Bonnes pratiques de gouvernance de l’IA dans l’industrie manufacturière

Le contenu de cette page a été traduit automatiquement par un service tiers.

---

L’IA trouve déjà sa place dans le développement de produits et la fabrication. La gouvernance de l’IA dans l’industrie manufacturière couvre les règles et les contrôles qui encadrent la manière dont l’IA utilise les informations produit et influence les décisions en matière d’ingénierie, de fabrication, de qualité et de service. Elle englobe le contexte produit, l’accès aux données, la supervision humaine, la responsabilité, la traçabilité et les risques.

Prenons un exemple. Un ingénieur interroge une application d’IA sur une exigence de jeu fonctionnel et obtient une réponse précise et formulée avec assurance. La réponse est fausse. Elle provient d’un plan remplacé deux révisions auparavant, et rien dans la réponse ne l’indique. Un ingénieur expérimenté travaillant sur ce programme l’aurait remarqué. Une application d’IA, elle, n’avait aucune raison de le faire. Le document semblait faire autorité, se trouvait au même endroit que les autres et rien n’indiquait qu’il n’était plus applicable.

Chaque cas d’usage est différent, mais tous partagent un problème facile à négliger. L’IA doit comprendre quelles informations produit sont réellement applicables.

Une recommandation peut sembler parfaitement raisonnable tout en étant erronée parce qu’elle repose sur un plan obsolète, une nomenclature non publiée ou une exigence qui s’applique à une autre configuration. Une analyse qualité peut identifier une tendance sans reconnaître que les produits concernés ont été fabriqués selon des révisions différentes. Une recommandation de service peut ne pas tenir compte d’une modification apportée à une unité physique plusieurs années après sa sortie d’usine.

Pour les fabricants, la gouvernance de l’IA va donc au-delà de la gestion des modèles, des accès et des règles d’utilisation acceptable. Elle doit également encadrer la relation entre l’IA et les décisions produit qu’elle contribue à prendre.

Cela devient plus difficile à mesure que l’IA intervient à différentes étapes du cycle de vie du produit.

Ce qui distingue la gouvernance de l’IA dans l’industrie manufacturière

Les fabricants encadrent déjà des décisions produit importantes. Les exigences sont approuvées. Les conceptions font l’objet de révisions. Les changements suivent des workflows. Les pièces sont soumises à des règles d’effectivité et de configuration. Les problèmes qualité font l’objet d’investigations, et les produits réglementés peuvent nécessiter des preuves indiquant précisément comment une décision a été prise.

L’IA entre dans cet environnement avec la capacité de traiter les informations beaucoup plus rapidement qu’une personne.

Cela peut être extrêmement utile. Mais cela signifie aussi que les erreurs peuvent se propager rapidement.

Prenons quelque chose d’aussi courant qu’un plan obsolète. Un ingénieur connaissant bien le programme peut repérer immédiatement le problème. Une application d’IA peut simplement considérer ce plan comme une autre source apparemment fiable. La même chose peut se produire avec une modification non publiée, une spécification obsolète ou une feuille de calcul qui s’est progressivement éloignée de l’enregistrement produit officiel.

Le problème prend davantage d’importance lorsque l’IA commence à influencer les décisions plutôt qu’à simplement rechercher des informations.

Utiliser l’IA pour résumer une spécification présente un risque relativement limité. Lui demander de recommander le remplacement d’un composant est différent. La réponse peut alors dépendre des exigences, des informations fournisseurs, des alternatives approuvées, des configurations actuelles, des restrictions de conformité et des modifications techniques antérieures. Elle peut également générer du travail pour la fabrication, la qualité, les achats ou le service.

Par exemple, imaginons qu’une application d’IA analysant les données fournisseurs propose de remplacer le capteur de pression d’un ensemble de pompe par un équivalent moins coûteux. À première vue, la recommandation semble raisonnable. Pour savoir si elle est correcte, il faut connaître l’exigence de précision qui avait motivé le choix du capteur d’origine, les configurations qui l’utilisent, l’existence éventuelle d’une alternative déjà approuvée, les conséquences du changement sur la procédure d’étalonnage et les instructions de travail, ainsi que le nombre d’unités déjà en service qui contiennent cette pièce. Rien de tout cela n’est visible dans la recommandation elle-même.

La gouvernance doit tenir compte de ces conséquences.

Gouverner le contexte produit, pas seulement l’IA

La gouvernance traditionnelle de l’IA tend à se concentrer sur des questions telles que la responsabilité d’une application, les données auxquelles elle peut accéder, les performances du modèle et la mise en place de contrôles appropriés en matière de sécurité et de confidentialité.

Les fabricants doivent eux aussi répondre à ces questions. Mais ils doivent en poser d’autres.

L’IA utilise-t-elle la bonne révision ?

Cette exigence s’applique-t-elle à cette configuration ?

La nomenclature a-t-elle été publiée ?

Quels produits ont réellement été fabriqués avec ce composant ?

Une modification proposée a-t-elle déjà été évaluée ?

Qu’est-il arrivé au produit physique après sa mise en service ?

Ce sont des questions liées au cycle de vie du produit, et y répondre nécessite davantage que de donner à l’IA accès à un vaste référentiel d’informations.

Les informations doivent conserver leur contexte.

À lui seul, un numéro de composant apporte très peu d’informations à une application d’IA. Sa signification vient de ses relations : où le composant est utilisé, à quelles exigences il répond, quelles configurations l’incluent, quelles modifications l’ont affecté, s’il existe une alternative approuvée et, potentiellement, quels produits physiques le contiennent.

Ces relations font partie de la gouvernance de l’IA, car elles permettent de déterminer si une décision assistée par l’IA est valable pour le produit concerné.

La gouvernance de l’IA tout au long du cycle de vie du produit

Le contexte dont l’IA a besoin évolue à mesure que le produit passe des exigences et de la conception à la fabrication, puis au service.

Exigences et développement produit

Au début du développement, l’IA peut aider un ingénieur à interpréter une longue spécification, à comparer des exigences ou à identifier d’éventuels conflits.

À ce stade, la question de la gouvernance peut sembler simple, mais même un résumé utile peut devenir problématique si les utilisateurs commencent à le considérer comme un substitut à la source approuvée. Les ingénieurs doivent pouvoir revenir à l’exigence de référence et déterminer sa révision, son statut et son applicabilité.

À mesure que les conceptions évoluent, le nombre de relations augmente. Les exigences sont reliées aux pièces, aux systèmes, aux tests, aux documents et aux configurations. L’IA a besoin de ces connexions si elle doit faire davantage que simplement récupérer des informations isolées.

Modifications techniques

Les modifications techniques permettent de mieux comprendre l’importance du contexte produit.

Supposons qu’une application d’IA recommande de remplacer un composant. Avant d’agir sur cette suggestion, un ingénieur doit savoir où la pièce actuelle est utilisée. Le remplacement proposé répond-il aux mêmes exigences ? Quelles configurations seraient affectées ? Existe-t-il des implications pour les fournisseurs ou la conformité ? La fabrication aurait-elle besoin de nouveaux outils ou de nouvelles instructions ? Une modification similaire a-t-elle déjà été évaluée ?

Une recommandation sans ces réponses peut générer plus de travail qu’elle n’en économise.

La supervision humaine reste essentielle, mais la personne chargée de l’examen doit également avoir accès aux informations nécessaires pour exercer son jugement. La gouvernance doit rendre visibles à la fois la recommandation et son contexte produit.

Fabrication et qualité

Dans l’atelier de production, les questions changent à nouveau.

Supposons que l’IA identifie ce qui semble être un défaut récurrent. Un code de défaut ne suffit pas, à lui seul, à établir que le même problème se produit de manière répétée.

Cette connexion est également importante dans l’autre sens. Un problème qualité découvert pendant la production peut révéler un problème que l’ingénierie doit traiter. Si l’IA contribue à identifier cette tendance, l’investigation et l’action corrective qui en résultent doivent rester liées aux enregistrements produit concernés.

Dans le cas contraire, des connaissances utiles peuvent rester bloquées à la frontière organisationnelle où elles ont été découvertes.

Service et produit physique

Le service introduit une autre difficulté : le technicien travaille sur un produit réel, et non sur sa définition générique.

Deux produits identiques à leur sortie d’usine peuvent avoir des historiques très différents plusieurs années plus tard. L’un peut avoir reçu un composant amélioré, une mise à jour logicielle ou une réparation que l’autre n’a pas reçue.

Une recommandation de l’IA ne peut être utile que dans la mesure où elle comprend cet historique.

Pour les applications de service, la gouvernance inclut donc la capacité de relier une recommandation assistée par l’IA à la configuration telle que fabriquée et, lorsqu’elle est disponible, à la configuration telle que maintenue de l’actif concerné.

Adapter l’autorité de l’IA au niveau de risque dans la fabrication

Tous les cas d’usage de l’IA dans la fabrication ne nécessitent pas le même niveau de contrôle.

Une application qui aide un ingénieur à trouver des informations est fondamentalement différente d’une application qui recommande une modification technique. Un outil d’IA qui résume des enregistrements qualité est différent d’un outil qui influence une décision de traitement. Les conséquences déterminent le niveau de supervision approprié.

Les fabricants peuvent s’appuyer sur cette distinction pour définir des limites à l’autorité de l’IA.

Les applications à faible risque peuvent simplement nécessiter des contrôles d’accès et un moyen pour l’utilisateur de vérifier la source. Les applications à risque plus élevé peuvent nécessiter une supervision humaine formelle, un workflow d’approbation et la conservation d’un enregistrement des informations ayant servi de base à la recommandation.

Les activités critiques pour la sécurité et réglementées peuvent nécessiter des contrôles encore plus stricts.

L’essentiel est de définir ces limites avant qu’une capacité expérimentale ne devienne discrètement une partie intégrante d’un processus opérationnel.

Maintenir les décisions assistées par l’IA liées à l’enregistrement produit

Certaines interactions avec l’IA sont temporaires et n’ont pas besoin d’intégrer durablement l’historique produit.

D’autres, oui.

Si une recommandation de l’IA contribue à une modification technique, une action qualité, une décision de conformité ou un autre événement important, un fabricant peut avoir besoin de comprendre cette décision ultérieurement. Quelles informations l’ont étayée ? Quel produit ou quelle configuration concernait-elle ? Qui l’a examinée ? Quelle action en a résulté ?

La traçabilité et la traçabilité des données rendent cela possible.

L’objectif n’est pas de conserver indéfiniment chaque prompt ou chaque interaction avec l’IA. Il s’agit de préserver le contexte des décisions qui comptent.

Cette distinction devient particulièrement importante dans les environnements de fabrication réglementés, où les preuves justifiant une action peuvent être nécessaires longtemps après que la décision initiale a été prise.

Gouverner les transitions entre les différentes étapes du cycle de vie

Les décisions produit restent rarement limitées à une seule fonction.

Une modification de conception peut affecter les fournisseurs, l’outillage, les instructions de fabrication, les procédures de test, la documentation, les procédures de service et les produits déjà sur le terrain. Un problème qualité peut renvoyer des informations vers l’ingénierie. L’expérience acquise en service peut révéler une faiblesse qui n’était pas visible pendant le développement.

L’IA ne change pas ces dépendances.

Au contraire, l’accélération des analyses et des recommandations rend leur maintien encore plus important. Une décision assistée par l’IA prise en ingénierie ne doit pas perdre son contexte lorsqu’elle atteint la fabrication. Les informations découvertes dans les domaines de la qualité ou du service doivent pouvoir revenir aux personnes responsables de la définition produit.

C’est à ce niveau que la gouvernance de l’IA dans l’industrie manufacturière commence à rejoindre la continuité numérique.

Le rôle du PLM dans la gouvernance de l’IA

Une plateforme de gestion du cycle de vie des produits (PLM) fournit à l’IA un élément difficile à reconstruire à partir de documents et de référentiels déconnectés : les relations entre les informations produit.

Les exigences peuvent être reliées aux conceptions. Les conceptions peuvent être associées aux configurations et aux modifications techniques. Les informations de fabrication peuvent rester associées à la définition produit, tandis que les enregistrements de qualité et de service apportent des informations sur ce qui s’est produit par la suite.

Ces connexions permettent de répondre à une question essentielle de gouvernance : Quelles informations s’appliquent à cette décision produit particulière ?

Cela est différent du simple fait de donner à une application d’IA accès à davantage de données.

Une continuité numérique peut préserver ces relations à mesure que le produit évolue. L’IA bénéficie d’un contexte produit plus riche pour ses analyses, tandis que l’ingénieur, le professionnel de la qualité ou le technicien de service qui examine le résultat dispose d’un moyen d’explorer les enregistrements qui le sous-tendent.

Cela devient de plus en plus important à mesure que les fabricants dépassent le stade des projets pilotes isolés.

Lors d’une expérimentation, un ingénieur expérimenté peut remarquer que l’IA a utilisé la mauvaise révision ou rechercher manuellement les informations que l’application n’a pas prises en compte. Cette approche devient beaucoup plus difficile à maintenir lorsque différentes équipes utilisent l’IA sur des milliers de produits, de configurations et de décisions.

Le contexte produit gouverné doit pouvoir évoluer à la même échelle que l’IA.

Bonnes pratiques de gouvernance de l’IA pour les fabricants

Une première étape utile consiste à identifier les domaines dans lesquels l’IA intervient déjà dans les décisions produit. Certaines applications feront partie d’initiatives formelles. D’autres peuvent provenir d’outils adoptés par des équipes individuelles pour résoudre un problème particulier.

À partir de là, les fabricants peuvent se concentrer sur quelques principes pratiques :

• Gouverner le contexte produit, pas seulement l’accès aux données. Veillez à ce que l’IA puisse faire la distinction entre les révisions, les configurations, les états de publication et les autres informations qui déterminent ce qui est applicable.
• Adapter l’autorité de l’IA aux conséquences de l’action. Renforcez les exigences de supervision et d’approbation à mesure que l’IA passe de la recherche d’informations à la recommandation ou au déclenchement d’actions.
• Maintenir la traçabilité des décisions importantes assistées par l’IA. Conservez le contexte produit, les informations sources pertinentes, l’action qui en résulte et la supervision humaine lorsque la décision le justifie.
• Examiner les transitions entre les étapes du cycle de vie. Tenez compte des impacts en aval des décisions assistées par l’IA et assurez-vous que les informations importantes peuvent circuler entre l’ingénierie, la fabrication, la qualité, le service, les fournisseurs et les autres groupes concernés.
• Réévaluer l’utilisation de l’IA à mesure que les produits et les processus évoluent. Les modèles changent, les informations produit évoluent et les utilisateurs trouvent de nouvelles applications aux outils qui fonctionnent bien. La gouvernance doit évoluer avec eux.

La gouvernance de l’IA n’est pas quelque chose que les fabricants peuvent mettre en place une seule fois et considérer comme terminé.

Un outil qui commence par aider les ingénieurs à trouver des informations peut finir par être utilisé pour recommander une action. Un projet pilote utilisé par cinq personnes peut devenir une capacité dont dépendent des centaines d’utilisateurs.

Le modèle de gouvernance doit pouvoir évoluer avec ces usages.

Pour les fabricants, la base la plus solide repose sur quelque chose qu’ils connaissent déjà bien : garder le contrôle des informations produit, des décisions produit et des modifications produit. Connecter l’IA à cette base gouvernée peut aider les fabricants à bénéficier de la rapidité et des connaissances offertes par l’IA sans dissocier ces décisions du contexte produit qui leur donne leur sens.

FAQ

Qu’est-ce que la gouvernance de l’IA dans l’industrie manufacturière ?
La gouvernance de l’IA dans l’industrie manufacturière couvre les règles et les contrôles qui encadrent la manière dont l’IA utilise les informations produit et influence les décisions en matière d’ingénierie, de fabrication, de qualité et de service. Elle englobe le contexte produit, l’accès aux données, la supervision humaine, la responsabilité, la traçabilité et les risques.

Qu’est-ce qui distingue la gouvernance de l’IA pour les fabricants ?
Les décisions dans l’industrie manufacturière dépendent des révisions, des configurations, des exigences, de l’historique des modifications et de l’état des produits physiques. La gouvernance de l’IA doit garantir que l’IA utilise des informations réellement applicables au produit et à la décision concernés.

Comment les fabricants peuvent-ils mettre en œuvre une gouvernance de l’IA ?
Commencez par les cas d’usage de l’IA qui interviennent déjà dans les décisions produit. Déterminez les informations produit nécessaires pour chacun d’eux, le niveau d’autorité que l’IA doit avoir, les situations dans lesquelles une approbation humaine est requise et les décisions qui doivent rester traçables.

Comment maintenir une supervision humaine de l’IA dans l’industrie manufacturière ?
Adaptez le niveau de supervision humaine aux conséquences de la décision. Pour les applications à risque plus élevé, il convient d’identifier les personnes habilitées à examiner ou approuver une action assistée par l’IA et d’intégrer cette supervision au workflow habituel.

Comment le PLM soutient-il la gouvernance de l’IA ?
Le PLM relie l’IA aux informations produit dans leur contexte, notamment les exigences applicables, les configurations, les révisions, les modifications, les informations de fabrication et l’historique du cycle de vie. Ces relations aident les utilisateurs à déterminer si une recommandation de l’IA est pertinente pour le produit concerné.