L'IA générative dans le monde industriel ou comment éviter à tous prix les phénomènes "d'hallucination"

En termes de valorisation des données, les entreprises du secteur tertiaire, comme celles dans la finance ou le retail, ont pour l'heure une nette avance sur le monde industriel.

Les récents progrès enregistrés par des systèmes LLM (ou Large Language Model) tels que ChatGPT, DALL-E, Midjourney ou Google Bard, démontrent déjà tout le potentiel d’analyse et de créations de contenus de l’IA générative pour des masses de données non structurées (textes, images, vidéos, musiques, codage…).

Pour le monde industriel confronté à une cumulation conséquente d’informations techniques – de l’ordre de 1 000 To de données engendrés par jour pour une entreprise industrielle moderne ! – il y a là un nouveau sésame à exploiter.

Car qu’il s’agisse de maquettes numériques, de rapports d’analyses de conformité ou de procédures d’assemblage, toutes ces informations n’offraient jusqu’à présent que peu de possibilités d’exploitation par des technologies de traitements des données classiques (de type Machine Learning). L’IA serait une solution idéale, le sésame, pour exécuter le traitement de tâches autrefois chronophages, exigeantes et pourtant essentielles et cela avec une simplicité d’utilisation qui la rend très facilement implémentable dans des processus existants.

Mais pour bénéficier d’une création de valeur dans leurs activités, des secteurs comme l’automobile, l’aéronautique ou le ferroviaire, doivent encore adopter la bonne méthodologie dans le déploiement d’une IA générative. Petit tour d’horizon des bons réflexes à avoir…

Un défi de taille dans son application nécessitant patience et méthode

Tous secteurs économiques confondus, l’attente est grande en matière d’IA générative. Selon un rapport récent du cabinet McKinsey, de juin 2023, le potentiel économique véhiculé par l’IA générative pourrait ajouter, par an et d’ici 2040, de 0,1 à 0,6 points de croissance à la productivité mondiale du travail. L’enjeu est colossal donc. Et le défi de taille pour toutes les industries soucieuses de négocier et de réussir leur passage à l’échelle dans l’optimisation de leurs processus métiers. Pas de place pour la précipitation et des modèles d’IA générative trop complexes ou trop approximatifs, au risque de connaître au mieux un handicap sérieux, au pire un échec cuisant.

Mais il ne faut pas se leurrer, si l’IA générative donne le sentiment grisant qu’elle sera la réponse à tous les problèmes opérationnels rencontrés, la réalité est toute autre. Pour une mise en production réussie, une industrie désireuse de l’inclure dans ses processus opérationnels devra se montrer avant tout pragmatique et bien étudier le niveau de maturité de ses équipes et de ses infrastructures informatiques. On ne pourra faire l’impasse sur une méthodologie rigoureuse et patiente, couplée avec une forte expertise humaine, capable de savoir exactement où agir sur le produit cible pour en extraire le meilleur de ses données.

L’importance cruciale de la qualité et de l’objectivité des données

Il convient, pour commencer, de se poser les bonnes questions : quelles technologies employées et à quelles spécialités recourir pour être pleinement efficace ? Quelles contraintes associées en termes de quantité et de qualité des données, de cadres réglementaires à suivre, de propriété intellectuelle à respecter ? Quels enjeux éthiques sur les emplois et la répartition des tâches ? Quels coûts et quelles performances pour quel ROI attendu ? Etc. Pour répondre à tous ces défis d’adaptabilité, d’interprétation ou de gouvernance des données, le plus pertinent sera de partir d’un cas d’usage pour prendre en compte, dès le départ, le ROI attendu en fonction des contraintes citées ci-dessus. Avec l’IA sinon, créer un PoC trop décorrélé de la réalité finira souvent en déconvenue retentissante lors d’un passage à l’échelle.

Ces étapes préliminaires seront les fondations d’une IA pleinement efficiente, sous réserve, impérativement, d’une sélection toujours « propre » et de bonne qualité des grands volumes de données générés. Si les informations brutes sont inexactes ou trop biaisées, les décisions ou prédictions qui en découleront le seront tout autant. Dans le cas de l’IA générative, cela pourrait engendrer notamment des phénomènes dits « d’hallucinations », soit des réponses textuelles partiellement fausses ou contenant des préjugés.

La promesse forte d’un cortège d’avantages opérationnels

Suivre rigoureusement cette méthode garantira de belles perspectives en termes d’avantages opérationnels. Car le secteur industriel ne peut déjà pas se passer de cet outil qui va révolutionner quantité d’usages jusqu’alors impossibles ou difficiles à mettre en place, faute de la brique technologique nécessaire. En montrant sa capacité à incarner cette fameuse brique, l’IA générative porte en elle de quoi changer cette donne, avec par exemple pour des cas déjà avérés chez des clients : une automatisation à grande échelle des tâches complexes, que ce soit dans la génération de codes pour des logiciels embarqués, dans celle de dessins pour la conception de pièces mécaniques, ou de suivi d’actions correctives dans les chaines d’assemblages. L’IA, c’est aussi le recours plus massif à des coachs numériques dans le cadre de programmes de formation, ou la création de documentation technique comme des manuels d’assemblages pour des opérateurs en usine. Enfin, du côté des SAV, c’est la possibilité de mettre en place des assistants digitaux, capables de mieux catégoriser les pannes de voitures en circulation selon les remontées des utilisateurs sur les réseaux sociaux, les forums internet, ou bien encore selon les comptes-rendus des garages. Un bel atout pour renforcer à terme l’image d’une marque.

L‘IA prouve déjà son potentiel et, par rapport à des entreprises du secteur tertiaire qui ont toujours été à l’avant-garde dans la valorisation des données. Elle est la promesse d’une nouvelle révolution numérique pour le secteur industriel, à condition de préparer son usage pour que le recours à l’IA facilite sans l’endommager l’efficacité opérationnelle des grands acteurs de l’industrie.