Auteur: Karl D’haveloose
La mise en œuvre de l'IA dans le secteur manufacturier est prometteuse, mais le chemin qui mène à la réussite est souvent semé d'embûches. Malgré tout le battage qui est fait autour de l'IA, nombreux sont les projets d'IA qui ne parviennent pas à concrétiser leur potentiel. Bien que nous affirmions (notamment lors d'événements tels que ABISS, INE ou Indumation.be, que ce soit par le biais des équipements qui y sont exposés ou des conférences qui y sont organisées) que l'IA rend nos usines plus intelligentes, plus agiles et plus résilientes, tout ne se passe pas toujours comme on le voudrait. Mais les causes de cette situation sont si logiques que la plupart des dirigeants d'entreprises manufacturières font l'erreur de ne même pas s'y intéresser. Nous allons donc les répertorier pour que vous puissiez en tenir compte dans le cadre des projets que vous entreprendrez en 2025.
1. Accès aux données et problèmes de qualité : L'accès aux données utiles est essentiel à une intégration réussie de l'IA dans le secteur manufacturier. Cela signifie non seulement qu'il faut disposer de suffisamment de données, mais aussi que ces dernières doivent être pertinentes, refléter les conditions du monde réel, permettre de saisir les événements rares et être étiquetées de manière appropriée. Les projets échouent souvent parce qu'ils sont basés sur des données limitées et idéalisées qui ne reflètent pas la complexité et les variations de l'environnement réel de l'usine.
2. Manque d'évolutivité globale : les modèles d'IA qui sont trop spécialisés et ne peuvent pas être facilement exploités pour différentes machines, variations de produits ou configurations d'usine posent de sérieux problèmes en termes d'évolutivité et de retour sur investissement. Au cours de la table ronde 'AI-Driven Process Optimization: Achieving Faster Turnarounds and Higher Margins' qui a eu lieu lors de la journée 'IIoT World Sustainability and Artificial Intelligence Day', les différents intervenants ont souligné la nécessité de concevoir des modèles évolutifs et pouvant être utilisés facilement dans différents scénarios afin d'éviter des projets d'intégration coûteux et d'assurer une plus grande applicabilité.
3. Ignorer le facteur humain : On a trop tendance à se concentrer sur l'IA pour automatiser des tâches traditionnellement effectuées par des machines (comme la maintenance prédictive à l'aide de données collectées par l'IdO), tout en négligeant le potentiel de l'IA pour optimiser les tâches axées sur l'homme. Cette omission peut conduire à des attentes irréalistes quant à la capacité de l'IA à remplacer complètement les travailleurs humains, qui jouent toujours un rôle essentiel dans la plupart des processus de fabrication.
4. Manque de clarté dans les objectifs commerciaux et dans le RSI : De nombreux projets d'IA échouent parce que les objectifs commerciaux, les critères de réussite et la façon d'atteindre un RSI positif ne sont pas clairement définis. Les entreprises doivent partir d'un problème ou d'une inefficacité spécifique et déterminer comment l'IA peut y remédier de manière directement mesurable.
5. Processus d'approvisionnement internes et écueils au niveau des preuves de concept : Même les preuves de concept (en anglais : proof of concept ou POC) d'IA couronnées de succès sur le plan technique ne parviennent souvent pas à passer au stade de la production en raison d'obstacles liés à l'organisation interne. Il peut s'agir d'un manque de compétences dans les processus d'approvisionnement internes, d'attentes divergentes entre les équipes techniques et les équipes dirigeantes, de contraintes budgétaires, ou encore de difficultés à passer d'un modèle CAPEX à un modèle OPEX.
Bien que l'IA ait un véritable potentiel de transformation pour le secteur manufacturier, sa mise en œuvre se heurte à de nombreux obstacles. De l'accès aux données et des problèmes de qualité au manque d'évolutivité et à la négligence des tâches centrées sur l'homme, ces obstacles peuvent faire capoter les projets s'ils ne sont pas pris en compte à un stade précoce. Des objectifs commerciaux clairs, un RSI mesurable et une bonne compréhension des processus d'approvisionnement internes sont essentiels pour surmonter les obstacles qui entraînent l'échec de nombreuses initiatives en matière d'IA. En se concentrant sur ces facteurs, les fabricants seront en mesure d'exploiter pleinement le potentiel de l'IA et d'apporter des améliorations significatives à leurs opérations.
Nous vous souhaitons une bonne et heureuse fin d'année et serons de retour pour vous en 2025 avec 3 événements, de nombreux Cours d'Experts ainsi que 10 lettres d'information mensuelles Industrialnews Monthly. N'oubliez bien sûr pas de nous suivre en ligne via nos lettres d'information, lors de nos événements et sur LinkedIn.
