Les usines en pilotage automatique : pourquoi l'IA a toujours peur du bouton « Démarrage »

Le monde observe, fasciné, comment les véhicules autonomes naviguent dans un dense trafic urbain, en traitant des gigaoctets de données provenant de lidars et de caméras en temps réel. On pourrait penser que si un algorithme peut reconduire une personne chez elle en toute sécurité à travers les embouteillages, alors gérer un processus technologique stable dans une usine devrait être un jeu d'enfant pour lui. Cependant, la réalité est dure : dans les systèmes modernes de contrôle de processus (SCADA), l'intelligence artificielle ressemble encore à un stagiaire autorisé à regarder les instruments mais interdit de toucher aux leviers.

Nous voyons une situation paradoxale où l'industrie, possédant des budgets colossaux, accuse un retard d'une décennie sur le secteur de la consommation en termes de déploiement d'une IA active.

La raison principale d'une telle lenteur réside dans une différence fondamentale dans les tâches. Dans le cas d'une automobile, une erreur d'IA est une tragédie d'échelle locale. Dans le cas d'une raffinerie de pétrochimie ou d'une centrale nucléaire, une commande incorrecte d'un réseau de neurones pourrait entraîner une catastrophe d'échelle régionale.

C'est pourquoi les industriels se fient depuis des décennies au bon vieux régulateur PID et à une logique rigide, où chaque étape est prévisible et décrite par une formule mathématique. Un réseau de neurones, par sa nature même, est une « boîte noire ». Il peut fournir des résultats parfaits dans 99 % des cas, mais personne ne peut garantir que dans le 1 % restant, il ne décidera pas que la meilleure façon de refroidir le réacteur est d'éteindre toutes les pompes.

Néanmoins, des progrès ont été réalisés dans le domaine du diagnostic technique. Aujourd'hui, l'apprentissage automatique est activement déployé pour surveiller l'instrumentation et les équipements dynamiques. Au lieu d'attendre qu'un roulement de turbine ne s'émiette, les algorithmes analysent les microvibrations, les changements de température et le bruit acoustique. Ils détectent les anomalies des semaines avant que l'opérateur le plus expérimenté ne les remarque. C'est ce qu'on appelle la maintenance prédictive—un domaine où l'IA génère déjà de véritables économies, en sauvant des millions de dollars en réparations non planifiées. Ici, l'IA agit comme un conseiller idéal : elle met en évidence le problème, mais la décision finale de remplacer une pièce revient à un être humain.

Le problème de la transition du diagnostic au contrôle se résume également à la qualité des données. Contrairement à un flux vidéo, qui constitue un environnement clair et structuré pour l'IA, les données des capteurs d'usine sont souvent bruitées, non synchronisées ou disparaissent complètement en raison de défaillances de communication. Pour entraîner un réseau de neurones à gérer une colonne de distillation complexe, vous avez besoin de données historiques parfaites couvrant des années d'exploitation, que la plupart des entreprises ne possèdent tout simplement pas.

De plus, les processus technologiques changent constamment, les équipements s'usent et la composition des matières premières varie. Dans de telles conditions, un modèle statique devient rapidement obsolète, et le réentraîner en temps réel est une tâche d'une complexité extrême et de risque considérable.

Actuellement, l'industrie cherche à trouver un compromis sous la forme de « modèles hybrides ». Les ingénieurs tentent de combiner la physique classique des processus avec la flexibilité de l'apprentissage automatique. Dans de tels systèmes, l'IA ne remplace pas le contrôleur principal, mais ajuste simplement ses consignes, en optimisant la consommation de carburant ou le rendement des produits dans une plage étroite et sûre.

C'est une approche prudente qui permet de tirer parti des avantages des réseaux de neurones sans compromettre la sécurité de l'entreprise. Nous sommes dans une phase de construction de la confiance : l'IA doit prouver sa fiabilité sur des milliers de scénarios de diagnostic avant d'être chargée de la gestion ne serait-ce que d'une seule soupape.

En résumé : l'IA industrielle reste un « thermomètre intelligent », et non le « cerveau » de l'usine. Sommes-nous prêts à confier une infrastructure critique à des algorithmes qui ne peuvent pas être entièrement vérifiés ?