La révolution de l'intelligence artificielle ne vient pas, elle est déjà là et oblige les entreprises à repenser les processus métier afin de maximiser la puissance de l'intelligence artificielle (IA) pour étendre les capacités humaines.
Ainsi, tous ceux qui s'intéressent aux technologies modernes entendent la numérisation, le big data et la pénétration de l'intelligence artificielle dans différents domaines de notre vie et de notre travail. Ce n'est un secret pour personne que la vie de l'IA a lentement émergé autour de nous: dans nos poches, nos sacs, nos voitures et nos maisons, là où «vivent» nos gadgets et divers assistants électroniques. Selon les plus grands experts du domaine de l'intelligence artificielle, ces technologies connaissent désormais une troisième vague, elles ont finalement échappé aux laboratoires de recherche et deviennent rapidement «un élément clé de la transformation des entreprises» [1].
Dans ma publication, je souhaite partager l'expérience acquise dans l'industrialisation d'un projet basé sur l'IA et formuler cinq, à mon avis, conditions essentielles et vitales pour sa mise en œuvre réussie.
1. Une équipe avec un état d'esprit commun
Aux premières étapes du projet, lorsque les travaux de recherche ont lieu, l'étude des données disponibles, la familiarité avec le processus technologique, la génération d'idées et d'hypothèses, les représentants commerciaux et les développeurs doivent devenir une seule équipe avec une compréhension commune des objectifs et des tâches. à résoudre. Il est important dès les premières étapes du projet qu'il devienne le sien pour l'équipe unie, afin que chacun de ses participants comprenne parfaitement et partage la responsabilité de ses actions et du résultat global.
Comme le montre la pratique de la mise en œuvre de projets dans l'industrie métallurgique, les plus productives sont les équipes qui comprennent des spécialistes des départements connexes de l'entreprise: travailleurs de la production, technologues, économistes, spécialistes de l'informatique et des données. Il est absolument certain que le développement d'un projet est impossible sans des collaborateurs qui utiliseront directement le service numérique: ils devraient par la suite devenir des «product owner».
Sinon, il s'avère que les chefs d'entreprise et les technologues, dont la responsabilité directe est d'améliorer l'efficacité des processus de production, considèrent l'introduction de services numériques comme un moyen d'atteindre leurs objectifs et sont très motivés par de telles initiatives. Et du côté de l'exploitation, les personnes qui travaillent directement dans la production de leurs propres mains, traitent cela comme l'imposition de contrôles supplémentaires ou une complication supplémentaire des processus de production déjà familiers et bien établis. Ou, par exemple, l'équipe de développement, le côté exploitation et les technologues ont conjointement développé un ensemble d'hypothèses et même mené des expériences qui ont confirmé leur fiabilité, mais il se peut que leur mise en œuvre technique soit impossible en raison du manque de données nécessaires ou sources de signal.
C'est ainsi qu'ils décrivent leur approche de la mise en œuvre de solutions numériques dans l'une des plus grandes entreprises industrielles de Russie. Le travail des équipes a commencé par le fait que les ouvriers de production ont été invités à identifier leurs problèmes et leurs souhaits: qui a ce qui «fait mal», qui a besoin de quoi pour ses propres projets. Tous les employés ont des objectifs liés à notre stratégie. Par exemple, nous comprenons comment un laminoir spécifique doit fonctionner dans cinq ans, quelle doit être la qualité des produits, la consommation de matières premières, les temps d'arrêt, etc., pour que la stratégie dans ce domaine soit mise en œuvre. Et chaque équipe qui travaille avec une unité spécifique sait quels résultats elle doit atteindre. Bien entendu, atteindre ces objectifs n'est pas facile, ou toutes les entreprises seraient également efficaces et rentables. Par conséquent, le personnel de production répond facilement,s'il se voit offrir de l'aide pour résoudre des problèmes spécifiques.
Les équipes discutent dans quels domaines problématiques ou à fort potentiel les outils numériques peuvent aider, formulent des hypothèses sur la façon dont cela peut être fait.
2. Transition vers une nouvelle culture des processus technologiques et commerciaux
Au cours de plusieurs études menées ces dernières années, les scientifiques ont découvert que «lorsqu'ils font la même erreur de prédiction, les gens sont plus susceptibles de cesser de faire confiance à un algorithme qu'à une personne» [1].
Oui, les gens ont tendance à faire davantage confiance à leurs semblables, parce qu'ils savent comment nous travaillons, parce qu'ils comprennent grosso modo la logique du comportement de chacun et peuvent facilement s'imaginer à la place d'une autre personne, projeter la situation.
Lorsqu'on a demandé aux cadres supérieurs et intermédiaires ce qui les motiverait à faire confiance aux conseils du système, 60% ont choisi l'option «Une compréhension claire du fonctionnement du système et de la manière dont il génère des conseils», 55% - «Un système avec une piste éprouvée record », et 49 -« Un système qui explique sa logique »[2].
Les entreprises qui suivent un cours vers la numérisation et qui passent à un nouveau niveau de construction de processus technologiques et commerciaux grâce à l'introduction de systèmes d'IA sont confrontées à une tâche de leadership difficile pour former une culture d'entreprise qui contribue à comprendre les objectifs, les étapes et les méthodes de leur conception et mise en œuvre. Atteindre cet objectif n'est pas facile, car de nombreuses personnes, en particulier celles qui devront interagir directement avec l'IA, craignent souvent que les machines finissent par prendre leur place et qu'elles ne seront pas nécessaires sans leur propre engin.
Dans l'environnement de travail, il est nécessaire de comprendre que l'intelligence artificielle permettra de ne pas être distrait par des tâches individuelles et ne vise pas à remplacer les employés, mais à étendre leurs capacités, à transférer les fonctionnalités à un nouveau niveau, à faciliter leur travail et la capacité à se concentrer non pas sur des procédures de routine, mais sur des choses qui ont vraiment besoin d'intelligence humaine.
L'équipe de développement, pour sa part, doit maîtriser le langage de l'industrie, s'immerger le plus profondément possible dans les processus de production et technologiques.
Il est extrêmement important que les personnes qui utiliseront directement l'IA comprennent les principes de base de sa structure et de son comportement, puissent faire des ajustements aux résultats de son travail et se sentir comme des participants actifs au développement, afin d'avoir un sentiment de transparence et de contrôle sur le système. Idéalement, bien sûr, les systèmes d'IA devraient être conçus de manière à expliquer leurs décisions et à aider les gens à conserver une certaine autonomie dans la prise de décisions.
3. Expérimenter avec l'IA
Plusieurs fois dans notre pratique, il est arrivé que les équipes de production qui travaillaient avec notre service n'aient pas suivi ses recommandations ou aient tenté de le «tromper» car elles avaient peur de recevoir un grondement de leurs patrons pour une éventuelle baisse des indicateurs d'efficacité de production et augmenté les coûts de production (par exemple, augmentation de la consommation d'énergie).
Aux stades des tests à chaud du système d'IA, il est important de créer l'environnement le plus confiant au sein de l'équipe unie, il est important de faire comprendre aux expérimentateurs qu'un résultat négatif est également un résultat et parfois même plus précieux que positif. Ici, vous devez être aussi honnête que possible et ne pas cacher le véritable état des choses. Quelque part, cela est comparable à un rendez-vous avec un médecin. Le patient n'a pas toujours envie de parler de tous ses symptômes et anomalies de santé, il en cache, et par la suite le traitement devient beaucoup plus long, plus coûteux et compliqué.
L'astuce consiste à devenir un «petit bout de startup» et à apprendre à expérimenter rapidement la digitalisation de type startup. Leur règle habituelle est: "Si cela fonctionne, nous allons de l'avant, sinon, essayons une nouvelle idée." Chacune de ces startups est un processus en plusieurs étapes d'élaboration et de développement d'une hypothèse depuis la naissance, en passant par la vérification et la transformation en une solution de travail, jusqu'à ce qu'un effet commercial soit obtenu. De plus, les salariés engagés dans une hypothèse doivent l'accompagner du début à la fin [2].
La principale métrique pour le développement de l'hypothèse devrait être l'effet métier, pour lequel il est important de construire un modèle de calcul au tout début du projet, tandis qu'à chaque étape, ce modèle est mis à jour. Les sources d'effet initialement évidentes pour une hypothèse peuvent s'avérer peu prometteuses, mais au cours de la mise en œuvre, de nouvelles idées peuvent apparaître et le résultat sera atteint grâce à elles.
4. L'importance d'une transmission de données rationalisée et complète
Tout d'abord, il convient de noter que la qualité des données joue un rôle essentiel dans les systèmes d'intelligence artificielle. Essentiellement, les données sont le carburant de l'intelligence artificielle. La plupart du temps et des efforts sont consacrés à la collecte et à l’étude d’un ensemble de données adéquat pour la formation et la vérification d’hypothèses. L'expérience montre qu'environ 80% du temps nécessaire pour mettre en œuvre des initiatives d'IA est l'extraction, la livraison et le prétraitement des données, la construction de fonctionnalités et non la compilation des algorithmes eux-mêmes. Il est nécessaire d'expliquer au client professionnel à quel point il est important d'assembler un ensemble de données de haute qualité et pourquoi il faut tant de temps pour le créer.
D'après notre expérience, aux premiers stades du projet, il n'y aura pas de données du tout ou leur volume sera limité à la fois en termes de profondeur de stockage et de discrétion, ils auront un grand nombre de lacunes et un niveau global de qualité faible. Et vous devrez travailler avec ceci: comprendre comment construire des modèles fonctionnant avec des données incomplètes, comment interpréter de manière optimale celles de faible qualité.
Dans notre pratique, il y a également eu des cas où des technologues ou des ouvriers de production nous ont convaincus de l'inutilité d'un certain nombre de données technologiques, qui, à leur avis et expérience, ne peuvent en aucun cas influencer la formation d'une évaluation ou d'une recommandation d'un système d'IA. Cependant, dans la pratique, il s'est avéré que ce sont, à première vue, des données non cibles qui ont aidé l'IA à capturer la dépendance la plus subtile du processus technologique, et le pouvoir prédictif du modèle a augmenté précisément grâce à elles. .
Par conséquent, il est important dès le début du projet de préparer une plate-forme à part entière pour la livraison fluide et ininterrompue des données, elles doivent être étendues, diverses, de haute qualité et utiles. Au lieu de créer des chaînes pour la livraison de données individuelles pour tester une hypothèse spécifique, mais en établissant un processus qui vous aidera à configurer rapidement l'ensemble de données requis et à avoir un potentiel suffisant pour augmenter la quantité d'informations fournies.
5. Course de fond
Pour les entreprises russes, le concept de transformation numérique est associé à l'introduction de l'apprentissage automatique, de l'analyse des mégadonnées, de l'intelligence artificielle, de la robotisation et de la réalité augmentée. Selon les experts, le plus grand succès dans cette direction est obtenu par les entreprises qui le considèrent non comme un ensemble d'initiatives distinctes, mais comme un programme de numérisation complet qui affecte toute une gamme de processus interdépendants et de changements dans l'entreprise.
Les projets d'IA, comme toute innovation, doivent être considérés comme une entreprise à risque. Tous les projets ne seront pas payants, encore moins apporteront des avantages tangibles, mais plusieurs projets apporteront des retours qui couvriront tous les coûts plusieurs fois.
En conséquence, il est nécessaire d'éviter d'éliminer précocement des concepts apparemment utopiques. Le vol d'un homme dans l'espace a aussi longtemps ressemblé à une utopie classique, il a été rejeté comme impossible au niveau de la science.
Conclusion
Aujourd'hui, l'intelligence artificielle pénètre rapidement dans la plupart des domaines de l'industrie et des affaires. La nouvelle réalité de l'interaction homme-machine nécessite de repenser les processus technologiques et commerciaux précédemment établis. L'explosion numérique a déjà eu lieu et l'univers numérique est en pleine expansion. Ceux qui peuvent comprendre les lois physiques du nouveau monde, suivre la périphérie du front numérique actuel, n'auront pas peur d'expérimenter et d'introduire de nouvelles technologies, et passeront à un nouveau niveau qualitatif d'efficacité des processus d'affaires dans leur domaine d'activité. .
Littérature
- +. / , ; . . , ; [. . . , . , . , . ]. – .: , , 2019. – 304 .
- .0. / : . . – .: «», 2019.-320 .