ML à l'usine: pourquoi automatiser le chaos ne crée que du chaos

Imaginez que vous ayez décidé de construire l'emploi du temps parfait pour une énorme usine, mais au lieu d'une fondation, vous ayez des sables mouvants faits de notes sur des serviettes et des fantasmes de contremaîtres d'atelier des dix dernières années. C'est exactement le piège dans lequel tombent de nombreux directeurs informatiques quand ils décident que l'apprentissage automatique est une baguette magique capable de calculer instantanément la complexité de la production. En théorie, tout semble beau : vous alimentez le modèle avec des données de commandes passées, et il vous renvoie le temps idéal pour chaque opération.

En pratique, cependant, il s'avère que l'IA ne se trompe pas seulement, mais le fait avec une confiance terrifiante, amplifiant le chaos qui s'est accumulé pendant des décennies.

Le problème du calcul de la complexité en génie mécanique n'est pas simplement une question de mathématiques, c'est une question de survie commerciale. Tout dépend de ces chiffres : du coût de la pièce à l'utilisation des machines et au prix final pour le client. Traditionnellement, ce travail est effectué par des normalisateurs, mais leur travail est souvent subjectif et lent.

Le désir de les remplacer par un algorithme est compréhensible, mais il ignore une loi fondamentale du travail avec les données : des déchets en entrée, des déchets en sortie. Si vos données historiques reflètent non pas le vrai temps de travail, mais le temps qu'un contremaître a « inscrit » dans le rapport pour obtenir une prime, alors le modèle ML apprendra à « inscrire », non à calculer.

Quand une équipe d'enthousiastes commence à entraîner des modèles sur des données « sales », ils découvrent rapidement que les algorithmes classiques commencent à halluciner. Les modèles probabilistes sont excellents pour trouver des motifs là où il n'y en a pas, ou pire encore, pour traiter les erreurs systématiques comme des vérités. Le résultat est un « accélérateur d'erreurs ». Là où un humain aurait pu douter en voyant un chiffre étrange, un système automatisé l'avale simplement et produit un résultat qui semble solide mais n'a rien à voir avec la réalité de l'atelier. Cela crée une illusion de contrôle qui coûte à l'entreprise plus que l'absence totale d'automatisation.

Pourquoi cela se produit-il ? Un écart dangereux s'est creusé dans l'industrie entre ceux qui écrivent le code et ceux qui travaillent aux machines. Les data scientists perçoivent souvent une usine comme un ensemble de tableaux dans une base de données SQL, sans se demander comment ces chiffres y sont arrivés. Et ils y sont arrivés par les mains de personnes qui avaient leurs propres incitations, craintes et paresse. Si une entreprise manque d'une culture de collecte de données propres et d'une méthodologie de normalisation unifiée, alors toute tentative de plaquer l'IA par-dessus n'est qu'une façon coûteuse de jeter de la poudre aux yeux de la direction. Vous ne résolvez pas le problème, vous le préservez sous forme numérique.

Une véritable avancée en IA industrielle ne se produira pas quand nous inventerons une nouvelle architecture de transformateurs, mais quand les entreprises réaliseront l'importance de l'« hygiène des processus ». Avant d'entraîner un modèle, vous devez établir un système de contrôle objectif, éliminer le facteur humain du suivi du temps et, possiblement, jeter 90 % des déchets numériques accumulés. C'est un travail ennuyeux, long et ingrat qui ne peut pas être vendu comme une « percée innovante », mais c'est exactement ce travail qui sépare les solutions qui fonctionnent des belles présentations qui ne quittent jamais le stade pilote.

Le point clé : L'apprentissage automatique ne guérit pas les processus tordus, il les amplifie. Êtes-vous prêt à admettre que vos données sont des déchets avant de dépenser des millions pour les automatiser ?