Lorsqu’en octobre 2015, le programme informatique utilisant l’intelligence artificielle, baptisé Alpha Go, a, pour la première fois, battu un humain au jeu de Go, nombreux sont ceux qui ont vu dans cet événement le début d’une nouvelle ère pour l’humanité, porteuse de promesses et de menaces. Depuis, certains n’ont eu de cesse de célébrer l’avènement de l’Intelligence Artificielle et les médias se sont emparés du terme tandis que la data science et les réseaux de neurones profonds devenaient lingua franca parmi les recruteurs du monde du numérique.

Toutefois, si l’utilisation de ces technologies par les géants américains de l’Internet donne naissance à des applications grand-public remarquables, dans le domaine du langage ou de l’interprétation des images, la pénétration de ces technologies n’est pas la même dans tous les secteurs. Ainsi, selon une étude du Boston Consulting Group, la part moyenne des industries ayant déjà implanté plus d’une application d’IA n’est que de 16 % dans le monde. Cette moyenne cache également des disparités profondes. Dans les pays en pointe, cette part dépasse les 20%, comme aux États-Unis, en Chine ou en Inde. A contrario, dans d’autres pays de l’OCDE comme la France, le Japon et l’Allemagne, les entreprises ont plus de mal à s’y résoudre : entre 10 et 15% des entreprises industrielles utilisent l’IA.

Nous n’allons pas ici essayer de répondre à la question complexe de savoir si l’IA va effectivement révolutionner notre monde, ou s’il s’agit simplement d’une nouvelle technologie, d’une innovation incrémentale comme il y en a eu avant elle. Nous allons plus simplement essayer d’apporter quelques exemples d’utilisation d’IA dans les opérations industrielles, que nous avons pu observer ou réaliser, pour illustrer ce que peuvent apporter ces technologies dans le domaine industriel, et les contraintes et spécificités qu’il est nécessaire de prendre en compte pour déployer ces solutions de façon durable dans les sites industriels.

Automatiser la prise de décision dans les usines

Les révolutions industrielles se caractérisent par l’avènement simultané de nouvelles technologies et l’utilisation de nouvelles sources d’énergie qui changent la façon de produire et de consommer. La troisième révolution industrielle, dans les années 1970, a vu l’avènement des robots en usine et le déploiement massif de systèmes d’automates industriels, en même temps que le développement du nucléaire. Ces systèmes, en grande partie basés sur les technologies logicielles naissantes, permettaient d’effectuer en autonomie partielle des tâches jusque-là dévolues à l’opérateur humain. A partir de là, de nombreuses actions ont été automatisées, qu’il s’agisse de bras-robots dans les usines automobiles ou de systèmes de contrôle-commande temps-réel des unités de raffinage. Les automates et les robots ont permis de libérer l’être humain de tâches répétitives et à faible valeur ajoutée.

Pourtant, dans de nombreuses usines et sur de nombreux sites industriels, il existe encore aujourd’hui des salles de contrôle dans lesquelles les opérateurs surveillent le bon fonctionnement des procédés industriels. En effet, de nombreuses tâches sont encore souvent de la responsabilité des opérateurs : réglage des paramètres des machines, surveillance de l’état des équipements, décisions d’effectuer ou non une opération de maintenance, etc.

On aurait pu penser que ces tâches avaient été également automatisées lors de la précédente révolution industrielle avec des outils de contrôle-commande ou d’automatisme industriel. Pourtant, aucun système expert ou autre solution logicielle, développée durant ces dernières dizaines d’années, n’a vraiment réussi à s’imposer dans les opérations industrielles pour assister les équipes dans le pilotage des opérations.

Or, une grande partie de ces tâches ont la spécificité d’être assez répétitives. Elles font, par ailleurs, appel à des connaissances techniques qui se situent dans un périmètre précis et délimité comme la fabrication, la maintenance ou les méthodes de production.

Ce type de problème basé sur des prises de décisions répétitives et faisant appel à des connaissances finies sont de bons candidats pour des problèmes d’apprentissage artificiel. Un exemple trivial souvent utilisé pour expliquer le fonctionnement d’un système d’apprentissage artificiel est celui de la reconnaissance d’animaux sur des images. Il suffit de montrer à une intelligence artificielle quelques milliers de photos de chats et de vaches pour qu’elle apprenne à reconnaître ces deux populations et à les distinguer. Une fois l’intelligence artificielle entraînée, elle est capable de reproduire, en autonomie, ce travail d’identification.

Les cas d’applications liées aux opérations industrielles sont certes plus complexes dans leur mise en œuvre mais ils reposent sur un principe similaire : apprentissage d’un fonctionnement industriel sur un historique de données liées à l’exploitation de sites industriels et réplication, en autonomie, de ce mode de fonctionnement. Cela peut par exemple s’appliquer à la maintenance prédictive, à la prédiction de casse de machine, à l’optimisation des opérations ou au contrôle qualité d’une production manufacturière.

Dans tous ces cas d’application, l’intelligence artificielle répond à un besoin qui n’avait pas été comblé jusque-là par les technologies d’automates industriels. En effet, elle est capable de gérer une part d’incertitude, de complexité, des éléments qui ne sont pas facilement modélisables et qui n’étaient pas correctement gérés avec les technologies précédentes. Pour reprendre le cas trivial de la détection d’animaux sur des images, le modèle peut fonctionner sans problème que le chat soit debout sur un arbre, assis sur un canapé ou dans les bras de quelqu’un. Il suffit que l’intelligence artificielle ait vu suffisamment de cas de figure pour extrapoler à la nouvelle image qu’on lui montre. Cette caractéristique est la même pour les applications industrielles. Le modèle d’intelligence artificielle va pouvoir bien fonctionner même dans la complexité des données réelles des sites industriels.

Il s’agit d’ailleurs, probablement, d’une des raisons qui peuvent être avancées ici, pour expliquer pourquoi l’intelligence artificielle peut réussir là où les solutions logicielles de systèmes experts n’ont pas réussi à s’imposer. En effet, la complexité que représentaient le développement et la maintenance en fonctionnement de ce type de solutions logicielles, dans des cas concrets d’applications, les rend difficilement viables à long terme et rapidement caduques. Face à ces contextes opérationnels changeants, les intelligences artificielles pourront s’adapter avec des techniques dites de renforcement, qui permettent de continuer à apprendre des nouvelles réalités opérationnelles.

Par ailleurs, les solutions, basées uniquement sur des modélisations physiques, sont souvent confrontées aux divergences entre les modèles et la réalité des opérations. L’approche par apprentissage artificiel fait d’autres hypothèses qui rendent son développement, son utilisation et sa maintenance beaucoup plus simples. En effet, lorsqu’un modèle apprend par apprentissage artificiel, il ne présuppose pas un modèle physique de référence : il s’appuie, avant tout, sur les observations faites dans l’historique des données disponibles sur le site industriel. Il peut, par ailleurs, intégrer une modélisation physique pour accélérer son apprentissage et éviter de proposer des solutions qui ne peuvent pas satisfaire les lois de la physique.

De la pompe au fond d’un puits de pétrole au convoyeur dans les aéroports, l’IA permet de réduire les coûts et de soulager les opérateurs

Même si elles offrent une robustesse et une viabilité opérationnelle très utiles, les intelligences artificielles industrielles peuvent être complexes à mettre en œuvre. Il est donc nécessaire d’identifier un retour sur investissement suffisamment clair pour justifier leur mise en place. Nous proposons ici deux exemples d’utilisation dans le domaine de la logistique et de l’énergie.

Le premier exemple est lié à la prédiction de casse des pompes installées au fond des puits pétroliers. Ils’agit d’équipements rotatifs complexes dont la maintenance est presque impossible et très coûteuse puisqu’elles sont installées au fond d’un puits de pétrole. Les compagnies pétrolières essaient, par conséquent, d’anticiper au mieux les casses, pour réduire au maximum le temps nécessaire entre la détection de la casse et son remplacement, qui peut parfois prendre des dizaines de jours dans des cas d’installation offshore complexes.

Contrairement aux outils utilisés jusque-là, les intelligences artificielles peuvent intégrer un nombre extrêmement important de variables pour analyser la situation et prendre une décision appropriée. Pour augmenter la prévisibilité de conditions de fonctionnement anormales de ces pompes, la mise en place d’un tel modèle d’intelligence artificielle a permis d’apprendre comment fonctionne la pompe et de détecter des signaux faibles annonciateurs de dysfonctionnements. Grâce à cette meilleure anticipation, il est ainsi possible de mieux prévoir et planifier les opérations de remplacement de ces équipements. Considérant la complexité de ces opérations, et leur impact immédiat sur la production – puisque le puits arrête de produire sans cette pompe - le gain opérationnel et financier est considérable.

Nous avons pu observer une autre application dans les opérations aéroportuaires où une intelligence artificielle a été mise en œuvre sur un système de tri des bagages de l’Aéroport Charles de Gaulle, à Roissy. Un système de tri de bagages est un système automatisé complexe qui permet de transporter les bagages des comptoirs d’enregistrement aux avions, ou entre deux avions pour les passagers en correspondance. Il est notamment composé de quarante-cinq kilomètres de convoyeurs, de trieurs et d’aiguilleurs. C’est une véritable usine, située au cœur de l’aéroport, qui assure une fonction cruciale pour la satisfaction des usagers de l’aéroport.

L’intelligence artificielle mise en place utilise l’historique des données de flux de bagages et des informations contextuelles sur les opérations du système de tri, pour apprendre et prédire heure par heure, et jusqu’à 7 jours en avance, le nombre de bagages qui passent par le trieur.

Pour les équipes opérationnelles, la solution mise en place permet d’anticiper la charge de travail des équipes, de mieux prévoir les astreintes, et de limiter le risque de défaillance des équipements. Au total, cela diminue le risque de voir certains bagages ne pas arriver à destination. C’est donc une façon efficace de maximiser la satisfaction des usagers de l’aéroport.

Dans un deuxième temps, l’intelligence artificielle déployée sur le système de tri a permis d’aider les équipes à optimiser la maintenance du trieur, en s’appuyant notamment sur les données du système de Gestion de la Maintenance Assistée par Ordinateur (GMAO). Elle analyse l’historique des opérations de maintenance, pour aider les équipes à optimiser les campagnes de maintenance préventive sur le million de pièces qui composent le système. Elle permet également de détecter des usures prématurées et des besoins de maintenance corrective par le croisement avec les données tempsréel qui remontent des équipements.

Cette démarche s’inscrit dans la stratégie d’Aéroport de Paris qui investit pour faire face à une augmentation annuelle de 6%, du trafic de passagers. Le groupe construit de nouveaux terminaux et systèmes de tri, toujours plus modernes, et s’engage résolument dans l’intelligence artificielle, au cœur de sa démarche “Smart Airport” pour rendre les installations existantes plus efficaces pour supporter cet afflux de passagers.

Comme nous le voyons dans ces deux exemples, l’Intelligence Artificielle déplace la frontière des opérations industrielles qui peuvent être gérées en autonomie par des outils informatiques et des machines. in fine, cela permet de diminuer la charge cognitive portée par les équipes sur le terrain, surtout pour les tâches répétitives. Les salles de contrôles avec leurs nombreuses alertes à acquitter et des dizaines d’écran à surveiller, sont autant de sources d’informations que l’opérateur doit analyser pour faire son travail. L’augmentation de capteurs et de machines connectées rend la tâche des opérateurs de plus en plus complexe. À l’inverse, l’IA permet de soulager la charge cognitive des opérateurs en gérant cette information en y répondant en autonomie.

Des modèles hybrides, construits à partir du terrain

Les cas d’application présentés ci-dessus sont de formidables exemples de valorisation des données industrielles. En effet, les données d’usines sont souvent sous-exploitées ou uniquement de façon très locale sur un poste de travail ou une ligne de production. L’utilisation de machines depuis des décennies, et plus récemment leur constitution en systèmes digitaux et connectés créent une formidable opportunité pour changer de paradigme. Récoltées en très grande quantité et mises en relation avec des informations liées au contexte des opérations, ces données peuvent être utilisées pour entraîner des modèles d’intelligence artificielle qui, une fois déployés, facilitent et complètent le travail des opérateurs en usine.

Il ne suffit toutefois pas d’analyser des données pour construire une intelligence artificielle qui peut avoir un véritable impact sur les opérations. Le risque majeur est d’effectuer des développements « hors-sol ». Il est donc nécessaire d’aller sur le terrain, discuter avec les opérateurs et les techniciens et d’intégrer leurs retours dans la démarche. Comprendre concrètement comment sont organisés les postes de travail et les lignes de production est essentiel. Trop souvent les data scientists (spécialistes de l’analyse des données) sont coupés des opérations concrètes, car ils n’ont pas les outils pour collaborer avec les données des sites industriels. Or, pour bien valoriser les données industrielles, il paraît indispensable de pouvoir comprendre et intégrer l’expertise et l’expérience des équipes dans les algorithmes et les modèles.

Enfin, déployer une intelligence artificielle sur une ligne d’un procédé industriel n’a pas le même impact que de prédire un nombre de clics sur une publicité en ligne. Leur déploiement et leur utilisation imposent des contraintes et des exigences plus élevées. En particulier, des dispositions doivent être prises pour assurer la sécurité de l’informatique industrielle. Une solution consiste à déporter les intelligences artificielles directement dans le réseau informatique de l’usine. Cela s’appelle le edge analytics. De cette façon, il est possible, d’une part, de garder le contrôle des données, mais aussi, de limiter fortement les risques de cybersécurité.

L’IA peut-elle favoriser le redémarrage économique et industriel de la France ?

En agissant en autonomie, les intelligences artificielles permettent aux équipes sur site de se focaliser sur les tâches à plus haute valeur ajoutée. Elles offrent une assistance qui enrichit le travail des opérateurs, en même temps qu’elles valorisent les données récoltées à partir de machines, de capteurs environnementaux ou de bases de données constituées. Leur déploiement nécessite une connaissance fine des contraintes du terrain pour prendre en compte aussi bien le contexte opérationnel que l’organisation des systèmes informatiques propres aux usines. C’est donc un challenge ambitieux mais qui pourrait, à court terme, changer les paradigmes économiques liés à la production industrielle.

La France semble s’engager fermement dans la révolution de l’Intelligence Artificielle, et dispose de certains atouts dans ce domaine. Cet engagement pourrait donc également bénéficier à l’industrie traditionnelle en permettant de redynamiser des sites industriels qui pourraient ainsi, bénéficier de gains de productivité considérables. Il nous semble toutefois nécessaire de continuer à renforcer l’investissement en termes d’éducation et de recherche pour permettre à des acteurs européens d’être compétitifs sur des marchés qui risquent de tendre fortement vers des oligopoles. ■