By Constant Ondo
2025 sera, si l’on en croit un article publié par Gartner, l’année de la mise en oeuvre de l’IA dans les entreprises. Et les DSI sont au coeur du projet puisque, toujours selon Gartner, presque la moitié d’entre eux sont en charge du pilotage de la stratégie IA. Ils devront donc assumer la responsabilité des choix, des coûts et du ROI. Pas simple puisqu’on estime qu’une entreprise sur deux peine aujourd’hui à démontrer la plus-value apportée par l’IA.
On peut penser qu’il y a parmi ces entreprises un grand nombre d’entreprises industrielles. Car celles-ci ont des besoins particuliers pour leurs activités de production, qui sont curieusement absentes des use-cases modélisés par les grands cabinets de conseil.
La production est pourtant la plus importante des opérations internes pour une entreprise industrielle, et l’IA peut aussi bien y être utilisée comme un assistant au quotidien que comme une force transformatrice. Il nous semble donc utile d’attirer l’attention des DSI sur les besoins particuliers des usines en matière de solutions IA, afin de les aider à satisfaire l’ensemble des utilisateurs.
Cela peut conduire à envisager la possibilité de faire cohabiter plusieurs modèles d’IA car les modèles généralistes n’ont pas été conçus pour la production et n’auront pas, dans un futur proche, vocation à le devenir. Cette cohabitation n’est pas forcément un problème ; elle semble devoir se généraliser dans les années à venir. Elle pourrait même être bénéfique en réduisant la complexité, les besoins en énergie et les risques d’hallucination.
De la conversation à l’automatisation ?
En moins de deux ans, nous sommes déjà passés de l’expérimentation des agents conversationnels à la création d’agents IA. Les agents sont capables d’exécuter des tâches de manière autonome, en décidant par eux-mêmes quels outils ils utiliseront et par quelles étapes ils devront passer pour arriver au résultat escompté. Ce sont des outils d’automatisation.
Il est intéressant de noter que les agents IA ne fonctionnent pas uniquement à partir de LLM. Ils ont besoin d’autres forme d’IA plus anciennes (notamment le deep learning), et d’être entraînés sur des cas d’usage précis.
Pourquoi cette évolution ? Parce que les agents conversationnels ont déçu. Et parce que l’automatisation semble être un bon levier pour augmenter le ROI de l’IA. Soit. Dès lors se pose la question de la manière d’automatiser et de la place qui restera à l’humain à l’issue du processus. Sur la manière d’automatiser, il est évident qu’on ne peut aborder le commercial ou l’administratif et la production de la même manière : comme il existe l’OT (Operational Technology) pour les systèmes d’information dans l’usine et l’IT (Information Technology) pour les SI hors production, il faut penser IA shopfloor et IA front/back office. Les usines ont besoin de modèles d’IA dédiés.
Pour autant, il faut éviter de tomber dans le piège de l’assistant IA dans les bureaux et du robot IA dans les usines. Il pourrait être tentant de créer deux sous projets, avec des périmètres et des outils très différents. Pour autant, les équipes dans les usines sont pluridisciplinaires. Elles ont besoin d’un outil commun, qui puissent les aider à générer de nouvelles idées autant qu’à résoudre les problèmes du quotidien et automatiser certaines tâches.
Rapidité, exactitude, confidentialité
Sur ces trois points en particulier, une IA conçue pour des tâches de bureau ne peut fonctionner correctement dans l’univers de la production.
La production : un contexte d’urgence
Sur une ligne, chaque minute perdue coûte des milliers d’euros. Impossible de passer par un mode conversationnel et d’affiner au fur et à mesure les réponses de l’IA en précisant sa question. Il faut pouvoir obtenir une information actionnable avec quelques mots clés ou une question simple.
La décision : bon du premier coup
Une mauvaise décision sur une machine peut avoir des conséquences en cascade. Dès lors, il faut valider les choix avant de les mettre en oeuvre. On ne peut, comme on le ferait pour la génération automatique d’un texte, laisser l’IA produire quelque chose et l’améliorer ensuite. Les opérateurs ne veulent pas des propositions mais des supports d’aide à la décision argumentés.
La bonne solution : le savoir-faire de l’entreprise
La manière qu’a une entreprise de résoudre un problème donné constitue son savoir-faire. Une entreprise qui sait mieux qu’une autre régler une presse à injecter par exemple, proposera des produits de meilleure qualité. Une entreprise qui sait capitaliser sur les bonnes pratiques affichera sans doute une meilleure rentabilité. Toutes les connaissances patiemment accumulées sur les bons réglages, intervalles de maintenance etc. sont autant de valeur créée, raison pour laquelles les données process sont si confidentielles. Inutile donc d’aller chercher des réponses sur internet, elles n’y sont pas. Et impossible d’entraîner largement des modèles généralistes sur des connaissances industrielles, ils n’y ont pas accès.
LLM, RAG et agent IA dans un outil pensé et entraîné pour l’industrie
Pour bien comprendre ce qui distingue une solution d’IA dédiée à l’industrie de modèles généralistes, il est important d’être au clair sur les différents éléments que sont les LLM, les RAG et les agents IA.
Les LLM (Large Language Model) ont été développé pour permettre aux ordinateurs de comprendre et de traiter le langage humain. Ils sont associés à des Transformers (Generative Pre-trained Transformers), pour produire du texte de manière statistique : les mots sont transformés en token et vectorisés pour « prédire » les associations les plus probables. Ces outils ne comprennent pas. Ils déchiffrent, classent, restituent.
L’acronyme RAG (Retrieval Augmented Generation) désigne une manière de générer du contenu dans laquelle l’IA va chercher de l’information dans un contexte donné avant de générer une réponse. Auparavant, les LLM ne répondait qu’à partir des données sur lesquelles ils avaient été entraînés. Leurs réponses pouvaient vite devenir obsolètes.
L’agent IA est, nous l’avons vu, un système autonome, qui crée ses propres workflows pour réaliser une tâche donnée.
Ces trois éléments peuvent être combinés dans un seul outil, plug&play, spécialement entraîné pour l’industrie et qui actualise automatiquement les connaissances de l’entreprise. C’est ce que nous avons fait avec PICC.
Quelles sont les spécificités de cette solution ?
- Elle est entraînée sur un mode de structuration de l’information (problèmes, solutions, causes, conséquences, risques) commun à toutes les industries,
- Elle peut fonctionner en RAG sur des bases documentaires importantes, sans phase d’intégration complexe,
- Elle intègre des agents IA capables de cartographier automatiquement toutes les connaissances de l’entreprise (explicites et tacites), et de capter les nouveaux savoirs sous toutes les formes (voix, texte, image). Elle crée ainsi un jumeau numérique des connaissances de l’entreprise, actualisé en temps réel.
- Elle intègre également des agents autonomes pour la production d’objets industriels, comme par exemple des AMDEC, CAPA, 8D.
- Elle propose deux modes d’interaction : un mode « procédural » pour la résolution de problèmes au quotidien, et un mode conversationnel pour l’amélioration continue,
- Et surtout, elle est capable de corréler automatiquement les connaissances humaines avec des données de production collectées via des systèmes IIoT.
Avec une IA pensée et entraînée pour l’industrie, il est facile de créer des personas afin de donner des réponses pertinentes et ciblées pour les opérateurs, les techniciens de maintenance, les responsables de production et les responsables qualité. Chacun a ainsi accès à une connaissance directement actionnable à partir de simples questions.
Obtenir les mêmes résultats avec une IA généraliste nécessitera un travail de personnalisation colossal et fera exploser les coûts de développement.
