Quatre façons dont la technologie de l’IA peut perturber le secteur industriel

La montée en puissance de l’intelligence artificielle est sur le point de perturber toutes les facettes de l’industrie industrielle – des modèles commerciaux et des opérations à l’innovation. Aimé Lachapelle, associé du cabinet de conseil international Emerton, partage des cas d’utilisation de la façon dont l’IA peut améliorer les performances dans quatre domaines clés de la chaîne de valeur.

Production

Si les chaînes de production ont fait l’objet de nombreuses améliorations de processus successives au fil des années, l’intelligence artificielle permet, en captant toutes les dimensions et la complexité des processus, de réaliser de nouvelles optimisations à forte valeur ajoutée.

L’un des cas d’utilisation les plus répandus, apparaissant souvent comme le plus naturel en raison de sa simplicité de conceptualisation, est celui de la maintenance prédictive. L’objectif est alors de prédire, à l’aide d’algorithmes d’IA, les incidents et pannes machines, et ainsi optimiser la maintenance. La réalité qui a émergé du terrain est que ce cas d’utilisation s’avère souvent difficile à réaliser, en raison de la rareté des observations d’échecs réellement percutants.

Alors que le grand volume de données capturées en temps réel peut sembler attrayant pour la prédiction, l’ordre de grandeur qui importe pour les algorithmes d’IA à apprendre est celui du nombre d’occurrences de pannes au niveau de la machine observées sur un an, qui peut être compté sur un seul. ou les deux mains. Dans ce cas, même les meilleurs algorithmes d’IA ne peuvent pas apprendre les mécanismes sous-jacents à ces échecs. Cet exemple très concret met en évidence la criticité du cadrage correct d’un cas d’utilisation de l’IA, qui doit nécessairement se faire au contact des données et impliquer fortement des experts commerciaux et scientifiques, afin de maximiser les chances de succès.

L’optimisation des processus de production étant le moteur de l’industrie représente un potentiel de gain important, en particulier dans les industries métallurgique, chimique et pharmaceutique. Elle est citée par 60% des industriels interrogés comme figurant en tête de liste des applications prioritaires à mettre en œuvre sur leurs chaînes de production. Que ce soit pour l’optimisation des paramètres de production ou une meilleure planification de la production, les solutions d’IA proposées permettent une amélioration significative de la productivité, de la qualité et de la consommation d’énergie.

Une première étape de ces optimisations est souvent de se concentrer sur un processus cible au cœur de la production. Le directeur informatique d’un groupe spécialisé dans le formage du verre indique: «après plusieurs échecs, nous avons conclu que l’un des deux prérequis majeurs pour la réussite d’un cas d’utilisation de l’IA est de circonscrire suffisamment le périmètre considéré.» Par exemple, certains acteurs de la métallurgie ou de la chimie optimisent les quantités de réactifs intégrés afin d’améliorer la qualité des produits, tout en réduisant l’apport de matières premières et d’énergie.

La qualité d’un produit est difficile à optimiser car elle est très difficile à prévoir. Cela est vrai dans les industries de process, où la qualité n’est souvent connue qu’après un processus long et complexe. Ceci est également vrai dans les industries d’assemblage, où les problèmes de qualité de nombreuses pièces sont également difficiles à maîtriser.

La qualité peut donc être impactée par un grand nombre d’événements et est donc très souvent imprévisible. C’est pourquoi les applications de la prédiction de la qualité et du coût de la qualité, par exemple via la performance de son contrôle, sont un vaste terrain de jeu pour l’intelligence artificielle, notamment grâce à la vision par ordinateur, souvent applaudie par les industriels. Les défauts de qualité sont ensuite détectés de manière irréprochable et à un coût négligeable par les algorithmes d’IA.

Enfin, l’un des prérequis pour intégrer l’IA au cœur des processus industriels est de développer des twins d’usines numériques, imitant l’ensemble des flux de production, afin de les optimiser. Les industriels qui ont réussi à mener des projets d’optimisation de la production IA et data sont ceux qui ont su mettre les experts en IA au plus près de leurs experts industriels, permettant l’industrialisation des cas d’usage de l’IA.

Chaîne d’approvisionnement

La chaîne d’approvisionnement, de par sa complexité à l’interface de nombreux processus, offre un terrain de jeu fructueux pour les algorithmes d’intelligence artificielle qui permettent la simulation et l’optimisation d’un grand nombre de scénarios. Plusieurs acteurs de l’IA se sont spécialisés dans les sujets liés à la chaîne d’approvisionnement compte tenu du potentiel de valeur élevé.

Une grande variété d’algorithmes est utilisée pour les cas d’utilisation de la chaîne d’approvisionnement. Par exemple, on peut citer des modèles d’apprentissage automatique qui permettent de prévoir la demande des clients et les délais de transport ou de livraison. Ainsi, toute la chaîne d’approvisionnement peut être adaptée en conséquence. Par exemple, deux experts de la chaîne d’approvisionnement dans l’industrie de l’assemblage nous ont dit qu’ils «utilisent des données en temps réel pour prédire le temps de transit entre les dépôts».

La centralisation de toutes les données de la chaîne combinée à l’utilisation de solutions d’IA permet non seulement des prédictions plus solides pour les décideurs de la chaîne d’approvisionnement, mais également une meilleure évaluation des décisions à l’échelle mondiale. Par exemple, aider à orchestrer la production et les transferts internes est une application essentielle pour les entreprises possédant plusieurs usines. Dans certains cas, les fabricants vont plus loin et permettent à l’algorithme de prendre des décisions en temps réel. Un exemple d’utilisation de cette dernière technique est l’optimisation des coûts de transport, élément clé de l’excellence opérationnelle dans la chaîne d’approvisionnement.

Innovation: recherche et développement

Au-delà des applications centrales de la production et de la supply chain, des cas d’usage de l’intelligence artificielle commencent, bien que dans une moindre mesure, à être implémentés dans les fonctions de R&D. Ainsi, l’IA devient un outil de choix pour l’analyse des essais techniques. C’est le cas par exemple dans l’industrie aéronautique où des solutions d’IA sont utilisées pour analyser les résultats des tests de vibration sur certaines pièces critiques.

Dans les industries agro-alimentaire, chimique et pharmaceutique, l’IA permet également de limiter les expériences de laboratoire en sélectionnant les expériences les plus pertinentes ou en prédisant directement leurs résultats, et surtout en les corrélant aux attentes des clients. «La véritable contribution de l’IA à nous a été de pouvoir débloquer le portefeuille de produits, de créer des produits qui répondent aux attentes tout en limitant les investissements en R&D et les tests», nous dit le DSI d’un géant mondial de l’alimentation.

Ces outils sont également utilisés plus tôt dans la conception des produits. On peut citer l’exemple de l’industrie automobile où les outils dits de conception générative utilisent des algorithmes d’IA pour générer automatiquement des plans pour certaines pièces en fonction de contraintes préétablies. Bien que ces méthodes soient encore à un stade précoce de leur développement, elles pourraient accélérer le prototypage si elles étaient couplées à l’impression 3D. L’industrie du parfum illustre un autre cas d’utilisation de conception de produit dans lequel les outils d’IA peuvent prédire si un prototype de parfum sera chimiquement stable.

Malgré la montée en puissance des cas d’utilisation en R&D, le principal obstacle à une plus grande démocratisation des outils d’intelligence artificielle dans cette fonction reste le manque d’explicabilité du comportement des algorithmes d’IA, souvent perçus par les ingénieurs et les concepteurs comme des boîtes noires.

Commercial: ventes et marketing

Dans le segment B2B, les fonctions commerciales et marketing des industriels disposent d’un volume de données plus limité qu’en B2C, et représentent a priori un terrain moins fertile pour les applications d’Intelligence Artificielle. Parmi les acteurs interrogés, ces thèmes sont traités avec une moindre priorité.

Certaines entreprises industrielles, comme les biens de consommation plus orientés B2C, commencent à déployer des outils d’IA pour améliorer leurs ventes. C’est notamment le cas dans les secteurs de la cosmétique et de la parfumerie qui utilisent des algorithmes d’hyperpersonnalisation de produits ou d’analyse d’avis en ligne, grâce aux algorithmes PNL (Natural Language Processing).

Plus d’information? Téléchargez le livre blanc ‘AI for Industry’ d’Emerton produit en collaboration avec et Startup Inside.