Le ML à l'usine : automatiser le chaos ne produit que du chaos

Imaginez que vous décidiez de construire le planning parfait d'une immense usine, mais qu'au lieu de fondations, vous ayez des sables mouvants faits de notes sur des serviettes en papier et des fantasmes des chefs d'atelier des dix dernières années. C'est le piège dans lequel tombent de nombreux directeurs informatiques lorsqu'ils pensent que l'apprentissage automatique est une baguette magique capable de calculer instantanément la charge de travail de la production. En théorie, tout semble propre : on donne au modèle les données des commandes passées, et il restitue le temps idéal pour chaque opération.

En pratique, on découvre que l'IA ne se contente pas de se tromper : elle le fait avec une assurance déconcertante, en amplifiant un désordre accumulé depuis des décennies.

Le calcul de la charge de travail en construction mécanique n'est pas qu'une question de mathématiques, c'est une question de survie pour l'entreprise. Tout dépend de ces chiffres : du coût de revient d'une pièce à la charge des machines, jusqu'au prix final pour le client. Traditionnellement, ce sont les normalisateurs de temps (normirovshchiks) qui s'en chargent, mais leur travail est souvent subjectif et lent.

L'envie de les remplacer par un algorithme se comprend, mais elle ignore une loi fondamentale du travail sur les données : garbage in, garbage out. Si vos données historiques ne reflètent pas le temps de travail réel, mais celui que le chef d'atelier a « dessiné » dans son rapport pour toucher une prime, le modèle de ML apprendra à « dessiner », pas à calculer.

Lorsqu'une équipe d'enthousiastes se met à entraîner des modèles sur des données « sales », elle constate vite que les algorithmes classiques se mettent à halluciner. Les modèles probabilistes excellent à trouver des régularités là où il n'y en a pas ou, pire, à prendre des erreurs systématiques pour la vérité. Le résultat : un « accélérateur d'erreurs ». Là où un humain douterait devant un chiffre étrange, le système automatisé l'avale tout simplement et produit un résultat d'apparence solide, mais sans rapport avec la réalité de l'atelier. Cela crée une illusion de contrôle qui coûte à l'entreprise plus cher que l'absence totale d'automatisation.

Pourquoi en est-on là ? Un fossé dangereux s'est creusé dans l'industrie entre ceux qui écrivent du code et ceux qui travaillent à la machine. Les data scientists voient souvent l'usine comme un ensemble de tables dans une base SQL, sans se demander comment ces chiffres y sont arrivés. Or ils y sont arrivés par les mains de personnes qui avaient leurs propres intérêts, leurs peurs et leur paresse. Si l'entreprise n'a ni culture de collecte de données propres ni méthodologie unique de normalisation, toute tentative de greffer de l'IA par-dessus n'est qu'un moyen coûteux de jeter de la poudre aux yeux de la direction. On ne résout pas le problème, on le conserve sous forme numérique.

La vraie percée de l'IA industrielle n'arrivera pas quand on inventera une nouvelle architecture de transformers, mais quand les entreprises prendront conscience de l'importance de l'« hygiène des processus ». Avant d'entraîner un modèle, il faut mettre en place un système de contrôle objectif, retirer le facteur humain de l'enregistrement des temps et, peut-être, jeter 90 % des déchets numériques accumulés. C'est un travail ennuyeux, long et ingrat, impossible à vendre comme une « percée innovante », mais c'est précisément ce qui sépare les solutions qui fonctionnent des belles présentations qui ne quitteront jamais le stade du projet pilote.

L'essentiel : l'apprentissage automatique ne soigne pas les processus bancals, il les amplifie. Êtes-vous prêt à admettre que vos données sont des déchets avant de dépenser des millions pour les automatiser ?