Les défis peuvent avoir un impact sur le succès de la mise en œuvre de l’IA, de même que sur l’ensemble des opérations commerciales : une identification précoce dans le processus d’évaluation est essentielle.
Les domaines thématiques suivants devraient être examinés de plus près :
1. Qualité et disponibilité des données
Les systèmes d’IA sont largement tributaires de données de haute qualité, mais dans les environnements industriels, celles-ci sont souvent fragmentées, incohérentes ou incomplètes. Les systèmes hérités, l’absence de formats de données standardisés et les silos de données peuvent entraver la collecte et le traitement efficaces des données. Une mauvaise qualité des données peut conduire à des modèles imprécis, avec pour conséquence des décisions erronées, des inefficacités, voire des risques pour la sécurité.
Toute entreprise a tout intérêt à investir dans une gouvernance des données judicieuse : c’est en effet la base d’une utilisation profitable des données, qu’il s’agisse de simples analyses de la situation de l’entreprise ou de systèmes d’IA complexes.
2. Intégration avec les systèmes hérités
De nombreuses entreprises industrielles s’appuient sur des systèmes hérités qui n’ont pas été conçus dans l’optique de l’IA. L’intégration de solutions d’IA dans ces systèmes existants peut être complexe et demander beaucoup de ressources. Une mauvaise intégration peut entraîner des interruptions opérationnelles, des incompatibilités de système et des baisses de performance, voire, dans certains cas, nécessiter des remises à niveau coûteuses de l’infrastructure.
Lors de l’introduction de nouveaux systèmes, il convient donc de veiller à leurs possibilités d’intégration dans un environnement flexible. Cela permet d’augmenter de manière ciblée les possibilités d’utilisation des données et de préparer l’entreprise à un avenir axé sur les données.
3. Pénurie de talents et de personnel qualifié
Les projets d’IA nécessitent des compétences spécifiques telles que la science des données, l’apprentissage automatique et l’ingénierie spécifique à l’IA. Les entreprises industrielles, en particulier celles qui sont nouvelles dans le domaine de l’IA, ont souvent du mal à trouver et à conserver les talents nécessaires. Cette pénurie peut conduire à ce que les projets d’IA s’enlisent ou que les résultats fournis soient inférieurs aux attentes. Une dépendance excessive vis-à -vis de fournisseurs tiers limite en outre le contrôle et la flexibilité au sein des projets.
Un bon compromis consiste à mettre en place un minimum de spécialistes en interne, capables d’échanger d’égal à égal avec les prestataires de services externes. Si cela n’est pas possible, il faut veiller à éviter ou à réduire au maximum un « enfermement propriétaire ».
4. Possibilité de mise à l’échelle et maintenance
Si les premiers projets pilotes d’IA peuvent être couronnés de succès, la mise à l’échelle de ces solutions sur plusieurs installations, lignes ou entreprises pose des défis considérables. La maintenance des modèles d’IA dans un environnement industriel dynamique, où les conditions et les processus changent constamment, nécessite une surveillance et une mise à jour continues des systèmes. Si une mise à l’échelle efficace n’est pas possible, cela peut conduire à des résultats incohérents et la qualité des modèles mal entretenus peut se détériorer au fil du temps, réduisant ainsi la précision et l’efficacité des solutions. C’est pourquoi, dès le choix des cas d’utilisation pour les projets pilotes, il faut garder à l’esprit que les solutions doivent pouvoir être mises à l’échelle à long terme.
5. Sécurité d’exploitation et fiabilité
Les enjeux sont importants dans les environnements industriels : les décisions guidées par l’IA peuvent avoir un impact direct sur la sécurité, la fiabilité et la conformité. Il est essentiel que les systèmes d’IA soient fiables et n’introduisent pas de nouveaux risques. Un dysfonctionnement du système d’intelligence artificielle ou une prédiction erronée peut entraîner des pannes d’appareils, des accidents ou des infractions aux prescriptions légales, ce qui peut avoir des conséquences considérables en termes de coûts et de réputation.
L’exécution de tests bien conçus est indispensable. Il convient de prévoir et d’allouer suffisamment de temps et de budget à cet effet.
6. Considérations éthiques et réglementaires
L’IA soulève des questions éthiques complexes, telles que les biais dans les algorithmes de décision, en particulier lorsqu’elle est utilisée dans la gestion des ressources humaines. En outre, le paysage réglementaire autour de l’IA est encore en cours de développement et les entreprises industrielles doivent gérer les incertitudes juridiques. Le non-respect ou l’utilisation non éthique de l’IA peut entraîner des sanctions juridiques, une perte de confiance et une atteinte à la réputation.
Outre l’observation régulière de la publication de nouvelles lois, il vaut également la peine de demander aux collaborateurs et aux collaboratrices de se pencher de manière critique sur les résultats des systèmes d’IA et de signaler les résultats non éthiques. Les risques peuvent ainsi être détectés et abordés plus tôt.
7. Gestion et introduction du changement
L’implémentation de l’IA nécessite souvent des changements importants dans les processus et les flux de travail. Il est essentiel de s’assurer de l’adhésion de tous les niveaux de l’entreprise, en particulier de celle des collaborateurs et des collaboratrices qui peuvent se montrer méfiants à l’égard des nouvelles technologies. La résistance au changement a un impact décisif sur les projets d’IA, les ralentissant ou les faisant même échouer.
Là encore, il faut y consacrer suffisamment de temps et de budget. Une bonne gestion du changement peut faire des merveilles et avoir une influence décisive sur la réussite des projets d’IA.
8. Dépassement des coûts et incertitude quant au retour sur investissement
Les coûts de la technologie, de l’intégration, des talents et de la maintenance continue peuvent également engloutir des sommes importantes dans les projets d’IA. Le retour sur investissement peut ne pas être immédiatement visible, en particulier dans des environnements industriels complexes. Si les coûts deviennent incontrôlables ou si le retour sur investissement attendu n’est pas réalisé, cela a un effet dissuasif sur les investissements futurs.
Une gouvernance de projet solide, une communication ouverte et régulière avec les prestataires de services et des objectifs clairs permettent de garder une vue d’ensemble des coûts et des progrès.
9. Investissement de temps et de ressources
Un aspect souvent sous-estimé des projets d’IA est l’investissement considérable en temps et en argent qui devrait être consacré au développement de solutions d’IA pertinentes. Les systèmes d’IA qui créent de la valeur ajoutée nécessitent plus que de bonnes idées : il faut des collaborateurs ayant une connaissance approfondie des processus ainsi que des talents exceptionnels en matière d’IA, notamment ceux qui sont expérimentés dans le secteur concerné. Trouver et garder ces talents est un défi, car de nombreux géants de la tech offrent des environnements de travail très attractifs et des salaires compétitifs.
Se pencher sur les souhaits et les besoins des employé/es et explorer de nouvelles voies en matière de flexibilité et de possibilités de développement des talents au sein de l’entreprise peuvent être des atouts qui attirent les experts en IA.
10. Se concentrer sur les bons cas d’application
Il est important de se concentrer sur les cas d’application qui génèrent une valeur ajoutée directe – les processus simples, souvent effectués par de nombreux employés, sont de bons exemples de premières implémentations. Plus tard, des processus plus complexes, qui coûtent beaucoup de temps et d’argent à l’entreprise, peuvent être automatisés grâce à l’IA.
Le danger au début est généralement de s’attaquer à une tâche trop importante ou trop difficile. Commencer petit et évoluer progressivement est souvent plus efficace et contribue à créer une dynamique et à démontrer la valeur de l’IA sans que l’entreprise se sente dépassée. Faire moins apporte souvent davantage !
En abordant ces pièges potentiels à un stade précoce, les entreprises peuvent mieux se positionner pour utiliser l’IA de manière efficace et durable.
Cercle de pratique « Intelligence artificielle »
Les experts d’Artificialy participeront au Cercle de pratique « Intelligence artificielle » qui débutera le 5 novembre 2024 et qui est organisé par Next Industries. Cet échange d’expériences fermé entre entreprises de l’industrie tech ainsi que d’autres experts est une très bonne possibilité d’acquérir des connaissances sur le thème de l’IA et de profiter de celles des autres participants. Les rencontres offrent aussi l’occasion de déposer des demandes individuelles ou de poser des questions, et de recevoir un précieux retour sur celles-ci.
Pour de plus amples informations, les entreprises intéressées peuvent s’adresser à Matthias Kühne, chef du secteur Numérisation chez Next Industries, matthias.kuehnenoSpam@nextindustries.ch, tél. 044 384 48 48.
