Article
12 avril 2019

« L’IA pour développer l’intelligence collective »

Machine Learning, IA, Lean 4.0… de nombreux concepts promettent une amélioration des performances industrielles grâce au big data… Mais quid de l’expertise humaine ? De l’intuition du technicien de terrain expérimenté ? « Digitalisons l’intelligence collective » : voici le crédo de Laurent Couillard, le fondateur d’InUse. Interview.

 

Vous annoncez préférer le machine teaching au machine learning. Quelle différence ?

Plus exactement, nous considérons que le machine teaching vient en amont, et doit être utilisé en première intention, en particulier pour les sujets de maintenance. L’IA venant le seconder pour des besoins précis. Le distingo entre ces deux approches complémentaires nous semble important. Le machine learning demande d’importantes quantités de données (pas toujours disponibles d’ailleurs…) qui représentent un maximum de situations possibles. Or, et c’est heureux, il y a en réalité peu de pannes dans l’industrie ! La surdose généralisée de maintenance préventive empêche ainsi les algorithmes d’apprendre à reconnaître les prémices d’un dysfonctionnement : trop peu d’occurrences dans les historiques pour faire converger les modèles mathématiques. Il faut donc enrichir ces modèles statistiques de manière déclarative, avec des informations structurées, formant un corpus de connaissances techniques :  c’est le machine teaching. On obtient ainsi une structure à deux niveaux : d’abord ce que l’on sait déjà (machine teaching), puis ce que l’on va apprendre via les données (machine learning). En général, on obtient 80% du résultat objectif avec le seul Machine Teaching…

« Fabricant, opérateurs, techniciens de maintenance… Chacun d’entre eux dispose d’informations plus ou moins structurées sur le comportement des machines »

 

D’où viennent les informations sources du machine teaching ?

Elles sont issues des compétences et expériences de tous les acteurs gravitant autour des équipements concernés : fabricant, opérateurs, techniciens de maintenance… Chacun d’entre eux dispose d’informations plus ou moins structurées sur le comportement des machines, qui vont des connaissances (des comportements certains), à une forme d’intuition situationnelle, par exemple les symptômes préliminaires avant une casse. Ces données individuelles sont déjà précieuses, mais elles prennent une dimension synergique lorsqu’elles sont croisées avec celles des autres acteurs : on construit alors une véritable intelligence collective, dont l’exactitude n’a rien à envier aux meilleurs modèles mathématiques ! Quand plusieurs opérateurs d’un même type de machine sur des sites différents proposent des règles similaire et/ou cohérentes, l’information devient très solide.

 

Concrètement, comment peut-on digitaliser cette mémoire industrielle ?

Tout simplement en posant des questions, en langage naturel. Nous utilisons par exemple la règle des « 5 pourquoi ». Cette approche est non seulement la plus simple, mais surtout la plus efficace en termes opérationnels car lorsqu’un problème survient, il est surtout décrit par l’opérateur en langage naturel : « ça vibre… ». On remonte ensuite progressivement à la cause racine du problème. Puis les données objectives issues de capteurs permettent de modéliser ces descriptions, séquences d’événements par les données, et de créer des patterns. Enfin il est important de restituer cette information de manière opérationnelle, par du langage naturel sur le terrain, lieu d’expression et d’action des opérateurs.

« Il est important que l’humain reste au centre du système et qu’il garde le contrôle sur les interactions avec ses machines »

 

Le système d’information ne prend-il pas alors un peu le pas sur l’expertise ? Comment s’assurer que le modèle ne s’appauvrisse pas au fil du temps ?

En fait, c’est l’inverse qui se produit. D’abord, il est important que l’humain reste au centre du système et qu’il garde le contrôle sur les interactions avec ses machines, ce n’est pas à un logiciel d’agir à sa place. Certes, les métiers évoluent un peu, mais dans le bon sens : les opérateurs gagnent en autonomie car ils peuvent réaliser en solo des opérations de maintenance de niveau I ; les techniciens de maintenance disposent de l’expérience de leurs collègues sur d’autres sites ; les managers réduisent leurs coûts de maintenance et améliorent les disponibilités… Enfin, les démarches d’amélioration continue sont intrinsèquement embarquées puisque chaque action sur une machine est répertoriée, et ses conséquences analysées. Bref, tout le monde améliore ses performances en devenant un « travailleur augmenté ».

Laurent Couillard
Co-fondateur & directeur général d’InUse