Données visuelles : une ressource inexploitée

Issues des smartphones, caméras, drones, satellites, systèmes lidar, les données visuelles sont générées de façon massive. Riches en informations, elles permettent de digitaliser le réel, créer des modèles prédictifs, et aller vers une automatisation des opérations industrielles.

Structurer ses données visuelles

Depuis les appareils photo numériques, les industriels ont commencé à utiliser largement la donnée visuelle. Ils l’incluent dans leurs rapports comme un support visuel permettant de décrire des scènes complexes. Parce qu’ “une image vaut mille mots”. Mais une fois stockées sur une machine locale ou pire encore, gravées sur un CD, ces données sont tout simplement perdues.

Organiser les données visuelles, les rendre facilement consultables et les partager dans toute l'organisation via le cloud n'est que la première étape de la gestion des données visuelles. Mais cette étape est déjà porteuse d’une immense valeur.

Ajouter la couche d'intelligence artificielle

Ensuite, avec l’IA, vient la possibilité de donner un sens à ces données visuelles. La machine est capable de les indexer automatiquement en fonction d’un contexte, d’une localisation, d’un horaire. La base de données se structure. Elle peut être interrogée pour répondre à des questions spécifiques sur l'état actuel ou passé d’une infrastructure industrielle. Il devient alors possible de capitaliser sur l'agrégation des données visuelles.

La donnée visuelle n’est pas le type de donnée disponible pour évaluer ou sonder les infrastructure industrielles. Pour ce faire, l’IoT (internet des objets) par exemple est une source d’information extrêmement riche, de même que les rapports écrits. La donnée visuelle est techniquement la plus complexe à gérer. Mais pour être inclusive, la stack logicielle doit permettre d'intégrer tous les autres type de donnée en provenance du terrain.

Trouver une sens commun à toutes ces données hétérogènes est un problème complexe. Les données ont différents formats, différentes natures, différentes périodes d'échantillonnage. Des données qui ne parlent pas le même langage. C’est pourtant possible en créant un modèle : une représentation d'un objet physique et des règles pour décrire son comportement (comme des propriétés physiques par exemple). Désormais, tout influx de données est utilisé pour mettre à jour le modèle, dans le respect des règles. C'est un moyen de réconcilier tous les types de données. Même si elles ne parlent pas la même langage, "elles parlent toutes au modèle".

L'agglomération de suffisamment de données au cours du temps constitue un historique. Avec suffisamment d’historique, il devient possible  (dans une certaine mesure), de prédire l'avenir. Les modèles deviennent prédictifs. Ils peuvent être utilisés pour faire des simulations et optimiser l'ensemble de la chaîne d’exploitation et de maintenance d’une activité industrielle.

De cette manière, un système d’intelligence visuelle est la pierre angulaire de la transformation numérique d’une grande entreprise.

L’intelligence visuelle au service de la transformation digitale

L'intelligence artificielle et les datasciences, appliqués à un domaine d'expertise sont des compétences stratégiques pour une entreprise en pleine transition digitale. Cependant, le socle technologique grâce auquel peuvent se développer ces compétences est complexe à gérer, et très éloigné du cœur de métier d’un industriel.

Pour les leaders industriels, l’approche naturelle consiste donc à choisir la bonne plateforme technologique d’intelligence visuelle, développée, entretenue et opérée par un spécialiste. Tandis que cette plateforme posera les base d’un système d’information intégré, ils pourront se consacrer au développement d’applications d’IA orientées métier, maximisant ainsi la création de valeur.

Les cycles d'innovation dans le logiciel pour entreprise suivent des schémas typiques. Au début du cycle, les entreprises cherchent souvent à internaliser le développement de nouvelles technologies. C'est une phase vertueuse qui fait partie de la courbe d'apprentissage. Elle met en évidence les difficultés et les défis à surmonter. Vient ensuite une phase de rationalisation, au cours de laquelle le travail est réparti entre le “générique”, traitée par les éditeurs de logiciels d'entreprise, et le “spécifique”, internalisé par les entreprises, elles-mêmes parfois aidées par des intégrateurs. Pour chaque utilisateur final, la solution optimale provient d’une bonne combinaison des deux.

Ces cycles se sont enchaînés dans les années 1990 et 2000 avec les logiciels d’ERP (enterprise ressource planning), puis de CRM (customer relationship management), avec les résultats que l'on voit aujourd'hui. Le cycle d’innovation actuel est celui de l’intelligence visuelle, et plus généralement de l'IA pour entreprise. Une plateforme d’intelligence visuelle est 100 à 1000 fois plus complexe que celle d’un CRM. Les mêmes principes s’appliquent d’autant plus.

Le choix de la bonne plateforme d'intelligence visuelle est un défi d’actualité pour ne nombreux CIOs. L'un des choix les plus importants à faire est celui de la simplicité contre la versatilité. Simple signifie facile à déployer et peu coûteux, mais avec un panel d’options et de personnalisations limitées. Versatile veut dire adaptable, personnalisable et évolutif, mais avec un plus haut degré de complexité à gérer au niveau de l’entreprise.

Un exemple typique de configuration simple peut être le choix d'une ou plusieurs applications Software-as-a-Service (SaaS) qui vont couvrir la plupart, voire tous les besoins de l'organisation. Elles seront simples à déployer et à utiliser, sans besoin de maintenance ou de développement. Elles sont en principe économiques. Ces solutions SaaS réaliseront des tâches simples, de manière très efficace. Cependant, peu d'options de configuration sont disponibles, avec peu ou pas de possibilités d'intégration. L'organisation doit en quelque sorte adapter ses processus à ses outils.

Une configuration versatile est typiquement une Platform-as-a-Service (PaaS) qui sera le socle technologique sous-jacente pour la création d'un système d'information visuel intégré et optimisé. Bien que la plateforme soit maintenue et continuellement améliorée par le fournisseur, une équipe est nécessaire pour effectuer les tâches d'intégration et le développement d'applications métier spécifiques. Selon le positionnement stratégique et la taille du projet, ces tâches peuvent être effectuées par une équipe interne de développeurs informatiques et de data scientists ou par un intégrateur tiers (ou par une combinaison des deux). 

Cette dernière solution donnera lieu à un système d'information intégré et dédié. Il est à l'épreuve du temps car il est conçu pour être évolutif et compatible avec un paradigme important : commencez à agréger les données dès maintenant pour les exploiter plus tard. Créez les conditions pour créer de la valeur en cours de route.