuser sur le cloud. Donc ça, c'est une partie de formation, on va dire, d'éducation, qui est de plus en plus faite dans les boîtes. Il y a dans les grosses boîtes industrielles, en particulier en France, que je connais, il y a 70-75% des employés qui ont été... formés à l'utilisation de ces IA, à la compréhension d'utilisation et des dangers potentiels de ces IA. Donc ça, c'est une bonne nouvelle, parce qu'effectivement, ces IA sont excessivement accessibles, c'est-à-dire que la seule révolution réelle des IA génératives qui sont arrivées depuis 2-3 ans, la vraie révolution, c'est l'accessibilité. C'est le fait que n'importe qui puisse les utiliser à travers ce prompt qu'on utilise en langage naturel, qu'on invoque en langage naturel. Et donc... n'importe qui peut l'utiliser. Donc, il faut mettre des cadres. Il faut mettre un peu d'éthique, comme on vient de dire aussi. Donc, quand on met des cadres, ça veut dire aussi qu'on explique pourquoi on va l'utiliser comme ça et pas comme ça. Donc, il y a des éthiques d'entreprise qui se mettent en place. Et puis, petit à petit aussi, il y a l'éthique, on va dire, plus au niveau des pays, au niveau des continents. Là, ça s'appelle plus des réglementations qui sont aussi mises en place pour essayer d'encadrer les usages. Mais donc, l'éducation, la formation est le mot-clé, en fait, pour... une utilisation saine de ces IA à l'intérieur de ces entreprises.
Est-ce que vous pourriez chacun choisir un exemple dans une entreprise industrielle d'usage d'IA qui vous paraît intéressant à mettre en avant, qui peut être inattendu, qui se démarque par justement la qualité de la formation des équipes et de la cohérence des usages entre les services ? Voilà, un exemple chacun que vous pourriez choisir. pourriez donner sans forcément citer le nom de l'entreprise mais au moins son secteur d'activité et puis nous expliquer un peu pourquoi vous trouvez ça intéressant comme usage Mathieu, peut-être ?
Alors, moi, j'ai un exemple très récent, j'en ai un tout petit peu parlé tout à l'heure, c'est l'analyse vidéo dans un changement de série où les bénéfices observés sur le temps de l'analyse va de moins 20 à moins 40% sur ce qu'on a l'habitude de faire d'une manière un peu plus traditionnelle sont utilisées l'outil de l'IA, ce qu'on appelle en fait du SMED. Là, clairement, l'IA, elle nous a aidé à découper d'une manière automatique l'ensemble des séquences vidéo filmées, d'identifier des temps internes, externes, qu'on n'aurait pas forcément vus à la première vidéo. Ça met vraiment en évidence des temps à non-valeur non-valeurs ajoutées, et puis aussi cette somme de vidéos nous a permis d'analyser, de comparer plusieurs changements de série et de les identifier avec des patterns pour voir là où on avait la plupart de la dérive. Alors, pas uniquement une dérive d'un point de vue production, mais une dérive humaine. donc l'analyse des gestes L'analyse des modes opératoires, l'analyse de l'ergonomie, de la sécurité et de la prévention des risques, ça nous a permis, dans un minimum de temps, de bâtir un socle et un plan d'action à mettre en œuvre où en deux mois de temps, on a apporté trois points de TRS à cet industriel, chose qu'habituellement, la phase d'analyse et de design prend beaucoup plus de temps. Donc là, c'est un vrai progrès significatif.
Et vous, Luc ?
Moi, je vais prendre un exemple de ce qui se passe dans l'industrie automobile, dans les usines. En fait, au hasard, on va choisir une auto qui sort de la chaîne et on va la faire rouler pendant une heure pour essayer de trouver des anomalies. Donc, c'est des anomalies tout au nord, en général. C'est-à-dire que... C'est des petits bruits qui vont avoir lieu sur des portes, des cliquetis sur des sièges, des choses comme ça. Et là, on a une preuve par le avant et le après. On avait des gens qui prenaient ces voitures, allaient les faire rouler pendant une heure et notaient mentalement tous ces petits problèmes. mais quand ils rentraient à l'usine, ils avaient l'obligation de rentrer à la main les différents problèmes qu'ils avaient. pu constater dans une machine qui datait des années 80. Donc, ils rentraient ça avec des codes et ça permettait donc de définir quels étaient les problèmes potentiels sur ces voitures. La réalité, c'est que malheureusement, ils oubliaient une partie. Alors, c'était 10, 20 % à peu près. Ils étaient obligés de reprendre la voiture, repartir pendant une heure, rouler et se rappeler des trucs qu'ils avaient oubliés avant pour pouvoir, quand ils revenaient à nouveau à l'usine... rentrer ces éléments dans ce vieil ordinateur. Donc ce qu'on a proposé, ce qu'on a fait, c'est une des seules applications d'IA générative, donc de nouvelles IA au niveau de la production, de la chaîne de production, c'est qu'on a rajouté simplement une IA générative dans la voiture, au moment où les personnes la font rouler, où ils peuvent à voix haute dire, encore une fois grâce à ce prompt dont je parlais tout à l'heure, ils peuvent dire qu'il y a un clickty sur la porte avant gauche, il y a un petit bip bip bip qui n'est pas normal, etc. Et donc l'IA générative enregistre évidemment tous ces problèmes-là, et quand ils rentrent au Bercail, ils font discuter la machine qu'ils avaient à bord, qui était une tablette, avec le vieil ordinateur dont je parlais tout à l'heure, et cette tablette déverse. tous les problèmes qui ont été détectés par juste ces définitions orales. Donc voilà, c'est un exemple qui fait gagner énormément de temps parce qu'on n'a pas besoin d'aller refaire un tour d'une heure avec la voiture, mais surtout ça fait gagner énormément de qualité parce que la description des problèmes potentiels qui ont été détectés pendant le roulage sont beaucoup plus précises que ce qu'il y aurait eu... ce qu'il rentrait avant dans la machine et qui était ce dont il se rappelait vaguement de leur roulage. Donc ça, c'est un exemple concret qui permet d'améliorer la qualité de la production, finalement, de ces autos.
Très bien, merci beaucoup messieurs, merci Luc, merci Mathieu d'avoir participé à cette conversation.
Merci Jean.
C'était très court et évidemment on a beaucoup d'exemples. On se retrouve dans la revue à l'écrit pour une synthèse de cet échange et je vous dis à bientôt.
Description
Que peut vraiment apporter l'intelligence artificielle (IA) en matière de performance, de qualité, de support aux équipes, d'aide à la décision ? Quelles sont ses limites et, par conséquent, les conditions pour en tirer de la valeur ? Le point avec Luc Julia, expert technologique international, et Matthieu Jolens, spécialiste de l'accompagnement des transformations industrielles.
Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.
Transcription
Bonjour à tous, bienvenue dans ce podcast pas de côté consacré à l'intelligence artificielle dans l'industrie. Vous le savez c'est un nouveau format que nous vous proposons en complément de la revue quaternaire dernière livraison du nom le numéro 36. Alors quelle est la réalité de l'intelligence artificielle dans l'industrie ? Que peut-elle vraiment apporter en matière de performance, de qualité, de support aux équipes, d'aide à la décision ? Et puis, quelles sont ses limites et par conséquent les conditions pour en tirer de la valeur ? Je m'appelle Jean Chabot et pour répondre à ces questions, j'ai le plaisir d'échanger avec Luc Julia. Bonjour.
Bonjour.
Vous avez dirigé Siri chez Apple, vous êtes ancien directeur de l'innovation chez Samsung et vous êtes désormais directeur scientifique chez Renault. Vous êtes un spécialiste de l'IA et l'auteur de plusieurs articles scientifiques, notamment sur les objets connectés et le lien homme-machine. Et puis, pour discuter avec vous, Luc, nous accueillons Mathieu Jolins. Bonjour.
Bonjour, Jean.
Mathieu, vous êtes associé et directeur client chez Quaternaire. Vous pilotez le renforcement de l'usage de l'IA en interne auprès des équipes Quaternaire et auprès des clients de Quaternaire. Pour rentrer directement dans le sujet, on ne va pas chercher à définir ce qu'est une IA et à gloser sur l'intérêt de cette technologie. Je voudrais rentrer directement dans l'IA dans l'industrie. De quoi parle-t-on ? Quel est le périmètre aujourd'hui ? Luc, est-ce que vous avez des exemples à nous donner qui vont nous permettre de mieux définir les limites de l'IA dans l'industrie ?
Alors déjà, il faut quand même donner un... tout petit peu une division, c'est-à-dire que l'IA, ça dépend de quel IA on parle, parce que il y a plein plein d'IA, l'IA existe depuis 1956, donc ça fait presque 70 ans aujourd'hui, et donc les IA et l'IA dans l'industrie, il y en a plein, et il y en a plein depuis longtemps, donc c'est pas nouveau. On a tendance aujourd'hui à considérer que l'IA a commencé il y a 2-3 ans avec les IA génératives, c'est évidemment pas le cas. Donc l'IA dans l'industrie aujourd'hui, il y en a beaucoup, surtout dans les... Dans tout ce qui va être les usines et la robotisation, il y a beaucoup d'IA, parce que tout ce qui va être l'imitation des gestes humains qui sont faits dans les usines par ces robots, c'est considéré comme de l'IA. Donc on va dire que c'est de la vieille IA,
des IA logiques, des IA qui permettent de faire ces gestes répétitifs. Donc ça,
ça existe depuis très très longtemps. C'est vrai que depuis maintenant 2-3 ans, on a les IA génératives qui sont arrivées avec une promesse d'ajouter de l'IA un peu partout, dans non seulement les métiers qui étaient plus physiques, mais aussi les métiers qui sont, on va dire, entre guillemets, plus intellectuels, donc pour les cols blancs. Donc l'industrie en général, évidemment, a besoin de cols blancs et c'est vrai qu'on voit apparaître petit à petit des nouveaux cas d'usage. qui sont dérivés directement de ces IA génératifs. Mais la réalité est moins rose que ce qu'on aurait pu croire il y a encore trois ans, quand on était excité, quand il y avait le hype autour de ces IA, où on disait, ça va tout changer, révolutionner, etc. La réalité, c'est que ça a effectivement arrivé, il y a des cas d'usage qui sont arrivés, mais encore une étude du MIT, il n'y a pas très longtemps, en mois d'août, nous a montré que 95% des POC, des Proof of Concept, qui avaient été faits autour des saisies à générative depuis 2-3 ans, n'ont pas donné de retour sur investissement, globalement. Donc, on est encore aujourd'hui dans les balbutiements pour trouver ces cas d'usage. Parce qu'il n'y en a que 5%, vous avez 5% de beaucoup, beaucoup, beaucoup de ces Proof of Concept. Donc, c'est quand même déjà pas mal. mais c'est encore que les balbutiements. Alors, pour donner des exemples concrets, il y en a quand même, parce que dans ces 5%, il y a des choses qui existent. Et en général, là où on voit les IA arriver dans l'industrie pour les cols blancs dont je viens de parler, ça va être des aides, des assistants qui vont vous permettre, par exemple pour les achats, de générer des contrats beaucoup plus rapidement. Mais il y a un constat qui est fait aussi récemment, c'est que ce n'est pas forcément du gain de temps qu'amène ces IA, mais c'est plutôt du gain de qualité. Vous allez me dire que la qualité est une forme de productivité. Mais la fameuse productivité dont on avait rêvé encore il y a 2-3 ans, elle est moins marquée que cette possibilité de faire les choses mieux.
Mathieu, vous voyez, parce que Luc parle de col blanc, donc plutôt les fonctions support, vous, le périmètre dans lequel vous observez les usages de l'IA, ça touche aussi à quoi ? À la maintenance, à l'animation de la performance sur les sites de production ?
Oui, aujourd'hui, le périmètre réel de l'IA dans l'industrie, on parle d'industrie, mais on peut aussi parler de services, mais plus globalement, il y a tout ce qui est, on peut les regrouper en fait d'usages industriels autour de cinq grands blocs, donc les opérations et la production, où à l'intérieur de ça, on va retrouver tout ce qui est détection d'anomalies pour aller vraiment réduire les écarts types. de l'optimisation dans les réglages process, et ça jusqu'aux opérationnels, et pas uniquement une posture de leader ou de manager. On peut avoir des usages où on a des vraies preuves de valeur sur l'analyse des dérives de performance, pas encore sur du temps réel, mais je suis assez confiant pour que ça arrive rapidement. Donc là, on est plutôt sur une partie opération et production. Puis après, on a des cas d'usage sur de la maintenance, sur de la qualité, de l'inspection, avec de l'analyse vidéo quand on veut optimiser des changements de format pour passer d'un gâteau A à un gâteau B. Et si je peux parler de deux derniers blocs, on va retrouver toute la partie... ingénierie, méthodologie pour aider à la rédaction de standards, à la capitalisation du savoir-faire. Et le dernier que je pourrais ajouter, c'est vraiment la fonction support et de décision, l'aide à la décision, l'analyse de parcours client ou d'usager. Là aujourd'hui, on a quelques belles preuves de valeur où on... on est bloqué à date sur comment on industrialise vraiment ces preuves de valeur. En tout cas, c'est ce qu'on voit à date chez nos clients.
Si je peux me permettre de rebondir rapidement là-dessus, effectivement, tout ce qui est dans l'opérationnel, donc les deux premiers blocs dont on vient de parler, c'est ce qu'on va considérer comme, entre guillemets, de la vieille IA. Donc des IA qui datent de plus de trois ans, ce sont ces IA de perception. par exemple, qui permettent effectivement de trouver les anomalies et des choses comme ça. Donc tout ça, ça n'a rien à voir avec l'IA générative qui est arrivée depuis 2-3 ans. Mais effectivement, comme je disais tout à l'heure, ces vieilles IA sont implémentées depuis très longtemps dans les usines, dans les sites de production pour pouvoir trouver ces anomalies, pour pouvoir régler les robots, pour pouvoir faire ces choses-là. Donc tout ça, ça existe depuis longtemps et ça marche très bien.
Oui, ça marche, c'est-à-dire on peut mesurer la performance et l'amélioration de la... de la productivité grâce à l'implémentation de ces via EASY-A comme vous dites ?
Oui, parce qu'on voit effectivement qu'il y a moins de pièces défectueuses par exemple, parce que les réglages des robots sont plus précis que la main humaine, donc on voit déjà qu'il y a moins de défauts dans ce qui est produit, et puis après dans la détection du défaut, c'est fait bien en amont. par rapport à ce que c'était avant. C'est-à-dire que ce n'est plus la peine que ce soit détecté quand le client reçoit le truc, quel que soit le truc. Mais c'est fait, effectivement, en aval du shipment, quand on envoie ces trucs-là. Donc, c'est fait au moment de la fin de la production. On a effectivement des IA de perception qui permettent de reconnaître s'il y a des craquures, des cracks, je ne sais pas quoi, dans les objets. Donc, ça, ça marche très, très bien et on peut effectivement le mesurer parce qu'on a le avant et le après. Donc, on a ce qu'on faisait avant et ce qu'on fait maintenant avec ces outils. Mais ces outils, encore une fois, sont implémentés depuis une bonne vingtaine d'années maintenant et ça marche très bien. Pour ce qui est des autres IA, donc les IA génératives qui sont plus dans les trois autres blocs qu'on a cités, c'est effectivement plus dans l'école blanc, donc il y a dans la conception, la conception des produits. Donc tout ce qui est design, etc., là effectivement, ces IA génératives vont être absolument extraordinaires, c'est-à-dire qu'elles vont être des assistants qui vont bien marcher. Et donc le design, tout ce qui est aussi rédaction des documentations diverses et variées, aussi bien en amont qu'en aval, et puis après évidemment le support dont on a parlé aussi, où là, ces IA génératives... peuvent potentiellement réduire les dialogues qu'il y a à avoir entre les clients futurs, B2B ou B2C, avec les gens qui produisent. Donc, les IA génératives, je dirais, sont utilisées et utilisables de plus en plus dans les blocs qui sont en aval, donc tout ce qui est après les vrais sites de production qui, eux, utilisent plutôt les, entre guillemets, les vieilles IA.
Quelles sont les limites ? parce qu'on en attend beaucoup et là, on vient de valoriser ce qu'elles apportent justement, mais qu'est-ce qu'elles ne peuvent pas faire et qu'est-ce qu'on voit encore hélas trop comme attente chez vos clients, Mathieu, qui d'après vous ne pourront pas être satisfaites parce que là, ça correspond vraiment à une limite de l'IA ?
Aujourd'hui, chez nos clients, l'IA a un périmètre assez clair. Là où il y a de la donnée, Qualitatives, quantitatives bien sûr, là où il y a de la répétitivité et de la complexité, aujourd'hui les dirigeants n'attendent pas une révolution magique. Je pense que la hype est vraiment passée, mais c'est des gains concrets, fiables et appropriés par les équipes. Et le vrai enjeu, ce n'est pas l'IA en soi, mais c'est vraiment la capacité de l'organisation à l'intégrer intelligemment. Je mets de côté toute la partie risque, assessment, cyber, DSI qui doivent contribuer. On a quand même des pas de compréhension à avoir. Et ça, c'est un des premiers enjeux, à mon sens, la compréhension des équipes. qui vont utiliser ces technologies, mais comme tout type d'outils, c'est le sens qu'on va donner derrière. Et puis aussi de la rassurance. L'IA n'arbitre pas, l'IA ne priorise pas selon une stratégie. Il faut toujours que l'homme avec un grand H reste décisionnaire de son environnement. Ça, à mon sens, c'est vraiment les limites qu'il faut donner aux usages de l'IA.
Luc, vous voyez comment les choses sur les limites, et puis par conséquent aussi les conditions pour, à partir de ces limites, en tirer de la valeur pour un dirigeant ?
Je vais répéter un peu ce que vient de dire Mathieu. De toute façon, c'est clair que le hype est un peu passé, donc la magie a fini d'opérer, c'est-à-dire qu'on a arrêté de raconter n'importe quoi, de fantasmer. sur ces IA et sur le fait qu'elles puissent faire tout et n'importe quoi et surtout prendre des décisions ou alors inventer, innover, créer. On s'est bien rendu compte que ces IA ne créent rien, n'inventent rien et surtout ne prennent pas de décision et l'homme avec l'avantage dont on vient de parler est effectivement toujours là et il est décisionnaire dans ses actions. À la fin c'est que des outils, comme on l'a dit et répété. et ces outils, c'est nous qui tournons le manche, c'est comme un bon vieux marteau, c'est nous qui décidons, ce n'est pas les IA qui décident, ce n'est pas le marteau qui décide d'aller planter le clou, c'est moi qui décide d'aller planter le clou en tenant le manche du marteau. Et là c'est pareil, on peut donner un certain degré d'autonomie à ces IA, c'est-à-dire que je décide de donner un certain degré d'autonomie, mais c'est moi qui décide. Donc ça il faut être clair, et ce fantasme-là, il est encore un tout petit peu présent dans quelques industries, dans quelques têtes de patrons. Mais ça change petit à petit et ça commence à réaliser que les outils sont spécialisés, spécifiques et qui marchent très très bien. Donc la façon dont on va utiliser ça, c'est définir les endroits où on va trouver ces cas d'usage. Comme j'ai dit, ce n'est pas facile à trouver parce que 95% de ces cas d'usage pour l'instant ne donnent rien parce qu'on ne sait pas exactement comment ça marche encore, mais on cherche. mais quand on en trouve un on peut appliquer, on est à peu près sûr qu'on peut trouver une IA qui va être utile, par définition même de l'outil, dans le cas d'usage particulier. Aujourd'hui, l'application se fait seulement en démystifiant la magie de l'outil et en comprenant bien que finalement, ce ne sont que des choses qui vont être des aides à la décision ou des aides à faire les tâches pour lesquelles on va les utiliser.
Mais même quand on a pris conscience de ça et qu'on est revenu à la raison sur ce que peut vraiment l'IA, il y a des conditions pour en tirer de la valeur sur la qualité des données, la gouvernance pour encadrer les usages, vous venez d'en parler Luc. les questions éthiques, il faut avoir tranché là-dessus, et puis il faut faire monter les équipes en compétences. Comment aujourd'hui, Mathieu, sur ces quatre points, vous jugez le niveau des industries en France ?
On va avoir deux types de cas de figure. Celui qu'on voit le plus, c'est un client aujourd'hui qui a une volonté opérationnelle de passer le temps. pas par la technologie parce qu'aujourd'hui elle est tout simplement disponible, disponible même dans les outils de l'entreprise, donc il peut y avoir un flou et ces usages là peuvent être bloqués par une DSI. Donc là on va avoir un statu quo et du coup un frein. à l'expérimentation et du coup à l'innovation. Ça, c'est le premier cas de figure. Le deuxième cas de figure, c'est au contraire des clients qui ont libéré les usages dans un cadre donné où derrière, on se cherche encore un petit peu concernant ce cadre, cette gouvernance et l'agilité qu'on y mène parce qu'on a certains modèles qui sont des... Des boîtes noires, difficiles à expliquer, difficiles aussi à auditer, or nos clients ont besoin de compréhension et pas seulement de performances statistiques. Donc il faut trouver un juste milieu, il faut trouver un juste milieu organisationnel, un juste milieu en étant toujours dans un prisme de preuves de valeur plus que de POC, moi j'aime bien ça. et comment on arrive à avoir un passage à l'échelle logique qui prend l'ensemble des quatre éléments, Jean, que tu viens de citer.
Est-ce que vous avez l'impression, parce que là, ce que vous dites, Mathieu, ça me fait penser à ce qu'on appelle l'usage shadow IA, c'est-à-dire une IA qui est utilisée, certes, dans les entreprises, mais de façon non coordonnée. Mathieu, vous avez parlé de blocage parfois par la DSI. Et donc, chacun fait un peu à sa sauce. Est-ce qu'on en est encore là ? C'est un constat qu'on peut encore faire aujourd'hui, Luc ?
Oui, alors le Shadow AI existe, mais il existe de moins en moins parce qu'il y a de plus en plus d'éducation au sein des entreprises. C'est-à-dire qu'on voit aujourd'hui, beaucoup de ces, surtout les grosses entreprises, forment leurs employés à l'IA. Ça ne veut pas dire qu'ils deviennent tous des spécialistes de l'IA, mais ils forment à l'utilisation des IA. Et donc, la compréhension de ce que ça veut dire, que ce Shadow AI... Qu'est-ce que ça veut dire ? Ça peut être un danger pour la boîte d'utiliser des IA qui vont prendre, entre guillemets, des secrets industriels et puis les diffuser sur le cloud. Donc ça, c'est une partie de formation, on va dire, d'éducation, qui est de plus en plus faite dans les boîtes. Il y a dans les grosses boîtes industrielles, en particulier en France, que je connais, il y a 70-75% des employés qui ont été... formés à l'utilisation de ces IA, à la compréhension d'utilisation et des dangers potentiels de ces IA. Donc ça, c'est une bonne nouvelle, parce qu'effectivement, ces IA sont excessivement accessibles, c'est-à-dire que la seule révolution réelle des IA génératives qui sont arrivées depuis 2-3 ans, la vraie révolution, c'est l'accessibilité. C'est le fait que n'importe qui puisse les utiliser à travers ce prompt qu'on utilise en langage naturel, qu'on invoque en langage naturel. Et donc... n'importe qui peut l'utiliser. Donc, il faut mettre des cadres. Il faut mettre un peu d'éthique, comme on vient de dire aussi. Donc, quand on met des cadres, ça veut dire aussi qu'on explique pourquoi on va l'utiliser comme ça et pas comme ça. Donc, il y a des éthiques d'entreprise qui se mettent en place. Et puis, petit à petit aussi, il y a l'éthique, on va dire, plus au niveau des pays, au niveau des continents. Là, ça s'appelle plus des réglementations qui sont aussi mises en place pour essayer d'encadrer les usages. Mais donc, l'éducation, la formation est le mot-clé, en fait, pour... une utilisation saine de ces IA à l'intérieur de ces entreprises.
Est-ce que vous pourriez chacun choisir un exemple dans une entreprise industrielle d'usage d'IA qui vous paraît intéressant à mettre en avant, qui peut être inattendu, qui se démarque par justement la qualité de la formation des équipes et de la cohérence des usages entre les services ? Voilà, un exemple chacun que vous pourriez choisir. pourriez donner sans forcément citer le nom de l'entreprise mais au moins son secteur d'activité et puis nous expliquer un peu pourquoi vous trouvez ça intéressant comme usage Mathieu, peut-être ?
Alors, moi, j'ai un exemple très récent, j'en ai un tout petit peu parlé tout à l'heure, c'est l'analyse vidéo dans un changement de série où les bénéfices observés sur le temps de l'analyse va de moins 20 à moins 40% sur ce qu'on a l'habitude de faire d'une manière un peu plus traditionnelle sont utilisées l'outil de l'IA, ce qu'on appelle en fait du SMED. Là, clairement, l'IA, elle nous a aidé à découper d'une manière automatique l'ensemble des séquences vidéo filmées, d'identifier des temps internes, externes, qu'on n'aurait pas forcément vus à la première vidéo. Ça met vraiment en évidence des temps à non-valeur non-valeurs ajoutées, et puis aussi cette somme de vidéos nous a permis d'analyser, de comparer plusieurs changements de série et de les identifier avec des patterns pour voir là où on avait la plupart de la dérive. Alors, pas uniquement une dérive d'un point de vue production, mais une dérive humaine. donc l'analyse des gestes L'analyse des modes opératoires, l'analyse de l'ergonomie, de la sécurité et de la prévention des risques, ça nous a permis, dans un minimum de temps, de bâtir un socle et un plan d'action à mettre en œuvre où en deux mois de temps, on a apporté trois points de TRS à cet industriel, chose qu'habituellement, la phase d'analyse et de design prend beaucoup plus de temps. Donc là, c'est un vrai progrès significatif.
Et vous, Luc ?
Moi, je vais prendre un exemple de ce qui se passe dans l'industrie automobile, dans les usines. En fait, au hasard, on va choisir une auto qui sort de la chaîne et on va la faire rouler pendant une heure pour essayer de trouver des anomalies. Donc, c'est des anomalies tout au nord, en général. C'est-à-dire que... C'est des petits bruits qui vont avoir lieu sur des portes, des cliquetis sur des sièges, des choses comme ça. Et là, on a une preuve par le avant et le après. On avait des gens qui prenaient ces voitures, allaient les faire rouler pendant une heure et notaient mentalement tous ces petits problèmes. mais quand ils rentraient à l'usine, ils avaient l'obligation de rentrer à la main les différents problèmes qu'ils avaient. pu constater dans une machine qui datait des années 80. Donc, ils rentraient ça avec des codes et ça permettait donc de définir quels étaient les problèmes potentiels sur ces voitures. La réalité, c'est que malheureusement, ils oubliaient une partie. Alors, c'était 10, 20 % à peu près. Ils étaient obligés de reprendre la voiture, repartir pendant une heure, rouler et se rappeler des trucs qu'ils avaient oubliés avant pour pouvoir, quand ils revenaient à nouveau à l'usine... rentrer ces éléments dans ce vieil ordinateur. Donc ce qu'on a proposé, ce qu'on a fait, c'est une des seules applications d'IA générative, donc de nouvelles IA au niveau de la production, de la chaîne de production, c'est qu'on a rajouté simplement une IA générative dans la voiture, au moment où les personnes la font rouler, où ils peuvent à voix haute dire, encore une fois grâce à ce prompt dont je parlais tout à l'heure, ils peuvent dire qu'il y a un clickty sur la porte avant gauche, il y a un petit bip bip bip qui n'est pas normal, etc. Et donc l'IA générative enregistre évidemment tous ces problèmes-là, et quand ils rentrent au Bercail, ils font discuter la machine qu'ils avaient à bord, qui était une tablette, avec le vieil ordinateur dont je parlais tout à l'heure, et cette tablette déverse. tous les problèmes qui ont été détectés par juste ces définitions orales. Donc voilà, c'est un exemple qui fait gagner énormément de temps parce qu'on n'a pas besoin d'aller refaire un tour d'une heure avec la voiture, mais surtout ça fait gagner énormément de qualité parce que la description des problèmes potentiels qui ont été détectés pendant le roulage sont beaucoup plus précises que ce qu'il y aurait eu... ce qu'il rentrait avant dans la machine et qui était ce dont il se rappelait vaguement de leur roulage. Donc ça, c'est un exemple concret qui permet d'améliorer la qualité de la production, finalement, de ces autos.
Très bien, merci beaucoup messieurs, merci Luc, merci Mathieu d'avoir participé à cette conversation.
Merci Jean.
C'était très court et évidemment on a beaucoup d'exemples. On se retrouve dans la revue à l'écrit pour une synthèse de cet échange et je vous dis à bientôt.
Share
Embed
You may also like
