Libérer la promesse de l'IA dans les industriels

En 2018, nous avons exploré l'opportunité de 1 000 milliards de dollars pour l'intelligence artificielle (IA) dans les industries. la pandémie, les recherches montrent que le talent, la résilience, l'activation de la technologie dans tous les domaines et la croissance organique sont leurs principales priorités.2Qu'est-ce qui compte le plus ? Cinq priorités pour les PDG dans la prochaine normalité, McKinsey, septembre 2021.

Cet article est un effort de collaboration de Kimberly Borden, Mark Huntington, Mithun Kamat, Alex Singla, Joris Wijpkema et Bill Wiseman, représentant les points de vue des pratiques industrielles avancées de McKinsey.

Malgré cette opportunité, de nombreux dirigeants ne savent toujours pas où appliquer les solutions d'IA pour capturer un impact réel sur les résultats. Le résultat a été des taux d'adoption lents, de nombreuses entreprises adoptant une approche attentiste plutôt que de plonger.

Plutôt que d'envisager sans cesse des applications possibles, les dirigeants devraient définir une direction générale et une feuille de route, puis se concentrer sur les domaines dans lesquels l'IA peut résoudre des problèmes commerciaux spécifiques et créer une valeur tangible. Dans un premier temps, les dirigeants industriels pourraient acquérir une meilleure compréhension de la technologie de l'IA et de la manière dont elle peut être utilisée pour résoudre des problèmes commerciaux spécifiques. Ils seront alors mieux placés pour commencer à expérimenter de nouvelles applications.

Le terme "intelligence artificielle" souffre d'une grave surutilisation. Il est presque devenu un raccourci pour toute application de technologie de pointe, obscurcissant sa véritable définition et son objectif. Par conséquent, il est utile de définir clairement l'IA et ses utilisations pour les entreprises industrielles.

En bref, l'IA est la capacité d'une machine à exécuter des fonctions cognitives généralement associées à l'esprit humain, telles que la perception, le raisonnement, l'apprentissage, l'interaction avec l'environnement et la résolution de problèmes. Les exemples de technologies d'IA incluent la robotique, les véhicules autonomes, la vision par ordinateur, le langage, les agents virtuels et l'apprentissage automatique.

Un domaine dans lequel l'IA crée de la valeur pour les industriels est l'augmentation des capacités des travailleurs du savoir, en particulier des ingénieurs. À la base, ces applications exploitent les capacités prédictives de l'IA. Les entreprises apprennent à reformuler les problèmes commerciaux traditionnels en problèmes dans lesquels l'IA peut utiliser des algorithmes d'apprentissage automatique pour traiter les données et les expériences, détecter des modèles et faire des recommandations.

Les entreprises doivent d'abord définir un problème commercial existant avant d'explorer comment l'IA peut le résoudre. Si vous ne parvenez pas à cet exercice, les organisations intégreront la dernière solution d'IA "objet brillant".

Les exemples suivants démontrent la valeur de l'IA dans l'augmentation des connaissances des travailleurs et la rationalisation des flux de travail.

Certains des défis les plus difficiles pour les entreprises industrielles sont la planification de lignes de fabrication complexes, la maximisation du débit tout en minimisant les coûts de changement et la garantie de la livraison à temps des produits aux clients. L'IA peut aider grâce à sa capacité à considérer une multitude de variables à la fois pour identifier la solution optimale. Par exemple, dans une usine de fabrication de métaux, un agent de planification IA a pu réduire les pertes de rendement de 20 à 40 % tout en améliorant considérablement la ponctualité des livraisons pour les clients.

Les approches d'optimisation traditionnelles s'effondrent dans une tentative de gérer une incertitude et une fluctuation importantes de l'offre ou de la demande. Ce problème est devenu particulièrement pertinent compte tenu de tous les problèmes de chaîne d'approvisionnement de l'année écoulée. Utilisant des agents d'ordonnancement basés sur l'apprentissage par renforcement,3L'apprentissage par renforcement est un type d'apprentissage automatique dans lequel un algorithme apprend à effectuer une tâche en essayant de maximiser les récompenses qu'il reçoit pour ses actions. Pour en savoir plus, voir Jacomo Corbo, Oliver Fleming et Nicolas Hohn, « Il est temps que les entreprises tracent une voie pour l'apprentissage par renforcement », McKinsey, 1er avril 2021. Les entreprises peuvent traduire ce problème en une question : « Quel ordre est le plus susceptible de maximiser le profit ?", ce qui donne une recommandation claire.

Pour résoudre ce problème, les entreprises doivent d'abord créer un environnement dans lequel l'agent de planification de l'IA peut apprendre à faire de bonnes prédictions (Figure 1). Dans cette situation, s'appuyer sur des données historiques (comme le fait généralement l'apprentissage automatique) n'est tout simplement pas suffisant, car l'agent ne sera pas en mesure d'anticiper les problèmes futurs (tels que les perturbations de la chaîne d'approvisionnement).

Au lieu de cela, les organisations peuvent commencer par créer une simulation ou un "jumeau numérique" de la chaîne de fabrication et du carnet de commandes. Un agent de planification peut alors planifier la ligne. La performance de l'agent est notée en fonction du coût, du débit et de la livraison à temps des produits. Ensuite, l'agent "joue au jeu de la planification" des millions de fois avec différents types de scénarios. Tout comme l'agent AlphaGo de Deep Mind s'est amélioré en jouant lui-même, l'agent utilise l'apprentissage par renforcement profond pour améliorer la planification. avec les planificateurs humains pour optimiser la production.

De nombreuses entreprises industrielles sont confrontées à la problématique commune d'identifier les données les plus pertinentes face à un défi spécifique. L'IA peut accélérer ce processus en ingérant d'énormes volumes de données et en trouvant rapidement les informations les plus susceptibles d'être utiles aux ingénieurs lors de la résolution de problèmes. Par exemple, les entreprises peuvent utiliser l'IA pour réduire le filtrage fastidieux des données d'une demi-heure à quelques secondes, libérant ainsi 10 à 20 % de la productivité d'équipes d'ingénierie hautement qualifiées. De plus, l'IA peut également découvrir des relations dans les données jusque-là inconnues de l'ingénieur.

Après des décennies de collecte d'informations, les entreprises sont souvent riches en données mais pauvres en informations, ce qui rend presque impossible de parcourir les millions d'enregistrements de données structurées et non structurées pour trouver des informations pertinentes. Ce défi est particulièrement important lorsque les ingénieurs résolvent de nouveaux problèmes sur des systèmes très complexes (par exemple, des avions, des engins spatiaux et des centrales électriques) pour trouver les procédures les plus pertinentes, les données de performances de la machine, l'historique des opérations et les instances de problèmes pertinents sur des sous-systèmes similaires. . Les ingénieurs doivent souvent se fier à leur expérience antérieure, parler à d'autres experts et parcourir des piles de données pour trouver des informations pertinentes. Pour les problèmes critiques, cette chasse au trésor à enjeux élevés est au mieux stressante et conduit souvent à des résultats sous-optimaux.

Les entreprises peuvent apprendre à l'IA à naviguer dans des documents techniques structurés et non structurés à forte densité de texte en lui fournissant des dictionnaires techniques importants, des tables de recherche et d'autres informations. Ils peuvent ensuite créer des algorithmes pour aider l'IA à comprendre les relations sémantiques entre différents textes. Ensuite, un graphe de connaissances5Un graphe de connaissances est une représentation visuelle d'un réseau d'entités du monde réel et de leurs relations les unes avec les autres. Pour en savoir plus, voir « Qu'est-ce qu'un graphe de connaissances ? », IBM, 12 avril 2021. peut créer dynamiquement un réseau d'informations qui représente toutes les relations sémantiques et autres dans les documents et données techniques (pièce 2). Par exemple, en utilisant le graphe de connaissances, l'agent serait en mesure de déterminer qu'un capteur défaillant a été mentionné dans une procédure spécifique qui a été utilisée pour résoudre un problème dans le passé. Une fois le graphe de connaissances créé, une interface utilisateur permet aux ingénieurs d'interroger le graphe de connaissances et d'identifier des solutions à des problèmes particuliers. Le système peut être configuré pour recueillir les commentaires des ingénieurs sur la pertinence des informations, ce qui permet à l'IA de s'auto-apprendre et d'améliorer les performances au fil du temps.

Pour de nombreuses entreprises industrielles, la conception système de leurs produits est devenue incroyablement complexe. Les organisations peuvent utiliser l'IA pour augmenter la nomenclature d'un produit avec des données tirées de sa configuration, de son développement et de son approvisionnement. Ce processus identifie les opportunités de réutilisation des pièces historiques, d'amélioration du travail standard existant et de prise en charge de la définition de préproduction. Grâce à ces informations, les entreprises peuvent réduire considérablement les heures d'ingénierie et passer plus rapidement à la production.

Lorsqu'un seul projet peut avoir des millions de pièces et des milliers de sous-modules et de sous-systèmes, il peut être presque impossible pour un seul ingénieur d'avoir une vue complète des systèmes ainsi qu'une compréhension de la conception détaillée des composants individuels, et encore moins à travers les projets. En conséquence, les systèmes sont repensés à chaque nouveau projet, mais négligent les opportunités de réutilisation des pièces, ce qui fait grimper les coûts et augmente la complexité de la chaîne d'approvisionnement. De plus, les ingénieurs peuvent être confrontés à d'importants remaniements sur les projets s'ils ne comprennent pas pleinement les interdépendances à travers le système.

Heureusement, les approches d'IA n'ont pas de telles limites. Avec suffisamment de mémoire et de calcul, les solutions basées sur l'IA peuvent facilement examiner des millions de pièces et de projets et des milliards de relations pour identifier les opportunités de réutilisation et séquencer les processus afin d'éviter les retouches liées aux interdépendances. Une représentation du système basée sur le réseau à l'aide de BoM peut capturer des relations complexes et la hiérarchie des systèmes (pièce 3). Ces informations sont complétées par des données sur les heures d'ingénierie, les coûts des matériaux et la qualité ainsi que les exigences des clients. Avec cette construction de réseau améliorée, les entreprises peuvent interroger et faire des prédictions, par exemple, quels sous-systèmes une exigence client pourrait affecter et les efforts d'ingénierie les plus susceptibles de provoquer des modifications dans un projet basé sur les interdépendances.

Au fur et à mesure que les produits ont évolué, repousser les limites de la performance est devenu de plus en plus difficile. Les entreprises industrielles qui peuvent innover rapidement et commercialiser plus rapidement des produits plus performants sont beaucoup plus susceptibles de gagner des parts de marché et de gagner sur leurs segments de marché.

Au cours des trois dernières décennies, l'ingénierie assistée par ordinateur (IAO) et la simulation ont été utiles, mais les limites de leur puissance de calcul les empêchent d'explorer pleinement l'espace de conception et d'optimiser les performances sur des problèmes complexes. Par exemple, les composants ont généralement plus de dix paramètres de conception, avec jusqu'à 100 options pour chaque paramètre. Étant donné qu'une simulation prend dix heures à s'exécuter, seule une poignée des milliers de milliards de conceptions potentielles qui en résultent peuvent être explorées en une semaine. Les entreprises qui s'appuient sur des ingénieurs expérimentés pour affiner les conceptions les plus prometteuses à tester dans une série d'expériences conçues risquent de laisser les performances sur la table.

L'IA utilise un réseau de neurones d'apprentissage en profondeur pour créer un jumeau numérique du composant et prédire les performances (figure 4).6 L'apprentissage en profondeur est un réseau de neurones à plusieurs couches avec une architecture spéciale qui peut extraire des caractéristiques de plus en plus complexes des données à chaque couche pour déterminer la sortir. Pour en savoir plus, consultez « Notes from the AI ​​frontier: Applications and value of deep learning », McKinsey Global Institute, 17 avril 2018. Les organisations peuvent également utiliser des optimiseurs bayésiens pour prédire les domaines les plus prometteurs de l'espace de conception à explorer.7 L'optimisation bayésienne cherche à pour déterminer le minimum global pour les fonctions complexes dans le plus petit nombre d'étapes. Pour en savoir plus, voir Andre Ye, "La beauté de l'optimisation bayésienne, expliquée en termes simples", Vers la science des données, 12 septembre 2020. Le passage de calculs exacts à une approche directionnelle de résolution de problèmes axée sur les prédictions accélère de manière exponentielle l'évaluation de la conception. Un moteur peut générer des millions de conceptions potentielles qui sont évaluées à l'aide du jumeau numérique d'apprentissage en profondeur. Un algorithme génétique peut alors optimiser le système pour plusieurs paramètres de performance en même temps (par exemple, dans la vitesse de pointe automobile et l'économie de carburant).

Les entreprises industrielles bâtissent leur réputation sur la qualité de leurs produits et l'innovation est la clé d'une croissance continue. Les entreprises gagnantes sont en mesure de comprendre rapidement les causes profondes des différents problèmes de produits, de les résoudre et d'intégrer ces apprentissages à l'avenir. L'IA peut considérablement accélérer ce processus.

Depuis que la complexité des produits et des conditions de fonctionnement a explosé, les ingénieurs ont du mal à identifier les causes profondes et à trouver des solutions. En conséquence, les entreprises dépendent fortement de la reconnaissance des modèles par des ingénieurs expérimentés et passent beaucoup de temps à essayer de recréer des problèmes dans des environnements de laboratoire pour tenter de trouver la cause première.

IA et modélisation causale8La modélisation causale détermine la cause et l'effet dans les ensembles de données. Pour en savoir plus, voir Nouveau sur le blog McKinsey, "Meet CausalNex, our new open-source library for causal Reasoning and 'what if' analysis", McKinsey, 7 février 2020. Les approches peuvent reformuler cette complexité en un problème métier défini : "Que sont les cinq principales causes profondes les plus probables de ce problème ? » Les entreprises peuvent commencer par créer un modèle de données basé sur les événements qui relie des milliers de variables tout au long de l'historique du produit et du cycle de vie du développement, y compris les configurations de conception, les paramètres de fabrication et l'historique de maintenance et de réparation. Un modèle basé sur l'IA peut ensuite identifier les principaux prédicteurs d'incidents liés à un problème spécifique (Figure 5). Ensuite, les approches de modélisation causale séparent les variables corrélées de celles susceptibles d'être causales. Une interface utilisateur permet aux ingénieurs d'interroger et de trouver les causes profondes les plus probables des nouveaux problèmes.

L'IA en est encore à des stades de développement relativement précoces, et elle est sur le point de se développer rapidement et de perturber les approches traditionnelles de résolution de problèmes dans les entreprises industrielles. Ces cas d'utilisation permettent de démontrer les applications concrètes de ces solutions ainsi que leur valeur tangible. En expérimentant dès maintenant les applications d'IA, les entreprises industrielles peuvent être bien placées pour générer une énorme quantité de valeur dans les années à venir.

Kimberley Bordenest un associé du bureau de McKinsey à Chicago, oùMarc Huntingtonest partenaire associé,Alex Singlaest un associé principal, etJoris Wijpkemaest un partenaire ;Mithun Kamat est un associé du bureau de Dallas ; etBill Wisemanest un associé principal du bureau de Seattle.

Les auteurs tiennent à remercier Maxime Szybowski pour ses contributions à cet article.