L'adoption de l'IA dans les opérations : valeur ajoutée, Applications, coûts et perspectives d'avenir

L'intelligence artificielle occupe le devant de la scène dans les débats sur l'avenir de l'industrie, mais la transformation des projets pilotes en déploiements opérationnels concrets prend du temps. Les données indiquant que jusqu'à 95 % des projets pilotes d'IA ne parviennent jamais au stade de la mise en production montrent clairement que la plupart des entreprises n'en sont encore qu'aux prémices de leur transition vers l'IA.

Lors de l’événement Operations Calling, Natan Linder, cofondateur et PDG de Tulip, Tom Bianculi, directeur technique chez Zebra , et Alexandra François-Saint-Cyr, responsable du développement commercial pour le secteur industriel chez AWS, ont discuté de la manière dont l’adoption de l’IA se concrétise réellement dans les environnements opérationnels. Alors que l’expérimentation s’accélère, les organisations qui obtiennent des résultats se concentrent sur des applications concrètes en intégrant l’IA dans les flux de travail, en capitalisant sur les connaissances opérationnelles et en améliorant la prise de décision sur le terrain.

Dans cet article, nous examinons les domaines dans lesquels l'IA apporte déjà une valeur ajoutée aux opérations, la manière dont les équipes l'adoptent sur le terrain dans le secteur manufacturier, ainsi que ce à quoi pourrait ressembler la prochaine étape de l'IA opérationnelle.

À mesure que les organisations commencent à explorer l'IA dans des environnements opérationnels, deux concepts reviennent souvent de pair : l'informatique en périphérie et les opérations intelligentes.

L'informatique en périphérie désigne le traitement des données à proximité de leur lieu de génération, par exemple sur des machines, des caméras, des capteurs ou des équipements industriels dans l'atelier. Au lieu d'envoyer toutes les données opérationnelles vers des systèmes centralisés, l'infrastructure en périphérie permet d'effectuer certaines analyses et de générer des réponses au niveau local, ce qui réduit la latence et permet des réactions plus rapides pendant la production.

Par ailleurs, les plateformes cloud offrent l'évolutivité nécessaire aux analyses avancées, Apprentissage machine et au stockage de données à long terme. Lorsque les systèmes en périphérie et les systèmes cloud fonctionnent de concert, les entreprises peuvent associer des données opérationnelles en temps réel à des analyses à grande échelle.

Cette combinaison permet ce que de nombreuses organisations qualifient d’« opérations intelligentes », un modèle opérationnel dans lequel les données provenant des machines, des systèmes et des employés de première ligne sont en permanence collectées, mises en contexte et utilisées pour améliorer les décisions opérationnelles.

De nombreuses entreprises mènent des expériences dans le domaine de l'IA, mais il reste difficile de transformer ces expériences en systèmes exploitables au quotidien. Les environnements opérationnels sont complexes, et plusieurs facteurs peuvent ralentir la mise en œuvre.

des données opérationnelles isolées Les données opérationnelles sont souvent dispersées entre les machines, les systèmes hérités, les tableurs et la documentation. Lorsque ces informations ne sont pas reliées entre elles, les outils d'IA ont du mal à se faire une idée complète de ce qui se passe sur le terrain.

Perte de savoir-faire opérationnel
À mesure que les employés expérimentés partent à la retraite, les organisations risquent de perdre un savoir précieux qui réside uniquement dans l'expérience des personnes plutôt que dans des systèmes structurés ou de la documentation.

Préoccupations en matière de sécurité, de conformité et de fiabilité
Dans les environnements industriels, les nouvelles technologies doivent répondre à des exigences strictes en matière de sécurité, de gouvernance et de conformité réglementaire. Cela peut inciter les organisations à faire preuve de prudence lorsqu'il s'agit d'intégrer l'IA dans leurs systèmes de production.

Hésitations au sein de l'organisation
Les dirigeants et les employés peuvent également s'interroger sur l'impact de l'IA sur les emplois et les processus de travail. En l'absence d'orientations claires et de confiance dans cette technologie, son adoption peut s'avérer lente.

Les domaines dans lesquels l'IA apporte une valeur ajoutée

Les organisations qui parviennent à mettre en œuvre l'IA avec succès ont tendance à commencer par des cas d'utilisation opérationnels spécifiques plutôt que par de vastes initiatives de transformation. Au lieu de viser d'emblée un changement radical, elles se concentrent sur des problèmes à fort impact et bien ciblés, pour lesquels l'IA peut produire des résultats mesurables. Cette approche pragmatique réduit les risques, accélère la rentabilisation et jette les bases d'une transformation plus large à long terme.

Connaissances du personnel et dépannage

De nombreux secteurs sont confrontés à une pénurie de main-d'œuvre à mesure que les opérateurs expérimentés partent à la retraite. Les outils d'IA peuvent aider à recueillir les connaissances opérationnelles des travailleurs expérimentés et à les mettre à la disposition des nouveaux employés.

Par exemple, les entreprises ont recours à des assistants basés sur l'IA pour rendre consultables la documentation relative au dépannage et les informations opérationnelles, ce qui permet aux opérateurs d'accéder rapidement aux informations pertinentes pendant la production. De plus en plus, elles utilisent également l'IA pour transformer les procédures opérationnelles standard (SOP) et les consignes de travail existantes en flux de travail structurés et interactifs, intégrant ainsi ces connaissances directement dans les opérations quotidiennes afin que les nouveaux employés puissent apprendre en situation plutôt que de se fier uniquement à une documentation statique.

Recherche d'entreprise et extraction de connaissances

De nombreuses organisations disposent déjà d'importants volumes de données opérationnelles collectées avant l'avènement des systèmes d'IA.

Les systèmes de recherche basés sur l'IA permettent d'exploiter ces données en facilitant la recherche d'entreprise dans la documentation, les données historiques et les registres opérationnels. Au lieu de générer des réponses à partir de zéro, les copilotes IA extraient les connaissances opérationnelles pertinentes et les mettent en avant au moment où elles sont nécessaires.

Vision industrielle et automatisation des processus

L'IA est également utilisée dans des domaines tels que :

• vision industrielle pour le contrôle qualité

• automatisation des tâches répétitives

• validation en temps réel des processus opérationnels

• une meilleure visibilité sur les stocks et les actifs

Ces cas d'utilisation intègrent l'IA directement dans les flux de travail opérationnels plutôt que de la considérer comme une fonctionnalité analytique distincte.

La mise en œuvre réussie de l'IA dans les opérations repose généralement sur plusieurs principes concrets.

« Il faut avant tout comprendre le problème que l’on cherche à résoudre avant de se pencher sur la technologie. » — Alexandra François-Saint-Cyr, responsable du développement commercial, secteur industriel, AWS

Commencez par un cas d'utilisation

Les organisations qui réussissent commencent souvent par un seul cas d'utilisation opérationnel cas d'utilisation étendent leur approche à partir de là. Démontrer la valeur ajoutée dans un flux de travail permet de renforcer la confiance et donne aux équipes les moyens de déployer l'IA à l'échelle dans d'autres processus.

Élaborer des solutions en collaboration avec les travailleurs de première ligne

Les outils d'IA sont plus efficaces lorsqu'ils sont développés en collaboration avec les personnes qui les utiliseront. Concevoir des systèmes en s'appuyant sur les processus de travail existants améliore la convivialité, renforce la confiance et favorise l'adoption.

Choisissez les bons partenaires technologiques

L'IA opérationnelle nécessite souvent une expertise couvrant à la fois l'infrastructure, les systèmes industriels et les plateformes de données, ce qui fait du choix des partenaires un facteur essentiel de réussite. Plutôt que d'essayer de développer en interne des compétences dans tous ces domaines, de nombreuses organisations constatent que le fait de collaborer avec des partenaires qui apportent à la fois une expertise technique approfondie et une expérience spécifique au domaine peut réduire considérablement les risques et accélérer les progrès. Dans la pratique, cela signifie souvent privilégier les partenaires qui ont déjà relevé des défis opérationnels similaires et qui peuvent mettre cette expérience directement au service de nouveaux cas d'utilisation

« En choisissant des partenaires qui maîtrisent ce cas d'utilisation spécifique cas d'utilisation leur domaine, vous avez deux fois plus de chances de réussir que si vous essayez de tout mettre en place vous-même. » — Tom Bianculi, directeur technique, Zebra

Le leadership favorise une culture d'adoption

Le comportement des dirigeants joue également un rôle dans l'adoption de ces technologies. Lorsque les dirigeants utilisent activement les outils d'IA et encouragent l'expérimentation, cela montre clairement que ces technologies font partie intégrante du futur modèle opérationnel de l'organisation.

« Si vous êtes un dirigeant et que vous vous trouvez dans cette salle, vous souhaitez que votre entreprise utilise l’IA. Si vous ne le faites pas vous-même, personne ne vous suivra. Point final. » — Natan Linder, cofondateur et PDG de Tulip

L'adoption de l'IA soulève également d'importantes questions concernant les coûts et les infrastructures.

Les organisations doivent surveiller des facteurs tels que l'utilisation des ressources informatiques, la consommation de jetons et le choix des modèles. En l'absence de gouvernance, l'utilisation de l'IA peut croître rapidement et s'avérer coûteuse.

De nombreuses entreprises relèvent ce défi en adoptant des architectures hybrides, qui associent l'informatique en périphérie à une infrastructure cloud. Le traitement des données au niveau local, tout en tirant parti des systèmes cloud pour les analyses à grande échelle, permet de trouver un juste équilibre entre performances et coûts.

À mesure que l'adoption de l'IA se généralise, l'infrastructure qui soutient ces technologies se développe également.

Les modèles d'IA à grande échelle nécessitent d'importantes ressources informatiques, et les centres de données modernes consomment d'énormes quantités d'électricité et d'eau pour leur refroidissement et leur fonctionnement. Les progrès réalisés dans la conception du matériel et des infrastructures contribuent à améliorer l'efficacité, mais ces aspects s'inscrivent désormais dans le débat plus large sur le déploiement de l'IA.

L'une des évolutions les plus prometteuses dans le domaine de l'IA opérationnelle est l'émergence de modèles spécifiques à un domaine.

« Cette idée de modèles de langage de grande envergure (LLM) spécifiques à un domaine… c'est la prochaine grande avancée, car les modèles fondamentaux du monde ne sauront pas vraiment ce qui constitue une bonne solution dans ce type d'environnements opérationnels » — Tom Bianculi, directeur technique, Zebra

Les systèmes d'IA à usage général, formés à partir de données à l'échelle d'Internet, ne comprennent peut-être pas pleinement les environnements industriels complexes. Les modèles spécialisés, formés à partir de données opérationnelles et de flux de travail industriels, peuvent acquérir une compréhension plus approfondie du fonctionnement de ces systèmes.

Les entreprises explorent également des techniques telles que la génération de données synthétiques afin d'améliorer l'entraînement des modèles lorsque les ensembles de données réels sont limités.

À terme, ces avancées pourraient permettre la mise en place de systèmes d'IA capables de comprendre le contexte opérationnel et de faciliter une prise de décision plus intelligente dans les environnements de production.

Tulip les entreprises Tulip mettre en œuvre l'IA en reliant les données de production, les flux de travail et les systèmes d'entreprise au sein d'un environnement opérationnel unifié. En collectant des données contextuelles provenant des machines, des appareils et des collaborateurs de première ligne, Tulip les bases nécessaires au développement d'applications basées sur l'IA qui facilitent la prise de décisions opérationnelles concrètes.

Grâce à cette couche contextuelle, les équipes peuvent intégrer des fonctionnalités d'IA telles que les copilotes, les analyses et les automatisations directement dans les flux de travail opérationnels, tout en préservant la gouvernance et le contrôle humain. Plutôt que de mener des expériences isolées, les organisations peuvent développer des solutions qui s'intègrent aux processus existants et s'adaptent à l'échelle des environnements de production.

Cette approche aide les organisations à dépasser le stade des projets pilotes d'IA et à commencer à mettre en œuvre l'IA là où elle est la plus utile : dans les tâches opérationnelles quotidiennes.