L'intelligence artificielle se heurte à l'industrie : le fossé qui menace les usines

Ces dernières années, l'intelligence artificielle (IA) est devenue l'un des domaines centraux pour les entreprises technologiques et les startups, mais le passage des laboratoires de développement aux ateliers de production pose des défis importants. Selon Tsuri Dabus, président de la société Klil, le fossé entre le monde de la high-tech et la réalité industrielle pourrait retarder l'intégration de la technologie dans les usines.

Dabus, qui connaît les deux mondes, décrit un fossé important entre l'environnement de développement et les conditions dans lesquelles les solutions d'IA doivent réellement fonctionner.

« Je porte deux casquettes, celle de la high-tech et celle de l'industriel, et la connexion entre les deux est pleine de défis », dit-il.

L'un des problèmes centraux est le fossé entre les démonstrations technologiques et la réalité sur la ligne de production. « Quelqu'un présente une démo où tout fonctionne et a l'air cool, mais quand une solution arrive sur la ligne de production, vous découvrez un autre monde ». Les usines sont confrontées au bruit, à la poussière, à l'humidité, aux températures changeantes et au mouvement constant des travailleurs, des chariots élévateurs et des grues.

Un autre problème est le manque de familiarité avec le langage professionnel et la réglementation en vigueur dans l'industrie. Dabus estime que les entrepreneurs doivent connaître à l'avance les normes et les termes acceptés dans chaque secteur, et peuvent même utiliser des outils d'IA pour les apprendre.

Cependant, le fossé le plus important réside précisément dans le niveau de précision requis. Alors que dans le monde de la high-tech, il est parfois possible de lancer un produit en version bêta et de l'améliorer plus tard, sur le sol de l'usine, les erreurs peuvent avoir des conséquences importantes.

« 80 % de précision n'est pas suffisant pour l'industrie », déclare Dabus, soulignant qu'une solution industrielle doit atteindre des niveaux de précision proches de 100 %.

Une erreur dans le système peut entraîner des produits défectueux, l'arrêt des lignes de production, des dommages aux équipements et des coûts importants. Parallèlement, il y a la question des coûts d'utilisation des modèles d'IA, y compris les coûts de traitement et de jetons, ainsi que la nécessité de réglementer à l'avance la question de la propriété des données introduites dans les systèmes.


Dabus suggère aux entrepreneurs de se concentrer sur un problème défini plutôt que de promettre une solution à tous les défis, de fixer à l'avance des indicateurs de réussite clairs, de commencer par un projet pilote limité qui ne met pas en péril les opérations principales, et d'examiner des modèles de partenariat qui réduisent le risque initial pour l'usine.

Outre les difficultés, Dabus souligne que le potentiel de l'IA dans l'industrie est important et que le marché continue d'investir dans des projets dans ce domaine. La responsabilité ne s'arrête pas au succès d'un seul projet.

« Chaque échec d'un système d'IA sur le sol de l'usine brûle la confiance des industriels et rend la tâche plus difficile pour ceux qui suivent », conclut-il.