L'IA générative et la ML traditionnelle : une recette pour le succès de l'analyse

Dans le dernier épisode du podcast Augmented Ops, nous nous sommes entretenus avec Lisa Graham, PDG de Seeq Corporation, qui développe des outils logiciels pour l'analyse des processus industriels. Dans cet épisode, intitulé"Gen AI, Democratization, and the Future of Industrial Analytics", Mme Graham s'appuie sur sa vaste expérience et partage son point de vue sur l'avenir des données et de l'analyse. Ayant commencé sa carrière en tant qu'ingénieur des procédés et utilisateur final de Seeq et d'autres outils de BI avant de rejoindre l'entreprise et d'en devenir le PDG, elle donne un aperçu nuancé du rôle des données dans l'amélioration des procédés, de l'importance continue des outils traditionnels Apprentissage machine, et de la valeur que l'IA générative promet d'apporter au domaine de l'analytique.

Ses réflexions révèlent les défis auxquels sont confrontées les entreprises industrielles, en particulier la nécessité de transformer les énormes quantités de données brutes qu'elles collectent quotidiennement en informations exploitables qui permettent aux ingénieurs d'améliorer continuellement leurs processus.

Mme Graham a souligné l'importance des données dans la conduite des opérations de première ligne, en insistant sur le rôle clé qu'elles jouent dans l'efficacité opérationnelle et l'amélioration des processus. "Il est important que nous reconnaissions que les données et l'analyse sont une partie essentielle des opérations", déclare-t-elle, "je veux dire, des opérations au processus, à l'équipement, à la surveillance. C'est ce qui permet d'obtenir l'intelligence clé pour conduire ce dont tout le monde parle". Comme elle l'explique, il est essentiel d'extraire des données des informations exploitables afin d'améliorer efficacement la qualité des produits, de réduire la consommation d'énergie et d'assurer la rentabilité.

Malgré l'abondance des données dans les industries, Mme Graham a mis en évidence un défi commun : transformer cette richesse de données brutes en informations utiles et exploitables. Elle a identifié un scénario qu'elle a appelé "DRIP" - un piège commun à de nombreuses entreprises qui se réfère à la richesse des données, mais à la pauvreté de l'information. Cette situation, dans laquelle les entreprises possèdent une multitude de données mais n'ont pas la capacité de les utiliser efficacement, constitue un obstacle important à l'avancement opérationnel.

Mme Graham donne un certain nombre d'exemples de la manière dont les fabricants ont transformé leurs opérations en tirant parti de leurs données. Dans un cas, elle décrit une entreprise possédant des milliers d'actifs, mais n'ayant une visibilité que sur quelques centaines d'entre eux. Cela signifie qu'ils ont pu optimiser cette poignée d'actifs, mais qu'ils n'ont pas eu les informations nécessaires pour optimiser le reste. En tirant parti d'un outil puissant comme Seeq pour regrouper leurs sources de données et effectuer des analyses, ils ont pu passer à une surveillance basée sur les exceptions pour l'ensemble de leurs actifs, ce qui leur a permis d'avoir une meilleure vision et de procéder à des optimisations significatives de leurs processus.

L'un des outils les plus importants pour transformer les vastes quantités de données collectées en informations précieuses est Apprentissage machine (ML). M. Graham note que "la méthode traditionnelle Apprentissage machine [continue] de démontrer une valeur commerciale étonnante, y compris dans les séries chronologiques et l'analyse".

En ce qui concerne le sujet tant évoqué de l'IA générative, elle affirme que l'avènement de l'IA générative ne vise pas à remplacer la ML traditionnelle, mais à la compléter. L'IA générative a le potentiel de créer des outils d'analyse beaucoup plus intuitifs et conviviaux qui peuvent démocratiser davantage l'accès aux données à travers les différents rôles organisationnels. En prenant des données en langage naturel et en générant les requêtes SQL et les visualisations nécessaires, par exemple, cette technologie émergente promet d'ouvrir le champ de l'analyse avancée à des personnes qui n'ont pas une formation d'ingénieur ou de data scientist. Il s'agit là d'une avancée considérable dans la démocratisation de ce qui était autrefois une compétence hautement spécialisée détenue par un petit nombre.

M. Graham envisage un avenir dans lequel l'analyse avancée fera partie intégrante de la boîte à outils de chaque travailleur, quelle que soit sa formation technique. Alors que les industries continuent de générer une montagne de données de plus en plus importante, le rôle de l'analyse dans la promotion de l'excellence opérationnelle devient de plus en plus prononcé, et les entreprises qui prospéreront seront celles qui seront capables d'en tirer le meilleur parti. Elle pense que "dans les prochaines années, et surtout dans les 24 prochains mois, le rôle de l'analyse va continuer à devenir encore plus essentiel. Ainsi, lorsque nous pensons à Apprentissage machine , à l'IA générative ou à tout ce qui pourrait arriver, nous en revenons au rôle de l'analyse, car les décisions fondées sur les données continuent de générer des gains de productivité et de durabilité."

Bien qu'elle soit optimiste à l'égard de cette technologie, Mme Graham souligne également que les capacités de l'IA générative présentent un certain nombre de limites importantes qui doivent être prises en compte avant que les entreprises ne l'intègrent dans leurs processus. "Les organisations doivent reconnaître ses limites et les risques qui y sont associés, notamment les défis liés aux données, le manque de transparence et les préoccupations en matière de confidentialité des données", explique-t-elle. Ces préoccupations ne sont pas négligeables, surtout à une époque où les données sont non seulement abondantes, mais peuvent aussi être sensibles et soumises à des normes réglementaires strictes.

Mme Graham insiste en outre sur le fait que "les résultats de l'IA générative doivent être validés", expliquant que la qualité des résultats de l'IA générative dépend des données et des modèles sous-jacents sur lesquels ils sont basés. Et bien qu'elle pense que l'IA générative abaissera considérablement la barrière à l'entrée en matière d'analyse, elle souligne que "malgré le discours populaire, l'IA générative nécessite une supervision humaine pour fonctionner efficacement ; elle ne remplace pas le besoin d'experts dans le domaine, mais complète plutôt leur expertise".

"L'IA générique n'est pas magique", affirme-t-elle, faisant valoir que la véritable valeur de la technologie réside dans son intégration dans une boîte à outils plus large permettant de résoudre les problèmes opérationnels. Alors que ces outils continuent de faire leur chemin dans de plus en plus de produits, les fabricants devront réfléchir attentivement à la manière dont ils intègrent cette technologie dans leurs processus.