IA générative et apprentissage automatique traditionnel : la clé du succès en matière d'analyse

Dans le dernier épisode du podcast Augmented Ops, nous avons reçu le Dr Lisa Graham, PDG de Seeq Corporation, une entreprise qui développe des outils logiciels destinés à l’analyse des processus industriels. Dans cet épisode intitulé «IA générative, démocratisation et avenir de l’analyse industrielle », le Dr Graham s’appuie sur sa vaste expérience pour partager son point de vue sur l’avenir des données et de l’analyse. Ayant débuté sa carrière en tant qu’ingénieure des procédés et utilisatrice de Seeq et d’autres outils de BI avant de rejoindre l’entreprise et d’accéder au poste de PDG, elle apporte un éclairage nuancé sur le rôle des données dans l’amélioration des processus, l’importance persistante de Apprentissage machine traditionnel et la valeur que l’IA générative promet d’apporter au domaine de l’analyse.

Ses analyses mettent en lumière les défis auxquels sont confrontées les entreprises industrielles, notamment la nécessité de transformer les énormes quantités de données brutes qu’elles collectent quotidiennement en informations exploitables permettant aux ingénieurs d’améliorer en permanence leurs processus.

Le Dr Graham a souligné l’importance des données dans la gestion des opérations de terrain, mettant l’accent sur leur rôle essentiel dans l’amélioration de l’efficacité opérationnelle et des processus. « Il est important de reconnaître que les données et l’analyse constituent un élément essentiel des opérations », affirme-t-elle, « je veux dire, de bout en bout, des opérations aux processus, en passant par les équipements et la surveillance. C’est ce qui fournit les informations clés permettant de mettre en œuvre ce dont tout le monde parle. » Comme elle l'explique, il est essentiel de tirer des enseignements exploitables des données afin de pouvoir améliorer efficacement la qualité des produits, réduire la consommation d'énergie et garantir la rentabilité.

Malgré l'abondance de données dans les secteurs d'activité, le Dr Graham a mis en évidence un défi récurrent : transformer cette mine de données brutes en informations utiles et exploitables. Elle a identifié un scénario qu'elle a qualifié de « DRIP » — un écueil courant pour de nombreuses entreprises, qui désigne le fait d'être « riches en données, mais pauvres en informations ». Cette situation, dans laquelle les entreprises possèdent une mine de données mais ne disposent pas des capacités nécessaires pour les exploiter efficacement, constitue un obstacle majeur au progrès opérationnel.

Le Dr Graham cite plusieurs exemples illustrant comment des fabricants ont transformé leurs opérations en tirant parti de leurs données. Elle évoque notamment le cas d’une entreprise qui, bien que disposant de milliers d’actifs, n’avait de visibilité que sur quelques centaines d’entre eux. Cela signifiait qu’elle était en mesure d’optimiser ce petit nombre d’actifs, mais qu’elle ne disposait pas des informations nécessaires pour optimiser le reste. En tirant parti d’un outil puissant tel que Seeq pour agréger leurs sources de données et mener 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’obtenir une meilleure visibilité et d’optimiser considérablement leurs processus.

Apprentissage machine ML) est l'un des outils les plus importants pour transformer les énormes quantités de données collectées en informations exploitables. Le Dr Graham souligne que « Apprentissage machine traditionnel continue de démontrer une valeur commerciale exceptionnelle, notamment dans le domaine des séries chronologiques et de l'analyse de données ».

En ce qui concerne le sujet très en vogue de l'IA générative, elle estime que l'avènement de cette technologie ne vise pas à remplacer l'apprentissage automatique traditionnel, mais à le compléter. L'IA générative a le potentiel de permettre la création d'outils d'analyse nettement plus intuitifs et conviviaux, capables de démocratiser davantage l'accès aux données pour divers rôles au sein de l'organisation. En prenant en compte des entrées en langage naturel et en générant les requêtes SQL et les visualisations nécessaires, par exemple, cette technologie émergente promet d'ouvrir le domaine de l'analyse avancée à des personnes qui ne sont ni des ingénieurs ni des data scientists de formation. Cela représente un pas de géant dans la démocratisation de ce qui était autrefois une compétence hautement spécialisée détenue par quelques-uns.

Le Dr Graham envisage un avenir dans lequel l'analyse avancée fera partie intégrante de la boîte à outils de chaque employé, quelle que soit sa formation technique. Alors que les secteurs d'activité continuent de générer une montagne de données toujours plus importante, le rôle de l'analyse dans la recherche de l'excellence opérationnelle devient de plus en plus déterminant, et les entreprises qui prospéreront seront celles qui sauront en tirer le meilleur parti. Elle estime que « dans les prochaines années, et en particulier au cours des 24 prochains mois, le rôle de l’analyse va continuer à devenir encore plus essentiel. Ainsi, lorsque l’on réfléchit à Apprentissage machine l’IA générative ou Apprentissage machine tout ce qui pourrait voir le jour, on en revient au rôle de l’analyse, car les décisions fondées sur les données continuent de générer des gains en matière de productivité et de durabilité. »

Bien qu’elle soit optimiste quant à cette technologie, le Dr Graham souligne également que les capacités de l’IA générative présentent un certain nombre de limites importantes dont les entreprises doivent tenir compte avant de l’intégrer à leurs processus. « Les organisations doivent prendre conscience de ses limites et des 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. Il ne s’agit pas là de préoccupations anodines, surtout à une époque où les données sont non seulement abondantes, mais peuvent également être sensibles et soumises à des normes réglementaires strictes.

Le Dr 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 entièrement de la qualité des données et des modèles sous-jacents sur lesquels ils s'appuient. Et bien qu’elle estime que cela réduira considérablement les obstacles à l’accès à l’analyse de données, elle souligne que « malgré ce que l’on entend couramment, l’IA générative nécessite une supervision humaine pour fonctionner efficacement ; elle ne remplace pas les experts du domaine, mais vient plutôt compléter leur expertise ».

« L'IA générale n'est pas une solution miracle », affirme-t-elle, en soulignant que la véritable valeur de cette technologie réside dans son intégration au sein d'une boîte à outils plus large destinée à résoudre des problèmes opérationnels. À mesure que ces outils continueront à s'intégrer dans un nombre croissant de produits, les fabricants devront réfléchir attentivement à la manière dont ils intègrent cette technologie dans leurs processus.