Abordez les étapes d’un projet d’intelligence artificielle

À ce stade du cours, vous connaissez dorénavant les concepts clés de l’IA. Voyons maintenant comment se déroule concrètement un projet d’intelligence artificielle.

Nous allons ici rentrer dans le vif du sujet, avec des termes techniques et scientifiques. Pas de panique ! Prenez le temps de lire les chapitres qui suivent, de revisionner les vidéos si vous en ressentez le besoin ou bien de prendre des notes. Vous retrouverez, comme pour les chapitres précédents, les informations clés à retenir en fin de page. 

Pour mieux comprendre la réalisation d’un tel projet, nous vous proposons de vous mettre dans la peau d’un ou d’une chef(fe) de projet IA d’un grand site industriel automobile.

Votre objectif : optimiser la consommation énergétique de l’usine pour réduire ses coûts. Après les analyses poussées d’un groupe de recherche sur le projet, plusieurs solutions sont apparues pour résoudre ce challenge énergétique. L’une d’entre elles est d’utiliser l’IA pour anticiper les consommations énergétiques futures.

Voici les principales étapes du projet que vous pourriez mettre en place :

Constituez l’équipe de votre projet d’intelligence artificielle

Pour réaliser un tel projet, il vous faut rassembler différents acteurs :

• les experts métiers : des spécialistes du secteur (dans notre cas, experts industriels) dont la connaissance sera cruciale pour développer une solution pertinente ;
• les profils liés aux projets numériques, notamment un architecte logiciel et des développeurs ;
• les spécialiste de l’IA : un expert IA (profil senior), des Data Scientists (professionnels des données et de l’IA) ;
• les acteurs de gouvernance : un DPO (Délégué à la Protection des Données), un représentant du service juridique (pour la gestion légale des données), et dans notre cas, une personne RSE (Responsabilité Sociétale des Entreprises) pour les objectifs écologiques à atteindre.

Cadrez votre projet d’intelligence artificielle

Une fois l’équipe projet montée, une gouvernance adaptée et une gestion de projet efficace sont essentielles. Spécifiquement pour l’IA, quelques éléments sont particulièrement importants :

• un cadrage business approprié qui est en fait la définition du cas d’usage/ROI (Return On Investment ou retour sur investissement en français) : quoi, pour qui, pour quoi ? Quel budget ?
• une définition des objectifs visés : normes, objectifs RSE (Responsabilité Sociétale des Entreprises), modèle économique de la solution…
• une évaluation de l’impact : éthique, social, sécurité des personnes.
• la gouvernance des données : quelles données, accessibles par qui, comment, quels droits d’utilisation… ?
• le design de la solution : quelle architecture ? Quel niveau de sécurité des données ? 
• l’industrialisation de la solution : monitoring des résultats, gestion des utilisateurs, communication, change management…

Récupérez des données

Votre projet voit le jour à condition d’avoir des données pertinentes ! Dans cette étape, vous allez devoir collecter le plus de données possible.

Les données sont comme le carburant d’un projet de Data Science. Sans données, impossible d’assurer le succès de notre projet !

Votre objectif ici, c’est de travailler sur la consommation électrique d’un site industriel. Vous pourrez donc récupérer tous les historiques de données liés à la consommation d’électricité. Par exemple, il sera intéressant de récupérer la quantité d’électricité consommée au fil des semaines et des mois.

Pour comprendre de quoi est composée cette consommation d’électricité, vous allez pouvoir obtenir des données auprès des machines utilisées pour la production (leurs données de consommation énergétique et leur durée d’utilisation par jour). De plus, votre usine est équipée de nombreux capteurs. Ces petits boîtiers, positionnés dans de multiples endroits du site, mesurent et enregistrent en permanence des informations telles que le nombre d’entrées dans l’usine, la température des différentes salles, l’utilisation des ascenseurs, etc.

À ce stade, vous chercherez à collecter le plus de données possibles, même si vous n’êtes pas sûr de les utiliser par la suite pour mieux comprendre la consommation d’énergie de l’usine.

Vous pourrez enfin récolter des données plus générales, comme par exemple la météo locale pour chaque jour. Vous pourrez vous intéresser à des données telles que l’ensoleillement, les précipitations, le vent, les températures, etc. Ces données peuvent sûrement impacter votre consommation d’énergie. Votre équipe aura l’occasion de le vérifier par la suite.

Au final, vous vous en rendez compte, vous êtes en mesure de récolter de très nombreuses données. À l’ère du Big Data, les coûts de stockage sont relativement faibles. Les sites industriels et les bâtiments modernes sont de plus en plus équipés de capteurs. On parle souvent d’Internet des objets pour faire référence à ces objets qui sont installés dans nos environnements et captent des données en continu. 

Nettoyez vos données

Vous et votre équipe avez collecté de nombreuses données. Avant de pouvoir les exploiter, vous devez vous assurer que ces données sont bien fiables.

Voici deux exemples typiques de contrôle :

• regarder s’il y a des données manquantes. En effet, il est très probable que vos données ne soient pas exhaustives. 

Par exemple, à la suite d’une panne informatique, certains capteurs ont été défaillants dans l’enregistrement des données de consommation.

• vous assurer qu’il n’y a pas de données aberrantes. 

Par exemple, en observant les données de température, on observe pour une journée des températures très élevées qui ne peuvent pas être celles réellement observées. Il peut s’agir d’une anomalie informatique ponctuelle.

Dans ces deux cas, les données concernées ne sont pas satisfaisantes. Le Data Scientist de votre équipe peut par exemple choisir de remplacer les données manquantes ou erronées au moyen d’outils statistiques. On parle ici d’imputation statistique. 

À l’issue de cette étape, vous avez donc des données de qualité à votre disposition. Passons à l’étape suivante.

Explorez vos données

Vous pouvez maintenant observer vos données sous toutes leurs facettes. On parle ici d’exploration de données ou de fouille de données (en anglais, on parle de Data Mining). 

Pour cette étape, le Data Scientist de votre équipe travaille avec des experts métiers et des experts des sources de données afin de mieux comprendre les données.

L’idée est de comprendre le phénomène de consommation d’énergie. Les données vous aideront à répondre à des questions telles que :

• quelle est la consommation moyenne par jour, par semaine, par mois ? 
• quand est-ce que nous consommons le plus d’énergie ? 

L’exploration des données permet aussi de vérifier vos hypothèses ou intuitions. Par exemple, l’équipe a l’intuition suivante : plus il y a d’effectifs présents le lundi, plus la consommation d’énergie est élevée pour toute la semaine. Cette hypothèse pourra être validée ou contredite par le croisement de données.

Dans cette étape, la visualisation des données, ou Data Visualisation en anglais, est souvent utilisée. Il s’agit de méthodes et d’outils visant à reproduire les données de façon graphique et interactive. Pour vous donner une idée, vous pouvez voir à quoi cela ressemble sur ce site, une galerie de visualisations.

Modélisez vos données

Vous y voici, vous allez enfin pouvoir utiliser des outils d’IA !

Ici, votre objectif est d’anticiper au mieux la future consommation d’électricité dans l’usine.

Pour procéder, vous allez utiliser le Machine Learning, que vous découvrirez plus en détail dans le chapitre suivant. Concrètement, vous allez modéliser la consommation d’électricité en fonction de toutes les variables dont vous disposez. 

Un modèle, c’est une représentation mathématique d’un problème donné. 

Prenons un exemple pour mieux se représenter la chose. Imaginons que la température ait un impact sur la consommation d’énergie. S’il fait froid, vous aurez tendance à consommer plus d’énergie pour chauffer les bâtiments. À l’inverse, s’il fait chaud, votre consommation d’électricité sera plus réduite.

Et tout cela, vous pouvez le rédiger en formules mathématiques. Ainsi, votre modèle peut anticiper les consommations d’énergie futures en utilisant les prévisions de la météo locale.

Dans cet exemple, le modèle se base uniquement sur les données météorologiques. Dans votre modèle final, vous utiliserez plus de variables, telles que la date ou la consommation des jours précédents.

Pour modéliser vos données, vous allez passer par deux phases :

• la première phase est l’apprentissage, dans lequel vous allez entraîner votre modèle avec des exemples. Dans cette phase, vous fournirez au système des données météorologiques et de consommation d’électricité des périodes passées ; 
• la deuxième phase est la prédiction : votre système est prêt et vous pouvez l’utiliser pour prédire les consommations d’énergie futures. 

Vous en découvrirez plus sur ces étapes d’apprentissage et de prédiction dans le chapitre suivant.

Évaluez et interprétez vos données

Vous venez de mettre en place un premier modèle qui vous permet de prédire la consommation d’électricité dans le futur.

Mais comment est-ce que je sais si ce modèle est fiable ?

Vous devez évaluer ce modèle, c’est-à-dire confirmer qu’il est pertinent et fournit des prévisions de qualité.

Pour ce faire, vous allez le tester. Vous allez essayer de prédire la consommation électrique sur une période sur laquelle vous n’aurez pas entraîné votre système d’IA. Par exemple, cela peut être le dernier mois. Sur cette période, vous utiliserez le système d’IA pour prédire les consommations.

Vous disposez déjà des résultats. L’objectif est donc ici de vérifier la fiabilité des prédictions du modèle construit.

Mettez votre système en production 

Ça y est, votre système d’intelligence artificielle est prêt à être mis en place. Il va permettre à l’usine de piloter au mieux sa consommation d’énergie. À la clé, l’usine espère réaliser des économies d’énergie.

Pour s’en assurer, votre équipe projet fera le point après une période de test. Le système d’IA est-il pertinent ? En particulier, amène-t-il une plus-value business ?

Un tel système d’IA, une fois mis en route, doit faire l’objet d’un suivi. Vous devez vous assurer quotidiennement qu’il produit des résultats pertinents. De temps en temps, vous devez réaliser une maintenance du système. C’est l’occasion de réajuster ses paramètres pour s’assurer qu’il fournit des résultats toujours pertinents.

En résumé

• Un projet d’intelligence artificielle implique de nombreux acteurs spécialistes de l’IA et non-spécialistes (experts fonctionnels par exemple). C’est donc l’opportunité pour chacun d’entre nous, au sein de notre domaine d’activité, de participer à la création de solutions IA positives et performantes. 
• Il se compose de différentes étapes : analyse, récupération, nettoyage, exploration et modélisation des données, évaluation et interprétation du modèle établi, mise en production et maintenance.  

Vous savez dorénavant comment un projet d’intelligence artificielle se déroule de A à Z. Rentrons dans le détail de l’apprentissage du modèle à travers une sous-discipline de l’IA : le Machine Learning !