Feriez-vous confiance à l’algorithme ?

Enquête sur la nouvelle génération d’IA industrielle

Plus de la moitié des dirigeants d’entreprises pensent que leurs actifs à forte valeur ajoutée – usines, équipements industriels, infrastructures critiques – seront gérés par une IA d’ici cinq ans. C’est là l’une des grandes tendances mondiales dégagées par une enquête de Longitude Research en collaboration avec Siemens. Plus de 500 cadres supérieurs des secteurs de l’énergie, de la production, des industries lourdes, des infrastructures et du transport ont été interrogés sur les applications de cette technologie, ses avantages, mais aussi les obstacles à son utilisation et leur attitude personnelle à son égard. Leurs réponses dessinent un aperçu unique de l’avenir de l’IA au sein des entreprises industrielles.

Imaginez que vous puissiez automatiser une partie des décisions opérationnelles quotidiennes au sein de votre entreprise, et permettre ainsi à vos salariés de se concentrer sur des projets stratégiques — par exemple, concevoir de nouvelles gammes de produits ou développer vos activités existantes. Quelle qualité exigeriez-vous d’un modèle d’IA pour accepter de lui céder le contrôle ? Faudrait-il, par exemple, qu’il égale les performances d’un ingénieur humain ? Qu’il soit meilleur ? Si la moindre erreur pouvait générer des pertes financières considérables, voire des accidents de personnes, votre réponse serait-elle la même ?

 

Un sondage récent présente ce type de scénarios à 515 cadres supérieurs de différents secteurs industriels (énergie, production, industrie lourde, infrastructures et transport). Leurs réponses dessinent un aperçu unique de l’avenir de l’IA au sein des entreprises industrielles.

Industries lourdes, lourdes conséquences

Dans les secteurs mentionnés, l’IA participerait de bien des manières à éviter les accidents et à sécuriser le lieu de travail. Les méthodes employées se ressemblent — bien que les conséquences des erreurs potentielles ne le soient pas. Ici, une mauvaise décision peut empêcher des milliers de personnes de se rendre au travail. Là, une surchauffe des machines peut faire perdre des millions à une entreprise. Ailleurs encore, une légère variation de pression peut provoquer une catastrophe environnementale — voire coûter des vies humaines.

 

Les chiffres sont révélateurs : pas moins de 44 % des personnes interrogées escomptent qu’au cours des 5 prochaines années, des machines théoriquement capables de provoquer des blessures, voire des décès, seront contrôlées par des systèmes d’IA autonomes. Plus nombreux encore (54 %) sont ceux qui pensent qu’une partie des actifs à forte valeur ajoutée de leur entreprise sera concernée.

 

Avant de pouvoir confier une telle responsabilité à des systèmes d’IA industriels, ceux-ci devront évoluer considérablement — ce qui passera souvent par de nouvelles approches de génération, de gestion, d’affichage et de partage des données. En voici quelques exemples :

 

  • Données contextuelles et simulations : d’ores et déjà, l’IA est utilisée sur des ensembles de données créés et organisés d’une manière nouvelle, afin d’améliorer les informations à disposition et leur compréhension. Par exemple, les graphes de connaissances représentent les relations entre les données issues de différents ensembles, ainsi que leur signification. Les jumeaux numériques, quant à eux, sont une illustration, voire une simulation numérique détaillée d’un produit, d’un système ou d’un processus réel.
  • IA intégrée et synthèses globales : grâce à l’Internet des Objets (IdO) et aux technologies de périphérie, on voit apparaître divers ensembles de données générés par des machines, qui ouvrent de nouvelles perspectives en termes d’analyse situationnelle et d’aperçu en temps réel — que ce soit dans le cloud ou directement sur le terrain.
  • Intégration de données extérieures : l’amélioration des protocoles et des technologies de partage de données entre les entreprises peut contribuer à développer des modèles d’IA intégrant les données des fournisseurs, des partenaires, des instances de régulation, des clients — voire des concurrents.

Le sens dépend du contexte

Pour approfondir l’un des exemples ci-dessus, les graphes de connaissance renferment un potentiel considérable d’amélioration des modèles d’IA : ils sont en effet capables de combiner différents ensembles de données. « Les graphes de connaissance contextualisent les données que vous analysez », explique Norbert Gaus, directeur recherche et développement du département Digitalisation et Automatisation chez Siemens. « Les informations sur une machine peuvent ainsi être évaluées au regard des données de conception, et notamment des tâches pour lesquelles elle a été fabriquée, de ses températures de service prévues, des seuils de rupture des différentes pièces, et de bien d’autres éléments. À cette liste, on peut ajouter l’historique d’entretien de machines similaires, avec l’ensemble des défaillances, des rappels et des résultats d’examens attendus tout au long de la durée d’exploitation. À partir de ces graphes, il est bien plus facile d’enrichir les bases de données utilisées pour entraîner les modèles d’IA avec des informations de contexte précieuses. »

 

L’enquête pose la question des types de données contextuelles les plus utiles actuellement, du point de vue des dirigeants d’entreprises. Celles fournies par les équipementiers occupent la première place du classement : 71 % des personnes interrogées y voient un avantage plus ou moins important. S’ensuivent les données internes d’autres services, régions ou départements (70 %), les données des fournisseurs (70 %) et les données de performance des produits vendus en usage chez les clients (68 %).

 

Une entreprise qui utilise les graphes de connaissance pour rassembler différents types de données – historique de production, performances d’exploitation, environnement d’utilisation – serait en mesure de créer un modèle d’IA unifié, capable d’améliorer les prévisions, de générer des idées utiles, de créer des synergies efficaces et d’augmenter les performances des systèmes et des processus automatisés.

Cultiver la confiance dans les algorithmes

Sans conteste, l’amélioration des performances applicatives fera naître de nouveaux défis. Dans certains domaines, il sera bientôt nécessaire de déléguer aux IA des responsabilités auparavant réservées aux êtres humains. Elles devront alors gagner la confiance des décisionnaires. Quant aux entreprises, il leur faudra développer les cadres adéquats de gestion des risques et de la gouvernance.


Pour explorer plus avant ces problématiques, il a été demandé aux personnes interrogées d’imaginer des scénarios concrets – à l’image de celui proposé en début d’article – et d’indiquer si elles se fieraient plutôt à un modèle d’IA ou au jugement d’un salarié expérimenté. 56 % ont opté pour la première solution lorsque la décision avait des répercussions financières majeures.

 

56 %, est-ce beaucoup ? On est en droit de penser que non ; en effet, on avait expliqué aux personnes interrogées que le modèle d’IA utilisé dans un projet pilote d’un an avait pris de meilleures décisions que les collaborateurs les plus expérimentés de l’entreprise. Les 44 % restants auraient donc tendance à faire confiance aux humains, bien que les faits soient en faveur de l’IA.

 

Le recours aux IA industrielles soulève des questions passionnantes. Bien sûr, il comporte aussi de nombreuses problématiques. Mais d’une manière générale, les résultats de l’enquête dessinent des perspectives prometteuses pour ces technologies. De leur perfectionnement, les dirigeants d’entreprise attendent beaucoup : moins de dégâts provoqués par les attaques informatiques, une gestion plus aisée des risques, plus d’innovation, des marges plus élevées et des environnements de travail plus sécurisés. Au regard d’une telle liste de retombées positives potentielles, la motivation ne risque pas de manquer pour surmonter tous les obstacles vers les prochaines générations d’IA. 

 

Pour en savoir plus sur ces questions ainsi que sur d’autres problématiques cruciales, consultez le rapport de recherche sur la nouvelle génération d’IA industrielle (Next-gen industrial AI research report). 


Intelligence artificielle

L’intelligence artificielle désigne, au sens propre du terme, les applications dans lesquelles des machines effectuent des tâches qui exigent normalement des facultés d’intelligence humaine, comme l’apprentissage, le jugement et la résolution de problèmes. Les outils et les solutions techniques développés à cet effet permettent aux humains de mieux travailler en étendant leurs capacités.


Apprentissage automatique

L’apprentissage automatique (« Machine learning » en anglais) est le processus qui permet de l’« intelligence artificielle ». Il consiste à former les ordinateurs à reconnaître des modèles dans des ensembles de données non structurés en utilisant des algorithmes et à prendre des décisions sur la base de ces « connaissances ». L’objectif est de donner à la machine la capacité d’apprendre par elle-même à partir des données collectées et de l’expérience acquise, et lui permettre ainsi d’améliorer en permanence sa faculté à accomplir des tâches. 


Apprentissage profond

Le deep learning, ou apprentissage profond, repose sur l’utilisation de réseaux de neurones artificiels. L’ordinateur accède simultanément à des données situées à plusieurs niveaux de nœuds afin d’identifier des connexions, de tirer des conclusions, de faire des prévisions et de prendre des décisions. Grâce à des algorithmes d’autoapprentissage, la machine peut résoudre par elle-même des problèmes non linéaires complexes et interagir sans instructions.

Abonnez-vous à la newsletter

Restez à jour à tout moment : ce que vous devez savoir sur la transformation numérique au sein des infrastructures et des industries.