Les effets de l’IA et de la Data Science dans les organisations

L’IA est désormais partout : au domicile, agents conversationnels intelligents, en ville et surtout dans tous les processus de l'entreprise.

Données informatiques illustrant l'Intelligence Artificielle et la Data Science

"L’IA est un ensemble de méthodologies particulièrement adaptées au monde de l’industrie. Investir dans l’IA permet d’enrichir les compétences internes et de générer un avantage compétitif fort."

L’IA va surveiller, prédire, et optimiser des KPIs prédéfinis et proposer des solutions en temps réel. La complexité liée à un grand nombre de paramètres est facilement gérable par un modèle de machine learning. En revanche, l’homme garde nécessairement sa valeur ajoutée pour interpréter le contexte et les exceptions, et ainsi prendre les bonnes décisions avec l’aide de la machine.

Un projet d’IA consiste donc à bien poser le sujet et les KPIs que l’on souhaite optimiser et à anticiper l’interaction de ces méthodologies dans le processus global ainsi qu’avec les hommes qui l’animent.

  • 30% des données de production ne sont pas utilisées
  • 99% des données d'entreprise ne sont pas utilisées
  • 40 zettabytes de données dans le monde d'ici 2020

Quels sont les effets de l’Intelligence Artificielle dans les organisations ?

Dans les organisations, l’Intelligence Artificielle va d’abord chercher à améliorer l’efficacité opérationnelle. Concrètement, les approches IA les plus efficaces s’appuient sur l’analyse de KPIs liés aux processus étudiés, et cherchent à les prédire et les optimiser sur la base d’un grand nombre de paramètres. Les produits, services, processus et les gestions de cycle de vie peuvent progressivement s’automatiser sous le contrôle d’opérateurs humains. L’entreprise elle-même se transforme alors, en s’appuyant désormais sur des fonctionnalités prédictives et prescriptives, en capitalisant sur les événements passés. Des robots, des cobots, le traitement du langage naturel et d’images, mais aussi des RPA – robotic process automation – font partie des méthodes maîtrisées et déployées.

Comment engager une démarche IA ?

Il est essentiel de commencer par une vision métier et business du problème sur lequel on travaille. Quels sont les KPIs ? Quels sont les paramètres qui peuvent influencer ces KPIs ? Quels types de résultats seraient utiles ?

La phase de « Data Science » proprement dite consiste à récupérer les données, les nettoyer si besoin, et les injecter dans différents modèles pour trouver les meilleures performances.

Enfin, la dernière phase est critique : il s’agit de l’insertion du modèle dans le processus industriel, en prenant en compte la plus-value de l’encadrement humain, les performances et la fiabilité des algorithmes.

4 approches

L’IA est particulièrement adaptée aux sujets industriels.

  1. Contrôle des composants en usine : Aide à la décision sur la qualification de composants sur une chaîne de fabrication. Analyse d’image et de paramètre pour diagnostic.
  2. Optimisation de la Supply Chain : Prédiction de besoins de stocks pour un lancement de produit, définition au plus juste du stock de sécurité, optimisation des entrepôts.
  3. Optimisation de la performance d’une chaîne de fabrication : Recherche des paramètres optimaux pour une chaîne de fabrication. Anticipation de problèmes et de dérives.
  4. Optimisation de tests : Aide au diagnostic de pannes, revue et prédiction de séquences de tests, prédiction de résultats de tests.

Article "IA & Data Science" publié initialement sur le site de Mews Partners, partenaire de Dauphine Executive Education sur des programmes de formation continue en supply chain.