L'intelligence artificielle (IA) permet des avancées majeures pour optimiser des processus industriels existants et transformer l’entreprise en Industrie 4.0. Pourtant, l'IA n'est pas un arbre magique qui produit de l’argent. Pour tirer un retour sur investissement (ROI) efficient de cette technologie à fort potentiel, où les gains de productivité grâce à l'IA pourraient atteindre 40% d'ici 2035 selon Accenture, il s’agit d’investir judicieusement. Vous trouverez ici des stratégies efficaces afin de tirer le meilleur parti de l’IA et d’implanter des solutions intelligentes à fort impact pour l’entreprise dans son ensemble.
Quels projets sélectionner ?
Si possible, évitez les projets de grande envergure qui impliqueraient une phase de recherche longue et ardue, et concentrez-vous sur des victoires faciles et rapides à fort potentiel. Dans vos premiers projets d'IA, il est particulièrement important de créer une confiance auprès de vos équipes dans la technologie, où l'IA est au service toutes les parties prenantes vers un but commun. Vous n'avez pas besoin d'une usine entièrement connectée pour commencer à exploiter la puissance de l'IA : en connectant uniquement les points de données et les capteurs dont vous avez besoin pour résoudre vos problématiques, les coûts, la bande passante et la consommation du cloud peuvent être minimisés.
Mettez l'accent sur les cas où les solutions peuvent être transposées à de nombreux actifs : dans le secteur métallurgique, l'oxydation de l'acier concerne toutes les aciéries, par exemple. L'optimisation d'un fourneau afin de consommer moins d'énergie tout en maintenant la même qualité et le même rendement, pourrait également être adaptée à des fourneaux similaires dans le monde entier.
Combien de projets développer en parallèle ?
Il n’est pas aisé de répondre à cette question sans ambiguïté. Pour les entreprises qui démarrent dans l'IA et où la confiance dans la technologie et en ses avantages doit être construite à partir de zéro, il peut être approprié de commencer par des preuves de concepts explorant l'utilité pratique des solutions d'IA pour atteindre les objectifs de l'entreprise, afin de gagner la confiance et de prouver le ROI avant de lancer d’autres projets AI.
Si la taille, les capacités et l’expérience dans l'IA sont suffisantes au sein de l’entreprise, plusieurs problématiques métier peuvent être explorées dans des domaines qui ne se chevauchent pas. Dans l'industrie, vous pourriez ainsi explorer en parallèle des challenges de durabilité de la qualité, de performance et de maintenance.
Autre avantage à travailler avec des projets parallèles : le moral. Un résultat non concluant serait en effet moins pénalisant.
Plus l'entreprise est mature en termes de data science et d’IA, plus elle peut traiter les projets d'IA comme des projets typiques, en appliquant le suivi et la gestion traditionnels. Il faudrait avoir la confiance de vos fournisseurs, de la technologie et de vos équipes. Lorsque plusieurs projets d’IA à fort impact auront été menés à terme avec des résultats positifs, l'échec de certains projets d'IA doit être acceptable, dans une mentalité caractéristique de startup. Investissez dans de multiples projets avec une approche de R&D en IA similaire au capital-risque (VC) et pariez que certains d'entre eux donnent de bons résultats et génèrent un important retour sur investissement.
Les étapes d’un projet
Définir des objectifs clairs et mesurables, partagés par l'ensemble de l'entreprise, est également essentiel pour vous permettre d'évaluer si la recherche actuelle pourrait mener à des résultats positifs. Définir, quantifier et suivre l'évolution du bonheur est en effet plus difficile à mesurer que la réduction des accidents du travail.
Une mesure qui vous permet de déterminer précisément si vous avancez dans la bonne direction est cruciale dans la phase de recherche, lorsque vous cherchez à prouver ou réfuter des hypothèses de la manière la plus efficace. Si vous obtenez une précision de 65 % avec un modèle sur lequel vous avez investi beaucoup de temps et d'efforts de l’équipe, il peut être judicieux de poursuivre le développement d’un autre modèle qui a atteint une précision de 50 % en deux semaines.
Fondamentalement, l’IA est une science et un domaine de recherche, à base d’itérations. Et il est impossible de prédire avec certitude les résultats positifs. Avec 1 ou 2 personnes par projet, travaillant pendant 2 ou 3 mois avant d'évaluer les résultats, vous pouvez minimiser le risque d'un projet à un niveau acceptable. Avec des échéances, un budget prédéfini et une communication régulière des tâches sous forme de rapports express entre autres, vous vous donnez les moyens de savoir quand il est judicieux de modifier l’étendue de la recherche et d'affiner les hypothèses à mesure que la recherche avance.
Évaluer le ROI et la faisabilité avant de commencer
Certaines étapes spécifiques doivent rester séquentielles. Tel est le cas de l'étude de faisabilité. Au lieu d'avancer sur un projet pendant 12 semaines et de risquer d’avoir travaillé pour rien en cas d'échec, faites une étude de faisabilité de 2 semaines pour estimer les chances de succès du projet en 10 semaines, en fonction des prérequis, de la disponibilité des données et de leur qualité.
En pratique, définissez des objectifs, fixez des critères de réussite, estimez un retour sur investissement et croisez les connaissances de personnes de différentes expertises avec les données collectées. Vous générerez des hypothèses supplémentaires à tester en parallèle et serez en mesure de construire un plan - où itérer, et où investiguer plus en profondeur sur ce dont vous avez vraiment besoin pour résoudre vos challenges métier.
Construire soi-même des solutions d'IA ou externaliser ?
L'externalisation de la data science peut se révéler utile comme première étape si votre entreprise n'est pas assez mature, surtout si vous négociez le transfert de connaissances par le fournisseur. À long terme, pour obtenir un retour sur investissement maximal et une autonomie par rapport aux fournisseurs, développez une expertise approfondie de l'intelligence artificielle en interne. C'est pourquoi ce transfert de connaissances doit être large et pourrait inclure des modèles transparents qui peuvent être inspectés, des connaissances acquises, des descriptions de ce qui a été appris pendant le projet, les méthodes utilisées et pourquoi, etc.
Créez votre propre niche dans l'intelligence artificielle appliquée
En plus d'être en mesure de mener à bien des projets plus rapidement et en toute sécurité, il existe un intérêt profond et durable à collecter en interne vos connaissances en matière d'intelligence artificielle et en data science, accumulées pendant les projets, par le biais de votre propre acquisition de connaissances ou par le transfert de connaissances des fournisseurs. Dans les marchés de niche, il est avantageux et compétitif d'être expert dans votre domaine, y compris en innovation technologique. L'intelligence artificielle doit être adaptée à un ensemble spécifique de problèmes, et les connaissances que vous acquerrez en construisant cette intelligence artificielle constituent certainement un avantage concurrentiel et une compétence que vous serez en mesure d'offrir sous forme de services.
Sur la plateforme Wizata, le module Cases vous permet d'évaluer le retour sur investissement de vos initiatives d'IA et de solutions intelligentes, en combinant la gestion des priorités avec un outil d'estimation des pertes et gains spécifique aux problématiques de qualité, de maintenance et de performance.
Une plate-forme comme Wizata qui orchestre, centralise et gére toutes vos initiatives en matière d'intelligence artificielle, de data science, de connaissances et de digitalisation vous permet également de tirer parti de votre expertise accumulée et de faciliter les synergies au sein de votre équipe et dans le temps, ce qui peut être un facteur important dans des secteurs où il manque une main-d'œuvre qualifiée. Un tel outil au cœur de votre R&D sert également de catalyseur pour favoriser la collaboration, faciliter le transfert de connaissances et le partage des meilleures pratiques avec toutes les parties prenantes concernées.