Le « Machine Learning » ou « Apprentissage automatique » est une forme d’Intelligence Artificielle (IA) permettant aux ordinateurs d’apprendre sans avoir été programmés explicitement à cet effet. Pour réaliser cet apprentissage, le système informatique analyse de gros volumes de données (Big Data) en exploitant des algorithmes mathématiques et statistiques. Des Data Scientists et autres ingénieur en Machine Learning « entraînent » les algorithmes en les alimentant en données et en ajustant certaines variables. De son côté, l’algorithme trouve de lui-même des corrélations entre les données, notamment des causes et conséquences. L’IA des futures voitures autonomes est par exemple développée en « alimentant » des systèmes informatiques avec de grandes quantités de données issues notamment des capteurs de véritables véhicules en circulation. Le Machine Learning est finalement un « apprentissage par l’exemple », assez proche de celui du cerveau humain, basé sur l’analyse de cas existants en vue de prédire des résultats. Appliqué à l’industrie du futur, le Machine Learning sert principalement à la maintenance prédictive et à l’optimisation de processus.
Sources : Alliance industrie du futur, Smart-Industries, lebigdata.fr, entreprises.gouv.fr
1 – Bien évaluer en amont les coûts du projet, car l’analyse de données requiert des outils informatiques (plateforme Big Data, algorithmes…) et des experts (Data Analyst, Data Scientist, ingénieur en Machine Learning…) dont les tarifs restent encore onéreux.
2 – Ne pas déployer la solution sur un système d’information interne, du moins pas entièrement, et privilégier d’exploiter la puissance du cloud.
3 – Dépasser l’approche purement expérimentale grâce à un projet bien structuré (identification des besoins, feuille de route, objectifs attendus…)
4 – Être patient : l’apprentissage automatique peut prendre plusieurs mois avant de donner des résultats fiables et pertinents.
1 – Optimiser la production grâce à la maintenance prédictive (réduction des pannes, meilleure planification des interventions, baisse des coûts de maintenance…)
2 – Améliorer le contrôle qualité grâce à une surveillance par IA (cadences d’inspection élevées, fiabilité de l’observation accrue)
3 – Augmenter globalement la productivité (analyse des cadences, identification des possibilités de réduction des marges de sécurité…)
4 – Meilleure maîtrise des risques industriels
1 – L’entreprise dispose-t-elle de grandes quantités de données exploitables. Si ce n’est pas le cas, l’apprentissage automatique ne pourra être assuré.
2 – La DSI est-elle compétente dans ce domaine encore assez nouveau. Une formation sur le sujet peut être pertinente pour bien orienter le projet et choisir les bons partenaires.
3 – Quels jeux de données exploiter pour un premier test de la technologie, avant une éventuelle généralisation (données de maintenance, de production, de qualité produit…)
4 – L’entreprise est-elle prête à se donner du temps et à accepter des erreurs dans les premiers résultats. L’apprentissage automatique demande en général des ajustements. La fiabilité des résultats peut être relative dans les premiers temps.
