L’IA dans la maintenance industrielle
Les outils d’intelligence artificielle (IA) sont mis en œuvre partout, y compris dans le secteur de la maintenance industrielle.
Les entités industrielles essaient depuis longtemps de s’éloigner des processus de maintenance réactive ou préventive (PM). Grâce aux technologies appropriées, elles peuvent adopter des stratégies de maintenance prédictive (PdM) qui maximisent la durée de vie des actifs et réduisent le risque de temps d’arrêt non planifiés. Mais comment l’IA peut-elle soutenir et stimuler cette approche ?
Dans l’ensemble, l’avenir de l’IA dans la maintenance industrielle est prometteur. Cependant, un autre changement majeur est nécessaire pour libérer tout le potentiel des technologies d’intelligence artificielle dans la maintenance. Voici un aperçu du chemin parcouru par ces outils, de leur orientation et de la manière dont votre organisation peut utiliser l’intelligence artificielle pour prendre de l’avance.
L’essor de l’IA dans la maintenance industrielle
L’intelligence artificielle existe sous une forme ou une autre depuis des décennies. Cependant, son utilisation généralisée s’est récemment accélérée. La question est : pourquoi maintenant ?
L’adoption rapide de l’IA dans la maintenance industrielle et d’autres domaines peut être attribuée à trois développements clés :
- Puissance de calcul : Les progrès des unités de traitement ont permis aux modèles d’IA de traiter de grandes quantités de données plus efficacement.
- Disponibilité des données : L’internet et les appareils IoT ont créé une explosion de données.
- Recherche et développement : L’investissement continu dans l’IA a conduit à une cascade de percées.
L’intelligence artificielle prend de l’ampleur à chaque nouvelle avancée remarquable. Aujourd’hui, l’IA est un outil viable pour améliorer les pratiques de maintenance industrielle. Cependant, les entités industrielles ont à peine effleuré la surface de ce dont les outils d’IA prédictive sont capables.
Comment l’IA s’est généralisée
Pendant des décennies, seuls les titulaires de doctorat et les chercheurs avaient accès aux modèles d’intelligence artificielle. Ces premiers modèles n’étaient pas particulièrement utiles pour les applications du monde réel. I-care et d’autres fournisseurs de solutions ont contribué à changer cela en développant des cas d’utilisation personnalisés et de niche qui répondaient à des défis commerciaux spécifiques. Cette approche a conduit au déploiement de solutions basées sur l’IA, qui sont devenues accessibles à un nombre limité d’utilisateurs finaux industriels considérés comme des adopteurs précoces dans l’industrie. Ces solutions étaient principalement élaborées avec des spécialistes au sein de l’organisation. Bien qu’elles ne soient certainement pas répandues ou démocratiquement accessibles, elles étaient néanmoins précieuses.
L’IA générative (GenAI) comme ChatGPT a tout changé. Soudain, les chefs d’entreprise ont pu constater directement le potentiel de l’IA sans formation préalable ni expertise sur le sujet. Ils ont eu l’occasion d’expérimenter avec les outils d’intelligence artificielle et de les utiliser pour faciliter les tâches quotidiennes de routine.
Comment l’IA s’intègre dans l’équation d’optimisation des processus
L’intelligence artificielle a déjà prouvé sa valeur en améliorant plusieurs processus industriels clés. Elle excelle dans les domaines suivants :
- Analyse prédictive : Examiner les données des capteurs en temps réel pour détecter les schémas indiquant des défaillances imminentes.
- Optimisation de l’efficacité des processus : Ajuster les paramètres de fonctionnement pour réduire la consommation d’énergie et augmenter la production.
- Optimisation de la planification de la maintenance : S’assurer que la maintenance est effectuée avec un impact minimal sur la production.
Alors que l’IA traditionnelle a optimisé avec succès ces flux de travail et d’autres, GenAI introduit une nouvelle dimension. GenAI peut aider à rédiger des procédures de maintenance, à analyser les journaux historiques et à suggérer des solutions à des problèmes mécaniques complexes. GenAI peut également être utilisé pour écrire du code de programme spécifique afin de résoudre des cas d’utilisation délimités.
Les possibilités sont enthousiasmantes. Cependant, ces nouveaux cas d’utilisation présentent également des défis uniques.
Les défis de l’IA dans la maintenance
L’utilisation de l’intelligence artificielle générative pour la maintenance prédictive est une proposition intéressante. Cela dit, les entités industrielles devront d’abord surmonter d’importants obstacles.
Dans une interview récente, Tom Rombouts, directeur de la fiabilité et des solutions axées sur les données chez I-care, a résumé ces défis comme suit :
Fiabilité
L’IA analyse de grands volumes de données pour générer des résultats. Si les données sur lesquelles elle est formée sont biaisées ou peu fiables, la qualité des résultats en souffrira. Par conséquent, tous les résultats de l’IA doivent être soigneusement examinés pour garantir leur exactitude et leur fiabilité.
Contrôle de la qualité
Il est essentiel de s’assurer que le contenu généré par l’IA, tel que les instructions de maintenance, est sain et sûr. Des procédures incorrectes établies en raison d’hallucinations de GenAI pourraient entraîner de graves risques pour la sécurité et des temps d’arrêt non planifiés supplémentaires. Les experts en la matière doivent examiner tout le contenu pour vérifier son exactitude et son applicabilité sans tomber dans le piège de se fier à une production de GenAI « confiante mais incorrecte ».
Résistance au changement
L’équipe d’I-care croit fermement que la transformation numérique ne peut pas être seulement numérique. La mise en œuvre de nouvelles technologies sans fournir au personnel la formation et la confiance nécessaires pour utiliser ces outils ne produira que des résultats décevants.
Mais ne sous-estimez pas l’IA par erreur. C’est vraiment « le changement » de notre génération !
Les employés qui sont pris au dépourvu par le changement qu’apportent les initiatives d’IA peuvent développer de forts sentiments de résistance. Le résultat sera probablement un retour sur investissement diminué et un temps de rentabilisation prolongé, tous deux contraires aux objectifs de maintenance d’une organisation industrielle.
Quelle est la prochaine étape ?
Après avoir pris connaissance des avantages de l’intelligence artificielle en matière d’efficacité, vous pourriez être tenté de libérer l’IA et de la laisser résoudre tous vos maux de tête en matière de maintenance. Cependant, c’est une recette pour le désastre. Sans les bonnes mesures de contrôle de la qualité en place, l’IA générative peut faire autant de mal que de bien (sinon plus).
L’IA dans la maintenance industrielle : solution parfaite ou oncle ivre ?
Lors d’une interview récente, M. Rombouts a identifié la capacité de GenAI à générer des informations plausibles mais incorrectes comme l’un des plus grands risques de l’adoption de l’IA. Il a comparé ce phénomène à l’oncle ivre lors d’un rassemblement familial.
Imaginez que vous êtes assis à une table où tout le monde discute d’investissements. Parmi eux se trouve votre oncle, qui a bu un verre de trop. Il donne avec assurance des conseils sur le marché boursier. Puisque vous êtes assis et que vous avez une conversation en face à face avec lui, vous pouvez facilement dire qu’il est sous l’influence de l’alcool. Par conséquent, vous remettez en question la validité de ses conseils.
Imaginez maintenant que vous ne lisez qu’une transcription de son discours. Son choix de mots et sa syntaxe vous convainquent de sa connaissance du marché et vous inspirent confiance que ses recommandations sont judicieuses.
Les entreprises sont confrontées à un problème similaire avec l’IA générative. Elle produit un contenu qui semble correct. Cependant, les utilisateurs sans l’expertise nécessaire peuvent avoir du mal à déterminer s’il est vraiment exact ou simplement un non-sens bien articulé.
C’est un problème crucial dans la maintenance industrielle : des conseils ou des instructions incorrects de GenAI pourraient entraîner des défaillances mécaniques, voire des accidents mortels.
M. Rombouts propose de tester la capacité d’un modèle d’IA à « détecter les conneries ». Le processus est assez simple : il suggère de donner intentionnellement à un modèle d’IA de fausses informations pour voir s’il peut séparer les faits des données erronées. Il recommande également de former les professionnels de la maintenance à repérer les résultats non fiables de l’IA.
Considérez ces redondances comme une forme de freins et contrepoids. Le modèle a été entraîné à dénicher les informations incorrectes et à les signaler. Le personnel de maintenance est également formé à la détection des « conneries », ce qui lui permet de trouver et de corriger toute erreur qui échappe au modèle.
L’IA comme outil, pas comme remplacement
L’intelligence artificielle n’est pas une pilule magique qui peut résoudre tous vos maux de tête en matière de maintenance industrielle. C’est un outil puissant qui a déjà permis d’énormes progrès dans la maintenance préventive. Cependant, son plein potentiel ne se réalisera que lorsque la confiance, la validation et la surveillance humaine seront prioritaires parallèlement à l’adoption.
Cet article a été rédigé par Tom Rombouts, directeur de la fiabilité