La donnée : la clé de voûte du machine learning et de l’intelligence artificielle

3 min read

Talyana Cunningham

L’intelligence artificielle (IA) et le machine learning sont les deux termes tendances du moment. Chez Cisco, nous explorons et investissons ces domaines et intégrons activement le machine learning et l’IA dans notre portfolio.

Même si les deux concepts sont liés, il persiste une subtilité entre eux : tandis que l’IA est la science des machines et des ordinateurs qui imitent les humains, le machine learning est la méthode par laquelle les machines exploitent les données.

Consultez le guide “Gestion des données dans l’industrie 4.0 : Atteindre une visibilité totale à l’ère de l’IIoT“

Dans le domaine industriel, ils constituent les fondations des capacités indispensables :

Une visibilité globale : une possibilité pour l’entreprise d’obtenir des informations en temps réels et des tendances futures. Elle permet de voir directement comme les produits et services sont utilisés en pratique.
Une prise de décision consciente : la capacité d’analyser les informations globales et de s’assurer qu’elles soient bien transmises à la personne ou machine qui en a besoin.
Une exécution rapide : les décisions prises en tout état de cause peuvent mener à des actions, comme la maintenance prédictive lorsqu’une machine montre les premiers signes d’un épuisement par exemple.

Selon IDC : “Les solutions d’intelligence artificielle vont être intégrées ou utilisées en compléments de la robotique, qui devrait aider les industriels à améliorer la qualité de leurs produits et services, ainsi que rationaliser et optimiser leurs opérations.” (IDC FutureScape: Worldwide Manufacturing 2018 Predictions).

Les fondations du machine learning et de l’IA

Les données sont fondamentales pour le machine learning et l’IA. Elles alimentent ces plateformes afin d’aider à améliorer la chaîne de fabrication et d’accroître le retour sur investissement.

Par exemple, dans un scénario de maintenance prédictive simplifié, la machine et son système de contrôle de supervision doivent être en mesure de corréler ses performances optimales et reconnaître les écarts par rapport à la moyenne. Ils doivent prendre en compte plusieurs sources de données, établir une corrélation, analyser et prendre une décision. S’il y a trop d’informations, cela peut surcharger les analyser et ralentir le processus ; s’il y a trop peu d’informations, la machine n’aura pas tous les éléments pour obtenir la valeur nécessaire afin d’optimiser et d’améliorer le système. Le machine learning et l’IA pourraient également s’appliquer à des cas d’usage autour de l’optimisation de la supply chain, la recherche et le développement ou encore l’introduction de nouveaux produits sur le marché.

Si une usine peut produire 1 000 To de données par jour, avec plus de 10 000 capteurs prenant en compte plus de 12 000 variables provenant de machines nouvelles et existantes. Au-delà de prendre en compte la connectivité aux données, il faut aussi décider de la destination des données, leur fréquence d’extraction et leur utilisation. Ces dynamiques de données constituent la base du machine learning et de l’IA.

Plusieurs éléments de gestion de données à prendre en compte pour aider le machine learning et l’IA :

La fréquence : déterminez la fréquence à laquelle les données ajoutent de la valeur à vos activités. Extraire les données trop souvent n’est pas nécessaire car cela peut engendrer une surcharge d’informations. De fait, cela peut ralentir votre réseau et augmenter vos coûts d’analyse si vous utilisez des applications de calcul dans le cloud.
La priorisation : hiérarchisez les données critiques afin d’assurer l’intégrité du réseau et de vous assurer que les informations importantes atteignent la destination souhaitée.
Le traitement : optez pour des solutions de traitement en temps réel – en edge computing – quand cela est nécessaire. Le temps réel est parfois crucial pour prendre certaines décisions. D’autres données peuvent être hébergées dans le cloud pour un archivage et un calcul plus complexe.
L’orchestration : déterminez comment le machine learning et les plateformes d’IA reçoivent et consomment les données, en spécifiant comment elles sont reçues, livrées et pourquoi elles ont été envoyées.
La sécurité : utilisez le machine learning pour détecter des cybermenaces avant qu’elles ne se manifestent.

Pour aider les industriels à obtenir les bases de l’intelligence artificielle et du machine learning, nous avons créé un guide sur la gestion des données dans l’usine du futur. Vous y trouverez les bonnes pratiques et les prérequis pour déterminer l’architecture qui vous convient, au fur et à mesure de l’avancement de votre projet. Il comprend également des études de cas et des ressources pour vous aider à adopter ce nouveau modèle de données.