Opportunités des nouvelles technologies d'aide à la décision

Nous allons surtout traiter des aspects "Analyser les opportunités des nouvelles technologies d'aide à la décision. Évaluer les technologies de l'information. Développer la créativité en technologies de l'information." C'est beaucoup plus intéressant d'explorer les opportunités plutôt que d'étudier la gestion de systèmes existants. Surtout dans le contexte actuel de la "révolution industrielle 4.0":

Exemples:

Quels sont les défis (bottleneck) vers l'usine intelligente?

Un défis à court terme pour la majorité des entreprises est l'intelligence artificielle. En effet, les entreprises ont accumulé une grande quantité de données et ne savent pas comment les exploiter efficacement. C'est-à-dire, non seulement les exploiter comme élément d'information, mais en tant que connaissance et sagesse.

Cas d'étude

Cas no 1 - Domotique

Pour mieux comprendre la nature du défis, nous allons considérer le cas de la domotique. Supposons que vous voulez rendre votre maison "intelligente". Contrairement aux révolutions précédentes, il ne suffit pas de remplacer indépendamment quelques équipements. En effet, acheter des interrupteurs intelligents, des prises intelligentes, un google home, un aspirateur robotisé, ..., est un point de départ incontournable, mais ce n'est qu'un début. Il reste deux autres aspects à couvrir:

L'intégration au sein d'un réseau commun de communication n'est pas un problème majeur, car toute les maisons ont un réseau Wifi standard. Par contre, la partie intelligence est un problème gigantesque. En effet, l'intelligence n'est pas quelque chose de binaire, qu'on a ou pas. Même si c'est difficilement mesurable, il y a des niveaux d'intelligence. Par exemple, toute les voitures contemporaines ont des systèmes de freinage intelligent. Cependant, celui d'une Mercedes avec traction intégrale haut de gamme est "plus intelligent" que celui d'une Chevrolet Spark. Et qu'en est-il du niveau d'intelligence d'une Tesla qui sait conduire toute seule!

Voici un essai pour catégoriser les niveaux d'intelligence de la domotique:

  1. chaque équipement à son intelligence indépendante
  2. quelques équipements profitent de l'interconnexion avec un système centralisé (ex: Google Home)
  3. les systèmes on quelques interactions croisées (ex: la lumière d'une pièce sombre s'allument si l'aspirateur robotisé y entre
  4. le système conserve quelques données sur les humains et les autres systèmes pour mieux réagir
  5. l'ensemble des éléments agit comme un tout unifié et adapte ses fonctionalités par apprentissage
  6. l'ensemble des éléments agit comme un tout unifié et accroît ses fonctionalités par apprentissage
  7. l'ensemble des éléments agit comme un tout unifié dont le comportement rappelle celui d'un humain
  8. l'ensemble des éléments agit comme un tout unifié et passe le test de Turing

En réalité, les niveaux d'intelligente est une échelle presque continu. Cependant, le but de l'exercice était simplement de montrer qu'on est très loin d'avoir une maison avec un "haut" niveau d'intelligence. La situation est similaire dans l'industrie. En effet, bien qu'il y ait quelques entreprises dont les systèmes de production ont atteint un niveau d'intelligence surprenant, ce sont des exceptions. Il fau aussi prendre en compte qu'il y a des domaines qui s'y prête mieux et il faut des ressources considérables.

Parmis les domaines où ces conditions sont réunies, on trouve:

Pour la majorité des entreprises, l'évolution vers un système de production "intelligent" se bute a plusieurs difficultés:

On pourrait allonger la liste, mais il est déjà clair qu'il y a du chemain à faire.

Cas no 2 - Électrolyse du ferrosilicium

La production du ferrosilicium se fait dans un four à arc électrique. La méthode date de plus de cent ans et n'a pas significativement changée depuis plusieurs décénies. Le four d'environ 30 mètres de diamètre abrite une chaîne de réaction complexe qui est difficile à contrôler. En outre, la température de plus de 1000 degrés celcius et un environnement chimique extrême, ne permet pas d'observer directement la réaction via des capteurs. Encore aujourd'hui, les meilleurs opérateurs doivent constamment exploiter leur expérience et leur intuition pour éviter de perdre le contrôle de la réation.

Sans données sur le détails de la réaction, les possibilités d'évolution vers un système de production intelligent sont très limités.

Cas no 3 - Siphonnage du métal dans une aluminerie

Information qu'on a déjà dans une base de données:

Mais on a pas le module d'intelligence artificielle qui détermine l'ordre de siphonnage optimal pour:

Discussion: Alors que l'intérêt est évident, pourquoi est-ce qu'on siphonne encore dans l'ordre séquentiel et qu'on laisse les opérateurs décider comment ils organisent leur travail? Il manque le "cerveau", c'est-à-dire le logiciel intelligent capable d'analyser les données et faire une cédule optimale. Un tel logiciel ne s'achète pas sur sur les tablettes, ses fonctions sont trop spécialisées et fortement dépendantes de l'environnement d'opération. En outre, il y a peu de développeurs qui ont les connaissances et le savoir-faire pour créer ce genre de logiciel. De plus, les industries sont rébarbative à faire développer des logiciels spécialisés. L'expérience a souvent été coûteuse, rempli d'échecs et rendu caduque par l'émergence de logiciel commerciaux rencontrant le besoin. Dans le cas de l'usine intelligente, les logiciels doivent raisonner selon les connaissances métiers du domaine. Celles-ci sont très spécifiques aux procédés de production, sa mise-en-oeuvre dans une usine et au savoir-faire des opérateurs. Un logiciel visant à agir au niveau de l'opération aura donc le même degré de spécificité.

Finalement, notons que cette étape de génération automatique d'une cédule de siphonnage "intelligente" est un prérequis à l'étape suivante d'automatisation complète du siphonnage. En effet, l'approche naïve de siphonner dans l'ordre séquentiel fonctionne uniquement parce que les opérateurs humains l'appliquent "intelligemment". Les robots n'ayant pas de cervaux, il faut leur fournir une stratégie "intelligente" a priori.

Intelligence artificielle (IA)

Il convient de se méfier du "hype" entourant le discours actuel sur l'IA. En outre, il est illusoire de croire que les ordinateurs peuvent générer par eux-mêmes des connaissances utiles à partir de données brutes. L'intervention humaine est absolument nécessaire pour guider les algorithmes et permettre à un ordinateur de construire des connaissances exploitables. L'effort nécessaire pour guider les algorithmes est difficile et le résultat est généralement très limité. Dans le contexte d'un système régit par quelques règles simples, l'IA peut faire mieux que les humains. C'est le cas du jeu d'échec, ou du jeu de Go. Il en est tout autrement avec les systèmes réels.

Reprenons le cas du siphonnage de l'aluminium, même si on standardise la procédure de façon a en faire une connaissance qu'on peut transmettre à un ordinateur et automatiser le procédé, il y a une infinité de cas d'exception qui peuvent se produire. Un être humain peut s'adapter à une nouvelle situation et inventer une réponse adéquate, mais pas un ordinateur. Le robot fonctionnera la pluspart du temps, mais pas toujours... Et comme on dit en anglais: "The devil is in the details!". Plusieurs propriétaires de voitures avec conduite automatique intelligente l'ont appris à leur dépends.

Notons que même si un ordinateur n'a pas la capacité d'un humain à réagir à des situations inconnues, ils peuvent dépasser les performances humaines dans des systèmes réels lorsque mesurée selon certains critères de performances. Par exemple, dans le cas des voitures avec conduite automatique intelligente, même si les raisons des accidents graves sont totalement différentes que celles des humains, il est fort possible que le nombre par unité de distance parcourue soit inférieur!

Principaux outils de l'IA

La majorité des outils de l'IA sont basés sur les méthodes suivantes pour capter la connaissance:

Dans tous les cas, il faut une phase d'apprentissage sur une grande quantité de données, dans laquelle il faut guider l'algorithme pour qu'il sache quoi reconnaître au sein des données. Cette phase essentielle est complexe et prends beaucoup de temps.

Les réseaux de neuronnes sont particulièrement utile pour reconnaître des images ou des sons. C'est une composante de base des assistants virtuels comme Alexa, Google assistant, ...

Les arbres de décisions sont un élément clef pour faire un raisonnement artificiel. Par exemple, on peut l'utiliser pour détecter des événements ou des séquences de données particulières: surveillance du rythme cardiaque d'une personne, état de santé d'une cuve électrolytique, ...

Les forests aléatoires sont constituées de plusieurs arbres de décisions construit en faisant varier des paramètres de construction des arbres. Par exemple, en changeant l'ordre des variables dans la construction des arbres. La prise de décision via une forest se fait par majorité des décisions des arbres individuels.

L'IA d'un système complexe, comme un robot ou un assistant virtuel, est formé d'un ensemble de composants liés. Par exemple, pour un assistant virtuel typique, on a les composants:

Ces composants sont eux-mêmes formé de plusieurs sous-composants complexes: bases de données, système expert, classification, ...). Une chose est commune à tous ces composants: ils ne se génèrent pas tout seul! L'intervention humaine est nécessaire à toutes les étapes pour guider les méthodes de construction "assisté" de connaissances.

Il existe des outils pour expérimenter avec des jeux de données et visualiser les connaissances qu'on peut extirper avec les méthodes d'IA. Weka est un exemple bien connu. Il est gratuit, performant et bien documenté.