Aller au contenu principal

Votre croissance passe aussi par nos lignes ferroviaires :

Newsroom

La maintenance prédictive : état des lieux d’une révolution

actualité Publié le 24/06/2020 mis à jour le 24/06/2020

Le 24 juin 2020, SNCF Réseau proposait sa 2ème édition de l'Openclub Innovation, consacré au thème de la maintenance prédictive.
Au-delà de la récolte d’informations, la maintenance prédictive est une révolution qui permet de repenser la gestion des réseaux et d’augmenter la fiabilité des équipements industriels en détectant les signes avant-coureurs de leurs dysfonctionnements.

Dans les grands projets d'infrastructures, la capacité à développer une stratégie de maintenance prédictive devient clé pour prévenir les risques opérationnels. Pour SNCF Réseau, l'enjeu est de taille puisqu’il s’agit en particulier de contribuer à la régularité des circulations ferroviaires.
Au programme de la matinée d’échanges sur cette thématique : 

  • Introduction par  Luc Lallemand, Président-directeur général de SNCF Réseau et  Jean-Jacques Thomas, Directeur Digital et Innovation 
  • Pitchs d’agents SNCF Réseau pour un tour d’horizon des projets internes innovants 
  • Table ronde et échanges entre des acteurs de l'industrie et du ferroviaire : partage d'expériences et perspectives sur l'impact de la maintenance prédictive sur les modes de fonctionnement des acteurs industriels.

Nous vous proposons de vivre ou de revivre cet évènement grâce aux témoignages de nos invités.

L'openclub innovation SNCF Réseau favorise la rencontre d’acteurs et de personnalités inspirantes souhaitant partager des points de vue sur les sujets du digital, de l’innovation et de la mobilité. Si vous souhaitez participer à nos prochaines rencontres, contactez : directiondigital-innovation@reseau.sncf.fr

 

Ambitions et enjeux de la maintenance prédictive pour SNCF Réseau 

 

La maintenance prédictive est emblématique de la transformation qui est à l'œuvre au sein de SNCF Réseau. La gestion des infrastructures, au cœur de notre métier, offre un terrain de déploiement extraordinaire pour les technologies numériques, et les usages que l’on peut en faire. ​

Dans sa conception courante la maintenance prédictive englobe tout ce qui permet d'optimiser la planification et l'exécution des opérations de maintenance. Aujourd’hui, plusieurs solutions sont déjà à l’œuvre chez SNCF Réseau, sur le terrain pour exploiter ses opportunités et répondre aux besoins clients de sécurité, de régularité, et de coût d’accès minimisés. ​

Nos solutions de surveillance à distance et en temps réel permettent aujourd’hui d’anticiper les pannes et de s’assurer du bon fonctionnement des infrastructures afin de limiter les incidents. Les systèmes de mesure par laser sont déployés pour prévenir les incidents caténaires ou le déploiement de drones de surveillance des parois rocheuses environnantes des voies sont de parfaits exemples de l’engagement de SNCF Réseau en matière de maintenance prédictive. De l’usure du rail aux caténaires, nos solutions permettent de surveiller l'usure de notre patrimoine et ajuster  leur maintenance afin d’en étendre la durée de vie. ​

Pour réussir une maintenance prédictive efficace, plusieurs conditions sont à réunir : ​

  • Construire une vision globale, de bout en bout : de la donnée (de sa captation à son exploitation) jusqu’au processus de maintenance imaginé et reconçu avec le déploiement des technologies, ​
  • Combiner la data science avec la physique, pour que l’exploitation de la data ne devienne pas une boîte noire mais bien un support de développement de l’expertise, ​
  • Imaginer le modèle économique des solutions technologiques dans le cadre d’une mise en place à grande échelle,​
  • Favoriser une approche multi-échelle, partant de l’opérateur pour aller au territoire puis à l’entreprise.​

Découvrez dans les exemples ci-dessous des mises en oeuvre opérationnelles de la maintenance prédictive SNCF Réseau.

 

La maintenance prédictive, ​définition et conséquences opérationnelles

 

Cyril Verdun, Directeur du Cluster ingénierie Ouest, ​Direction du Matériel chez SNCF Voyageurs

Qu’est-ce que la maintenance prédictive  ?​

La maintenance prédictive est la capacité à automatiser la maintenance préventive systématique grâce à la collecte de données émises par les trains et le réseau ferroviaire.  Il est plus pertinent en ce sens de parler de CBM (Condition Based Maintenance), ou de maintenance associée à des données. Des algorithmes permettent de traiter les données récoltées pour identifier tous les signaux faibles et communiquer un délai d’intervention aux mainteneurs avant une défaillance. Aujourd’hui, le groupe SNCF mesure les bénéfices de la maintenance prédictive sur trois volets : l’augmentation de la fiabilité du réseau et des circulations, la diminution du coût de maintenance et l’accroissement de la disponibilité (matériel et voies d’ateliers).​

 

Quels sont les impacts opérationnels pour les métiers de la maintenance de SNCF Voyageurs ? ​

La mise en place de solutions de maintenance prédictive a engendré un transfert de tâches pour différents métiers et a valorisé nos missions de maintenance. Les activités routinières de surveillance des actifs, inutiles dans leur grande majorité, ont été supprimées. La maintenance prédictive permet aux agents de se concentrer sur les réparations et les opérations de maintenance prioritaires. Ce glissement vers des tâches à plus forte valeur ajoutée a été bien accueilli par les collaborateurs mais a nécessité un temps d’adaptation. Expliquer les outils et les nouveaux processus aux équipes afin de leur permettre de s’y familiariser est une condition de réussite de ce nouveau fonctionnement. C’est par une collaboration et un dialogue entre le terrain et les scientifiques des données que toute la richesse de la maintenance prédictive se manifeste.​

Quelles sont les ambitions pour les trains de demain ?​

Trois objectifs peuvent être mis en avant pour le futur du groupe SNCF, et plus particulièrement pour sa branche Voyageurs, en terme de maintenance prédictive : ​

  • Rester pionnier et asseoir son leadership en matière de CBM, avantage indéniable à l’heure de l’ouverture à la concurrence,​
  • S’assurer un accès clair et partagé aux données, sensibiliser tous les acteurs du secteur sur l’importance de la transparence de la data et favoriser un modèle de fonctionnement en Opendata pour les constructeurs, ​
  • Connecter le matériel dès son début d’exploitation pour utiliser la maintenance prédictive sur tout son cycle de vie.​

​DATA & IA : outils de transformation de la maintenance

 

Gigleux

Hugues Gigleux, Responsable d'équipe Datascience, Direction Générale Industrielle Ingénierie, SNCF Réseau

La data transforme-t-elle les politiques de maintenance ?

Depuis quelques années, la data transforme la gestion du réseau ferroviaire. Elle permet un suivi continu et précis de son état, et donc des opérations de maintenance ciblées au juste besoin. On peut structurer cette transformation en 5 étapes : ​

  • Etape 1, collecter des données : pour rassembler l’information sur l’état des actifs, présent et passé,​
  • Etape 2, visualiser ces données : leur donner forme pour pouvoir les comprendre et les communiquer,​
  • Etape 3, calculer de nouveaux indicateurs pour détecter les défaillances : travailler les données et les faire parler,​
  • Etape 4, prédire la défaillance : à partir de toutes ces données récoltées sur le terrain, créer des algorithmes pour prédire les évolutions et anticiper des pannes, ​
  • Etape 5, avoir une démarche de gestion des actifs : gérer les infrastructures et opérations de maintenance en fonction de ces prédictions.​

Quelle place est accordée à l’IA dans ces nouvelles politiques de maintenance centrées sur la data ? ​

L’IA est un outil très puissant, qui doit être mobilisé mais qui n’est pas nécessairement la solution idéale. Elle peut intervenir sur chacune des étapes mentionnées, et peut servir à les faciliter en offrant notamment un traitement plus rapide et précis des données. Mais il est crucial de garder à l’esprit qu’il s’agit d’un outil, et non d’une fin en soi. Pour raison de sécurité, il faut pouvoir contrôler ses résultats, ce qui peut s’avérer complexe. ​

Cependant l’IA reste un levier de performance incontestable pour la maintenance, et élargit les possibilités de faire des prédictions. De plus, ses potentialités futures sont encore plus larges : elle peut servir demain à des simulations, ou permettre de jouer sur les interdépendances et les différents leviers, pour faire varier les paramètres d’exploitation et tester des scénarios pour trouver un optimum dans la gestion des actifs.

 

La révolution des moyens de mesure

 

Jerome K

Jérôme Kazmierczak, Directeur du Programme Surveillance & Supervision, Direction Générale Opérations et Production, SNCF Réseau

Comment collecter la data nécessaire à la mise en place de maintenance prédictive ?

L’accès aux informations sur l’état du réseau ferroviaire est aujourd’hui le nerf de la guerre pour optimiser nos processus de maintenance, vers la mise en place de plus en plus de solutions de maintenance prédictive. Les projets portés par le Programme Surveillance & Supervision visent à moderniser toute la chaîne de gestion de la donnée, de l’acquisition jusqu’à son exploitation par le mainteneur, en passant par sa diffusion, son stockage et son traitement. Les nouvelles technologies offrent aujourd’hui l'opportunité de collecter et de traiter plus efficacement davantage de données, avec moins de ressources et un moindre impact sur les circulations. Ce gain est à la fois qualitatif et quantitatif.
En fonction du type d’installations, des méthodes et outils de surveillance différents sont déployés. Pour le linéaire (voies et caténaire), des solutions de mesures embarquées sont privilégiées : des trains spécifiques équipés de nombreux capteurs circulent entre les trains commerciaux et informent le mainteneur de l’état des installations pour qu’il puisse organiser de façon optimale son programme de maintenance (corrective, préventive voire prédictive). Pour les actifs ponctuels, la télésurveillance (via la pose de capteurs à pied d’œuvre) est privilégiée. C’est donc la totalité du réseau ferré qui sera bientôt surveillée de manière automatique.
 

Cette révolution des moyens de mesure entraîne-t-elle un changement de paradigme dans la maintenance ? 

Aujourd’hui nous avons une connaissance de l’état du réseau, qui vient essentiellement des compétences et de l’expérience de nos acteurs locaux, donc basée sur l’humain. Demain, avec les nouveaux modes de surveillance et de supervision que nous développons, nous aurons des données plus nombreuses, et donc une connaissance plus fine et plus objective de l’état des installations et de leurs comportements. Les interventions ne seront alors plus décidées par les terrain mais par une entité spécifique qui centralisera les remontées de données de l’état du réseau, les exploitera, et à la lumière des analyses menées passera des commandes d’intervention aux acteurs locaux. Cette entité pourrait se constituer autour des Centres de Supervision, d’experts métiers et de data scientists. 
Le métier de mainteneur va inexorablement changer. De nouveaux métiers vont apparaître.   

 

Des innovations au service de la performance

Surveiller le réseau ferroviaire par des opérations de maintenance prédictive est une réalité bien installée. Des outils et des processus dédiés sont développés, et les talents SNCF Réseau travaillent quotidiennement à leur déploiement pour superviser et connecter le réseau, ainsi que trouver des solutions innovantes dans leur mise en place opérationnelle. 

Superviser le réseau ferroviaire

Vincent Marzaguil, Chef du département patrimoine et Christophe Filée, Chef de Projet Surveillance & Supervision, Direction Générale Ile-de-France, SNCF Réseau
 

Le réseau ferroviaire est équipé d’un ensemble de capteurs qui remontent en temps réel un nombre important d’informations sur l’état de ses composants. Ces données d’une grande diversité (tension, intensité, température, vibrations,…) permettent de suivre en continu l’état des infrastructures et de leur environnement. 

Toutes les données de surveillance sont collectées, croisées et analysées dans une immense base de données afin de détecter des dérives, anticiper les évolutions anormales, détecter des signaux précurseurs de pannes. Lorsqu’une évolution anormale est détectée, une alerte est générée et est analysée par l’une des quatre grands centres de supervision. Le centre de supervision transmet alors l’ensemble des informations nécessaires sur les tablettes des mainteneurs pour une intervention rapide avant que le dérangement ne se produise. C’est ce qu’on appelle la maintenance prédictive.

En réduisant les dérangements inopinés et leur impact sur la circulation des trains mais aussi sur l’organisation des travaux de maintenance prévus, cette supervision du réseau est au service de la performance de l’infrastructure et de la qualité du service à nos clients.
 

 

L’IOT au service de nos métiers

Benoit Besson

Benoît Besson, Chef de projet Digital Open Lab et Responsable de l’industrialisation de l’IoT, Direction Digital et Innovation, SNCF Réseau

De nombreux projets sont conduits pour accompagner l’élaboration de solutions digitales et innovantes ayant pour ambition d’améliorer les indicateurs de performance comme la sécurité, la qualité, les coûts et la régularité. L’industrialisation de l’Internet des Objets (IoT) doit permettre aux agents d’accéder à des solutions de manière simple, fluide et en toute sécurité. La maintenance ne fait pas exception : l’IoT, en connectant le réseau et les assets, permet de mieux gérer nos infrastructures avec une connaissance plus fine de ces derniers. Collecter des données, les stocker et les partager via des puits d’acquisition, puis les analyser et les valoriser en interne facilite l’optimisation des processus métiers.​

Le Digital Open Lab est une des traductions opérationnelles de cette volonté de contribuer au déploiement et au développement de la maintenance prédictive déjà engagée chez SNCF Réseau et de valoriser également en externe la data collectée ainsi que nos métiers. Créé en 2018, cette plateforme d’open innovation est le fruit du partenariat innovant entre SNCF Réseau, la Fédération des Industries Ferroviaires et Railenium. Il met en relations nos experts métiers et les industriels durant des expérimentations courtes de 4 mois. Son ambition est de co-développer des solutions digitales pour la maintenance prédictive en conditions réelles d’exploitation afin d’améliorer le quotidien et l’efficacité de tous les métiers de la maintenance.​

Utiliser des moyens de mesure innovants 

Estelle Bongini, chef de projet Surveillance par Trains Commerciaux, Direction Générale Industrielle Ingénierie, SNCF Réseau
 

La surveillance des réseaux est un enjeu crucial : elle permet d’identifier les zones et actifs se dégradant, d’identifier les risques de potentielle défaillance, et de planifier en conséquence des actions de maintenance adéquates. Aujourd’hui, cette surveillance est encore assurée majoritairement par des tournées d’agents de maintenance à pied, et d’engins dédiés à cette activité. Et si nous utilisions les trains commerciaux pour suivre l’état du réseau ?
C’est l’ambition du projet "Surveillance par trains commerciaux". Là où la surveillance des réseaux était jusqu’alors réalisée ponctuellement, des données seront désormais récupérées à chaque passage de trains. Utiliser ces trains comme objets connectés, pour récolter des données de surveillance du réseau, présente deux avantages. Le premier est d’obtenir une image de l’état du réseau, mise à jour très régulièrement, et donc de voir venir les défaillances même pour des situations évoluant très vite. Le deuxième est d’augmenter la fréquence de récolte de ces données de surveillance. Cette augmentation de fréquence permet d’avoir accès à une évaluation précise et juste des tendances d’évolution de l’état des réseaux, et par conséquent donne l’accès aux données nécessaires pour la mise en place d’une logique de maintenance prédictive. Tout l’enjeu est alors de ne pas être submergé par cette nouvelle quantité d’informations : un changement d’échelle dans la gestion des données s’impose, et il est nécessaire de trouver une manière efficace de filtrer et traiter ces informations pour offrir des données utiles à la prise de décision. 
Un prototype est déjà en circulation depuis trois ans sur la ligne P, et la phase de déploiement industriel est en cours.

 

 

Identifier les bons outils existants et les adapter au ferroviaire

Amélie Hallier et Joséphine Boisson, respectivement Géophysicienne et Responsable du pôle Ingénierie de maintenance dans la Division ouvrages en terre et hydrauliques, Direction Générale Industrielle Ingénierie, SNCF Réseau - Projet en collaboration avec Sercel

Pour assurer la sécurité des circulations ferroviaires, il est nécessaire de surveiller le sol et le sous-sol (les ouvrages en terre) sur lequel repose la plateforme ferroviaire, pour évaluer le risque de désordres pouvant les affecter, et notamment l’altération d’une cavité pouvant engendrer un effondrement. De cette nécessité est née une ambition : caractériser les propriétés mécaniques du sous-sol afin d’identifier la formation de cavités et de suivre leurs évolutions, pour éviter des interventions de maintenance en urgence plus coûteuses. 
Tout l’enjeu, au début de ce projet, résidait dans l’identification d’un outil de surveillance du sous-sol pouvant être adapté aux contraintes ferroviaires. Dans ce cadre, une méthode de monitoring par mesure des ondes sismiques, déjà largement déployée dans le domaine pétrolier, a été identifiée. L’idée innovante est d’utiliser, comme source sismique, les ondes générées par le passage des trains afin « d’écouter » le sous-sol et de réaliser un monitoring 3D en continu, à partir de capteurs posés à la surface. Un partenariat avec l’entreprise Sercel (filiale de CGG) a été conclu pour profiter de leur grande expertise dans l’acquisition et le traitement de données sismiques. 
Un pilote a été mis en place sur un site sensible et stratégique, situé en région parisienne, le long de la ligne B du RER, où un risque fontis - associé à un phénomène de dissolution de gypse en profondeur - est connu. Ce pilote a permis de valider la technique. Le nouveau défi est maintenant d’optimiser techniquement et financièrement le système afin de permettre un déploiement du dispositif à plus grande échelle et de standardiser le seuil d’alerte à partir duquel une opération de maintenance s’avère nécessaire. 

 

 

Echange entre acteurs de l'industrie et du ferroviaire 

La maturité technologique de la maintenance prédictive  

Sylvain Allano

Avec Sylvain Allano, Directeur scientifique chez Flying Whales.

Devenu entrepreneur après une carrière dans la recherche, le conseil et  l’industrie, Sylvain Allano aide des entreprises à grandir. Notamment une : Flying Whales, dont le CEO est Sébastien Bougon qui développe des dirigeables révolutionnaires pour le transport de charges lourdes et intègre dès leurs conceptions les problématiques de maintenance prédictive. 

« Dans le monde des mobilités, la maintenance prédictive est une nécessité, pas une option ». C’est ce que nous a affirmé Sylvain Allano avant de la définir comme la capacité à fournir un service en continuité, en sécurité, et dans les meilleures conditions opérationnelles possibles. Selon lui, la maintenance prédictive est devenue indispensable pour trois raisons :

  • L’exigence de continuité opérationnelle, particulièrement importante dans le secteur des transports, 
  • Le besoin de réduire les coûts de maintenance, pour de nombreuses entreprises, et ce en évitant notamment les situations de crise particulièrement coûteuses, 
  • L’obligation d’assurer la sécurité et de faire face aux tendances légalistes croissantes, en évacuant le risque de poursuite pour négligence.

Sa mise en place, favorisée par la démocratisation de la technologie, permet d’intégrer la maintenance prédictive sur l’ensemble du cycle de vie des actifs, comme l’illustre l’exemple Flying Whales dont Sylvain Allano est le directeur scientifique. Ces dirigeables, actuellement en cours de production, seront à terme entièrement équipés par des milliers de capteurs afin de mesurer leur performance et détecter les signes de défaillance. 
 
« Nous avons la chance de partir de zéro et de pouvoir tout valider digitalement avant de produire nos dirigeables. » nous confie Sylvain Allano. En effet, les équipes de Flying whales ont anticipé les besoins en capteurs et les intègrent dès la conception des dirigeables plutôt que de les ajouter dans un second temps. Ces capteurs permettront d’accéder à un grand nombre de données, qui, à terme,  créeront un important répertoire de connaissances permettant de détecter la dérive des matériaux afin de prédire les pannes. 

Mais dans la réflexion sur la maintenance prédictive, il est nécessaire de se détacher d’un discours très techno-centré pour questionner la place des femmes et des hommes dans le processus. 
 
Selon Sylvain Allano, la maintenance prédictive ne doit pas se baser uniquement sur les capteurs, l’humain doit en être le cœur. Il ne faut pas laisser à la technologie, aux capteurs et aux systèmes d’informations l’exclusivité de l’observation. « Un humain est capable de voir des fissures même parfois avant le capteur. » nous confie-t-il, il est essentiel de penser la maintenance prédictive en réfléchissant aux rôles des machines et des hommes ainsi qu’à leurs interactions.
 

Enjeux industriels, de l’économie à l’écologie

Stéphane Brunet

Avec  Stéphane Brunet, CEO Vapérail

Ingénieur de formation et riche de diverses expériences auprès de grands noms de l’industrie, il reprend en 2011 Vapérail, industriel du ferroviaire qui travaille au développement d’un écosystème digital autour des voies. 

« La maintenance prédictive permet de connaître l’état du réseau et de le projeter dans le temps » nous explique Stéphane Brunet. Cette projection transforme les démarches de maintenance, et permet de mieux prendre en compte les impératifs économiques et écologiques. 
 
Face aux défaillances et à la vétusté des infrastructures, le remplacement est souvent privilégié à la réparation pour des raisons de coût. Mais, selon Stéphane Brunet, la meilleure économie à faire serait de ne pas changer. C’est cette perspective qu’offre la maintenance prédictive. En effet, grâce aux capteurs positionnés sur les infrastructures qui remontent des données sur leur état en temps réel, un industriel est en mesure de repérer, voire d’anticiper, les pannes matérielles avant qu’elles ne soient irrémédiables. La capacité de prédire une panne permet de faire les réparations suffisamment en amont et ainsi d’éviter les coûts liés à une intervention de maintenance en urgence. 
 
Dans le cas où la réparation ne serait pas possible, les capteurs – qui deviennent de plus en plus précis - permettent d’identifier précisément l’état de chaque composant et ainsi de cibler ceux à remplacer, ceux à conserver et ceux à reconditionner. Le basculement technologique opéré ces dernières années permet donc d’élargir les enjeux industriels de la maintenance et de lui accorder des ambitions éco-responsables. 
 
Selon Stéphane Brunet, il est essentiel de favoriser la collaboration entre les acteurs impliqués pour développer des solutions industrielles assurant une maintenance prédictive efficace. Cette collaboration permet de tester des solutions en conditions réelles d’exploitation et de limiter l’éparpillement de l’information entre les différentes partie prenantes. 

 « Il est impossible pour un industriel de penser une solution seul dans son laboratoire et ensuite de la vendre ou de l’imposer à l’opérateur » 
 
La clé pour un futur plus innovant et plus collaboratif serait de faciliter l’accès aux données collectées pour tous les acteurs en proposant par exemple une zone d’infrastructure « openlab » qui collecterait un ensemble de données spécifiques et à partir desquelles chaque acteur pourrait imaginer et concevoir de nouveaux services pour faciliter et fiabiliser la gestion du réseau.
 

Construire la maintenance prédictive sur les usages, et non les données

Deville

Avec Jérémy Deville, et Angélique Dubrulle Directeur et Responsable Activité Transports en Commun chez Actemium Paris Transports (Vinci Energies)

Jérémy et Angélique sont spécialisés dans le développement de solutions digitales et de systèmes contrôle-commande pour les infrastructures de transport et les villes.

La clé pour mettre en place une maintenance prédictive efficace ne repose pas uniquement sur la quantité de données collectées, mais sur la capacité à identifier les données pertinentes à collecter.​

Pour Jérémy Deville et Angélique Dubrulle, toute démarche de maintenance prédictive efficace commence par une réflexion en amont sur sa finalité. Il est essentiel de définir clairement l’utilité souhaitée du modèle prédictif :​

  • Identifier l’objectif de la prédiction : que souhaitons-nous prédire ? Pour quels usages ? ​
  • Définir ensuite la data à collecter : quelles sont les données utiles pour atteindre l’objectif fixé ? Comment les récupérer ? ​
  • Construire une méthode d’analyse en fonction : quels objectifs accordés aux algorithmes ?​

Pour Actemium, donner à posteriori de la cohérence et du sens à une base de données déjà constituée ne fonctionne pas toujours, à cause du manque d’homogénéité, de qualification et de complétude des informations récupérées. 

Dubrulle

« Il y a eu un gros travail sur la qualité de la donnée et sur l’homogénéité de la donnée qui a été engagé depuis plusieurs années. Et il y a un deuxième travail qui a été fait sur la complétude et la pertinence de la donnée, avec la création ou l’ajout de nouvelles données, à travers l’ajout d’outils ou d’équipements - qu’il faut eux aussi maintenir. »​

Après avoir identifié et collecté des données de qualité, il est possible de les traiter efficacement grâce aux algorithmes et à l’intelligence artificielle. Ces outils permettent d’obtenir une analyse automatisée qui s’améliore sans cesse, grâce à la mise en place des boucles d’amélioration continue qui permettent de calibrer et d’enrichir les algorithmes et ainsi d’affiner l’analyse qui est réalisée. Il est cependant crucial pour Jérémy Deville et Angélique Dubrulle de garder à l’esprit que l’IA ne parviendra jamais à 100% de fiabilité et ce, peu importe la quantité de données disponibles et le temps d’apprentissage accordé. ​

Ils ajoutent qu’à force d’apprendre en continu, les algorithmes dérivent et ne donnent plus des résultats probants. Ainsi pour industrialiser des modèles faisant appel à l’intelligence artificielle, il faut pouvoir la contrôler et la maintenir. Il est nécessaire de ré-entraîner les algorithmes pour limiter le risque de divergence et faire face aux usages changeants.​

 

Retour en haut de page