Construire la confiance dans l'IA industrielle
L’Intelligence Artificielle (IA) transforme aujourd’hui l’Industrie dans son ensemble. Elle permet l’optimisation des processus, la réduction des coûts de maintenance et améliore l’efficacité opérationnelle. Pourtant, un défi majeur persiste encore : la confiance..
En effet, comment s’assurer de la pertinence d’une décision si l’on n’est pas certain de la provenance de l’information ?
Bien que les gains paraissent alléchants, les utilisateurs de l’IA doivent comprendre comment et pourquoi une décision a été prise. Dans l’Industrie tout particulièrement, chaque choix a des conséquences financières et opérationnelles. Il peut apparaître comme risqué de suivre aveuglément les recommandations provenant d’un algorithme. C’est pourquoi l’explicabilité apparaît comme un élément essentiel.
Les enjeux de l’explicabilité et de la confiance en IA industrielle
L’IA guide des décisions opérationnelles critiques en lien avec les questions suivantes : faut-il arrêter mon équipement ? Interrompre mon cycle de production ? Remplacer cette pièce maintenant? Est-ce que l’intervention est nécessaire ? Comment éviter une telle panne ?
Autant de questions qui ont une influence sur l’efficacité opérationnelle et sur la sécurité éventuelle de l’installation. Il fut un temps où, pour garantir cette sécurité et minimiser les effets rebond, les industriels optaient pour la maintenance préventive (qui consiste à remplacer régulièrement et préventivement les pièces sujettes à usure).
Aujourd’hui avec l’IA, ceux-ci essayent de tendre vers le ratio risque-coût le plus intéressant. Mais que faire si, par exemple, celle-ci estime à 40 % le risque de défaillance d’une machine critique d’une centrale nucléaire? Faut-il arrêter immédiatement l’équipement et intervenir ? Pour quel impact financier si finalement la défaillance n’est pas avérée ? Faut-il poursuivre l’exploitation en attendant un indice de confiance plus élevé, au risque de compromettre la sécurité d’individus ?
Sans une compréhension claire des résultats issus de l’IA, ces décisions restent complexes et risquées. C’est pourquoi, la transparence devient indispensable. L’IA doit être un outil au service des décisionnaires, et doit, pour cela, apporter des informations fiables et interprétables.
L’explicabilité de l’IA réduit la marge d’erreurs, facilite l’adoption de celle-ci et améliore la prise de décision. En comprenant l’origine des décisions et la construction du raisonnement, les experts métiers peuvent agir avec plus de confiance.
Comment DiagFit répond à ces défis ?
Chez Amiral Technologies, notre logiciel Diagfit est construit à partir d’une méthodologie qui tend à rendre le plus explicable possible les décisions prises par les modèles afin que les experts métiers puissent s’approprier les résultats dès la conception.
Notre approche repose sur plusieurs niveaux d’analyse au moment de la construction des modèles qui permettront une meilleure compréhension de ceux-ci à posteriori.
Comprendre la donnée
La compréhension de l’information contenue dans les signaux provenant de l’équipement est clé. Notre expérience nous a prouvé qu’une bonne connaissance de la donnée en amont permet une meilleure interprétation des résultats par la suite.
Diviser le problème
Un découpage fréquentiel des signaux permet également de mieux isoler les phénomènes physiques et ainsi d'affiner la détection des pannes par la suite. Ceci associé à une analyse par capteur permet d’isoler les dynamiques individuelles.
Utiliser les relations entre capteurs
L’identification des interactions entre capteurs permet également la définition de groupes de capteurs qui permettront un niveau d’analyse différent de l’équipement. Cette stratégie multi-capteurs permet la génération de modèles adaptés pour chaque typologie d’anomalie et ainsi d’affiner l’analyse.
Identifier l'origine
Pour finir, lorsqu’une anomalie est détectée, l'identification des capteurs ou des groupes de capteurs impliqués facilite la compréhension de la panne et aide l'expert métier à localiser son origine sur l'équipement.
Grâce à l’ensemble de ces fonctionnalités, DiagFit permet aux industriels de mieux appréhender la construction de leur modèles et ainsi de mieux s’approprier les sorties de ceux par la suite.
Ainsi, DiagFit transforme les données capteurs en source de décisions opérationnelles.
Vous souhaitez découvrir comment DiagFit peut transformer vos opérations ?
