Les impacts de l’Intelligence Artificielle sur la Maintenance Technique

Si l’on remonte quelques années en arrière, on peut affirmer que l’expression Intelligence Artificielle, ou IA comme on l’appelle habituellement, était pour la plupart des gens quelque chose de très éloigné de leur vie quotidienne et nous ramenait à certaines des sciences les plus emblématiques. films ou livres de fiction. Cependant, le panorama actuel est complètement différent. L’importance dans les médias, le nombre de solutions et d’outils dotés de ressources d’IA, dont nous sommes inondés quotidiennement, et les potentialités adjacentes garantissent notre attention.

Bien que le concept soit apparu il y a plusieurs décennies (John McCarthy, 1956), ce n’est que ces dernières années que les conditions technologiques nécessaires ont été réunies pour rendre possible son utilisation massive. Premièrement, le développement d’Internet et des communications à haut débit, les progrès informatiques, l’émergence des smartphones, l’offre croissante de cloud computing, permettant un accès généralisé aux supercalculateurs à un coût abordable, le développement de logiciels de programmation et d’algorithmes eux-mêmes appliqués à l’IA. et, non moins pertinent, la disponibilité et l’accès à de grands volumes de données ont permis cela, grâce à la numérisation.

Nous sommes à l’ère du big data et la quantité d’informations générées quotidiennement est extraordinaire (≈ 328,77 millions de téraoctets/jour). Cependant, la vérité est que toutes les données ne sont pas intéressantes ou de bonne qualité. Il faut traiter, standardiser, cataloguer, créer ses propres structures organisationnelles, déboguer les erreurs et les préparer à la “consommation”.

Au-delà de la capacité technologique, les données constituent la matière première nécessaire au bon fonctionnement des algorithmes d’IA. Quelle que soit la qualité et l’efficacité de l’algorithme, si l’échantillon de données est de mauvaise qualité, imprécis ou limité, les résultats produits perpétueront ces déficiences, et pourraient même discréditer ce qui serait un projet intéressant à développer avec les ressources de l’IA. Si l’on pense au domaine de la Maintenance Technique, on peut diviser les données de la base de service des actifs en deux grands groupes: celles qui proviennent des systèmes de surveillance, que ce soit via GTC – Gestion Technique Centralisée, les équipements IoT – Internet des Objets, ou directement depuis l’actif. contrôleurs, et ceux issus de l’action humaine, qui décrivent des interventions historiques sur les actifs et qui sont généralement enregistrés dans des logiciels de gestion de maintenance ou, plus récemment encore, dans des modèles BIM – Building Information Modeling.

Chaque groupe de données a ses propres particularités afin de pouvoir être utilisé facilement dans les modèles d’IA. La surveillance, par exemple, permet d’accéder à un grand volume de données, mais généralement ce qui nous intéresse dans l’analyse, ce sont les anomalies ou les tendances qui ont conduit à des anomalies dans les actifs. Situation qui peut dépendre d’une variable particulière ou de la combinaison de plusieurs variables, directement ou indirectement liées au patrimoine (exemple : charge en service, nombre d’heures de travail ou encore conditions environnementales d’exploitation). Dans certains cas, le taux de ces événements peut être si faible que des données utiles ne peuvent pas être obtenues dans un délai acceptable. Et, bien qu’il soit possible d’élargir l’échantillon, en évaluant simultanément des actifs identiques ou équivalents, il est nécessaire de s’assurer que cette analyse, concernant les variables opérationnelles (directes et indirectes), soit réalisée dans les mêmes conditions, ce qui peut augmenter la complexité. des modèles et des extrapolations nécessaires.

En termes d’interventions historiques sur les actifs, les données dépendent fortement de la composante humaine et, quelle que soit la maturité et la rigueur des équipes techniques qui les surveillent et les enregistrent, le facteur d’individualité et d’interprétation de chaque personne conditionnera toujours l’uniformité des enregistrements. Il existe donc des défis majeurs dans la gestion des données, pour que l’IA puisse contribuer de manière généralisée et positive à l’amélioration des processus du secteur, tant dans la composante de gestion stratégique que dans le support des opérations. Néanmoins, nous assistons progressivement à un nombre croissant d’entreprises et d’entités du système scientifique et technologique qui lancent des produits commerciaux et pilotes, qui permettent désormais de profiter du potentiel de l’IA dans le domaine de la Maintenance Technique.

L’un des enjeux les plus urgents aujourd’hui est le développement de modèles de maintenance prédictive dynamique, qui prennent en compte les conditions d’exploitation soutenues par les systèmes de surveillance et l’historique des interventions, réduisant le temps passé sur chaque actif au strict nécessaire, dans un bilan. . entre coûts, efficacité et durée de vie. Un autre domaine d’application est le fonctionnement autonome des systèmes de surveillance et de gestion technique centralisée, où la gestion des alarmes, le contrôle des équipements, la régulation des points de consigne et des horaires sont désormais effectués de manière autonome et dynamique par des algorithmes d’IA, basés sur l’utilisation de l’espace, les préférences de l’utilisateur, l’environnement. conditions, efficacité énergétique, entre autres variables (Living Buildings).

Les prochaines étapes impliqueront le développement d’assistants virtuels personnalisés, qui permettront d’augmenter les performances de chaque employé, en élargissant ses capacités d’analyse, de perception, d’exécution et de décision, quels que soient les rôles qu’il doit assumer dans l’organisation. Un cas pratique peut être vu dans les applications de réalité augmentée, qui peuvent intégrer des assistants virtuels pour aider à la résolution des pannes techniques. Cet outil et d’autres similaires atténueront l’effet de la réduction du nombre de personnes qualifiées sur le marché du travail, car ils permettront une inclusion plus rapide de nouveaux employés moins expérimentés.

À moyen terme, les marges d’évolution de l’IA sont encore importantes, avec la maturation des applications, ainsi que des bases de données qui servent de base à la technologie.
Nous nous dirigeons vers des outils d’IA de plus en plus préparés à prendre le contrôle des squelettes mécaniques, que la robotique perfectionne au fil des années, augmentant ainsi sa sphère d’influence dans le domaine.