Le machine learning dans l’industrie, la nouvelle révolution !
Le machine learning aujourd’hui
Présentation des algorithmes de machine learning
Les algorithmes de machine learning ont pris une place prépondérante dans la détermination de la stratégie et la gestion des entreprises qui en ont compris l’intérêt. Certains industriels ont saisi l’opportunité qu’offrent ces algorithmes prédictifs pour asseoir leur avance sur le marché.
Le machine learning ou apprentissage statistique :
- désigne un ensemble d’algorithmes d’apprentissage, supervisé ou non et/ou par renforcement, obtenu à partir de données historiques, permettant la résolution d’un problème,
- permet d’interpréter des données sans programmation explicite ou déterministe,
- permet de piloter sa stratégie et de prendre des décisions opérationnelles.
Les 3 types d’apprentissage du machine learning : supervisé ou non et par renforcement
Cas habituels d’application du machine learning
Les cas d’application du machine learning se sont multipliés dans de nombreux secteurs, notamment :
- l’e-commerce (comportement des clients, tendance de vente, ciblage, recommandation de films, voyages, etc),
- l’énergie (détection de pannes, d’anomalies, etc),
- la banque et les assurances (tarification, mesure du risque crédit, rachat, fraude, cross selling),
- la santé (prévention des maladies et amélioration des traitements),
- le bâtiment (réduction des dépenses inutiles, automatisation du fonctionnement du bâtiment, utilisation de matériaux plus légers),
- les télécoms (filtrage anti-spam, ciblage client, churn, etc),
- la défense (reconnaissance faciale, biométrie, détection de zones d’agression, etc),
- les transports (maintenance prédictive).
Au cours des dernières années, c’est l’accroissement de la quantité et de la variété de données disponibles ainsi que que la capacité des machines à traiter les données qui ont conféré au machine learning tout son intérêt.
Importance des data scientist pour le machine learning
L’approche analytique de la démarche utilisée par les data scientist pour sélectionner les données et les exploiter est fondamentale. Ils doivent comprendre et travailler en étroite collaboration avec le métier.
Toutes les entreprises vont à plus ou moins court terme, s’appuyer sur le machine learning. La différence se fera sur la capacité des équipes de data scientist à :
- comprendre le métier,
- repérer les bons problèmes à résoudre,
- avoir des compétences analytiques et méthodologiques avancées.
Le deep learning ou apprentissage profond, une opportunité pour les industriels
Cette approche du machine learning permet, entre autres, de comprendre le langage parlé ou de reconnaître le contenu d’une image.
Dans l’industrie, le logiciel d’images est alimenté de pièces conformes ou non conformes référencées comme telles. Ensuite les algorithmes vont détecter les pièces ou produits présentant des anomalies. Le deep learning permet de repérer tous les défauts de fabrication bien avant la commercialisation.
L’article du Monde du 24 juillet 2015 montrait comment le deep learning a révolutionné l’intelligence artificielle.
Les cas d’application du machine learning dans l’industrie
Les systèmes de production modernes incorporent peu à peu les algorithmes prédictifs du machine learning dans toutes les étapes du processus de fabrication.
Les cas d’application industrielle les plus courants du machine learning sont la maintenance prédictive, la détection d’anomalie, la gestion des stocks et l’optimisation de la consommation d’électricité dans les ateliers de production.
Les algorithmes prédictifs permettent d’éviter les pannes grâce à la maintenance prédictive et d’optimiser le fonctionnement des machines (centrale d’air, robot, etc.)
Prédire et éviter les pannes grâce à la maintenance prédictive
Les algorithmes prédictifs permettent :
- de prédire les pannes de différents types de matériel,
- d’anticiper la maintenance des machines et donc de la planifier à l’avance.
Cette maintenance prédictive industrielle est réalisée grâce à la pertinence des données collectées (capteurs, caractéristiques des matériaux, production, météo etc.)
L’utilisation du machine learning vous permet :
|
Détecter les défauts industriels et assurer un contrôle qualité en temps réel
Le machine learning permet de détecter les défauts de fabrication et d’assurer un contrôle de qualité pendant chaque étape du processus de fabrication.
Le contrôle de qualité se fait de manière automatique, tout en assurant un haut niveau de fiabilité.
Les algorithmes et le deep learning sont capables :
- de détecter très tôt dans le processus de fabrication les défauts industriels,
- d’écarter aussitôt les pièces ou produits défectueux,
- de réduire ainsi le gaspillage industriel.
Résultats :
|
Anticiper commandes et contraintes de votre chaîne d’approvisionnement
Le machine learning est la solution contre les ruptures de stock. Il permet d'optimiser les plans de réapprovisionnement des usines, entrepôts et chaînes de magasins.
De manière concrète, les algorithmes prédictifs vont :
|
La chaîne d’approvisionnement est ainsi automatisée avec un niveau de précision satisfaisant. Cette automatisation permet aux responsables de se focaliser sur les axes à plus forte valeur ajoutée tels que la planification stratégique des stocks et la gestion des exceptions.
Optimiser votre consommation d’énergie
Le machine learning permet d’optimiser la consommation d’énergie en adaptant les réglages des centrales d’air ou autres machines en fonction des facteurs internes et externes de l’atelier ou de l’usine. Avec des préconisations de réglage adéquat (changement de matériaux, réglages de vannes) vous optimisez votre consommation d’énergie et donc vos coûts.
Ces cas d’application permettent d’optimiser les processus de fabrication, parfois complexes, en temps réel en minimisant la consommation d’énergie.
Utiliser des robots auto-apprenants pour gagner en productivité
Désormais, une nouvelle génération de robots dits « auto-apprenants » arrive à exécuter des tâches compliquées intégrant la reconnaissance d’objets différents et la réalisation de tâches complexes.
- Dans la finance, pour remplacer certains salariés,
- En médecine, pour prolonger le geste du chirurgien en le rendant plus précis
- Dans la logistique, pour reconnaitre des objets différents et les ranger dans les rayons pour les livrer.
Ces nouvelles technologies intéressent particulièrement les géants du e-commerce mais posent de nombreux problèmes éthiques et sociaux.
Le machine learning, la nouvelle révolution numérique des industries
Le passage de la prédiction à la prescription
En conclusion, l’utilisation des algorithmes du machine learning permet aux entreprises industrielles :
- De maîtriser les risques en les anticipant,
- De réduire les coûts opérationnels en automatisant les prises de décision,
- D’augmenter les profits par la simplification et l’optimisation des processus.
- De répondre avec précision à des cas d’applications de plus en plus complexes,
- De fabriquer de meilleurs produits, plus légers et moins gourmands en matériaux,
- D’en tirer un avantage concurrentiel.
C'est ainsi qu'un article des Échos du 08/06/2017 faisant référence à l’utilisation du Big data pour passer du prédictif au prescriptif, parle d’une nouvelle ère pour les entreprises.
L’avènement de la révolution numérique des industries
L’exploitation de ces masses de données de nature et de source diverses par le machine learning participe à la transformation numérique des entreprises industrielles.
On peut même parler de révolution numérique tant l’utilisation d’algorithmes d’apprentissage automatique permet aux machines :
Le cabinet McKinsey, dans son rapport de décembre 2016, The age of analytics: Competing in a data-driven world, prédit que le machine learning va bouleverser de nombreux domaines d’activité dont l’industrie, l’automobile et l’énergie. |
Certains freins, dans le passé, ont pu empêcher la diffusion plus rapide du machine learning :
- Une mécompréhension des enjeux métiers par certains data scientist,
- Une certaine peur des industriels, de l’utilisation d’algorithmes de type « boite noire » dont l’exécution indéterministe empêche la traçabilité des raisonnements et des résultats.
Dans les faits, le choix des algorithmes plus lisibles et interprétables par les experts métiers permet d’éviter cet effet boite noire.
Aujourd’hui, les capacités techniques des machines et les possibilités d’investissement ne freinent plus l’extension rapide du machine learning dans l’industrie. Seul le manque de data scientist reste un problème.
Le machine learning dans l’industrie, l’apport du Groupe HLi
Le Groupe HLi dispose d’une solide expérience notamment dans la modélisation prédictive et accompagne ses clients dans leur processus de transformation numérique.
Le machine learning se situe, d’ailleurs, au cœur des travaux d’HLi Lab, laboratoire de recherche du Groupe HLi. Ce dernier développe depuis plusieurs années des algorithmes puissants pour comprendre, prédire et améliorer les comportements des individus, des machines et des processus.
Ses data scientist expérimentés aident les clients à développer des modèles d’analyse prédictive adaptés à leurs besoins métier.
Lors du forum TERATEC 2017, Adeline LOISON, Directrice Générale Déléguée Analytique et Alassane CISSE, Directeur Général Délégué IT du Groupe HLi ont présenté leurs travaux sur le thème :
Le machine learning dans l’industrie : de la prédiction à la prescription.
Adeline LOISON | Alassane CISSE
