On m’a installé des algorithmes prédictifs sur mes moteurs avant que je sache ce qu’était un algorithme prédictif. C’est comme ça que ça se passe, en bas. Un jour, un gars arrive avec un ordinateur portable, il parle de machine learning, de modèles, d’apprentissage supervisé. Je hochais la tête. Je ne suis pas data scientist. Je ne l’ai jamais été. Mais j’ai passé dix ans en maintenance à côté de ces algorithmes, à regarder ce qu’ils annonçaient, à ouvrir les machines pour vérifier. Voilà ce que j’en ai compris, du côté de la clé de 17.

Ce qu’on m’a expliqué

Je répète ce que le gars m’a dit. Je ne commente pas, je ne complète pas.

L’analyse prédictive, c’est une famille de méthodes qui regarde le passé pour dire ce qui va probablement arriver. L’intelligence artificielle, c’est le grand chapeau. Le machine learning, l’apprentissage automatique en français, c’est la partie qui apprend toute seule à partir des données, sans qu’on lui écrive la règle. Les algorithmes prédictifs, ce sont les outils dedans. Les modèles prédictifs, c’est ce que ces algorithmes fabriquent une fois entraînés.

Le lien entre les trois, il me l’a fait avec une image que j’ai retenue. L’intelligence artificielle, c’est l’atelier. L’apprentissage automatique, c’est la machine-outil. Les algorithmes prédictifs, ce sont les outils qu’on monte dessus. On ne choisit pas l’outil au hasard, on le choisit selon la pièce.

Il m’a cité trois familles d’algorithmes d’apprentissage supervisé. Supervisé, ce mot revient tout le temps dans le machine learning : c’est la façon dont on entraîne le modèle.

La régression linéaire, la plus vieille, la plus simple. Elle trace une tendance dans un nuage de points. On m’a dit que la régression sert quand on cherche une valeur : combien de jours avant la panne, combien de pièces le mois prochain. Ce sont des prédictions chiffrées.

Les arbres de décision, qui posent des questions en cascade. Température au-dessus de tel seuil ? Vibration au-dessus de tel autre ? Chaque réponse ouvre une branche. Celui-là, je l’ai compris tout de suite : c’est exactement le raisonnement d’un mécano devant une machine.

Les réseaux de neurones artificiels, enfin. Là, il m’a dit franchement que personne ne sait vraiment expliquer pourquoi le modèle sort ce qu’il sort. Ça m’a plu, cette honnêteté. Ça m’a inquiété aussi.

Supervisé, ça veut dire qu’on montre au modèle des exemples étiquetés. Voilà mille moteurs qui ont lâché, voilà les données des semaines d’avant. Le modèle cherche le point commun. Après, on lui donne un moteur inconnu, il dit ce qu’il en pense.

Voilà. C’est tout ce que je sais de l’apprentissage automatique. Pour le reste, ce n’est pas mon rayon : je renvoie aux gens dont c’est le métier, plus bas.

Où ça s’est posé chez nous

En plasturgie, l’analyse prédictive est arrivée par la maintenance prédictive. C’est le cas dans beaucoup d’entreprises industrielles, d’après ce que je lis. La maintenance, c’est la porte d’entrée de l’intelligence artificielle dans une usine.

Le principe, on nous l’a présenté comme ça : des capteurs mesurent la vibration, la température, la consommation électrique en continu. Les données partent dans les systèmes de l’entreprise. Un modèle d’apprentissage automatique apprend à quoi ressemble une machine qui va bien. Quand les données s’écartent de ce qu’il connaît, il alerte. Les risques de panne sont notés, classés, affichés.

Avant, on faisait de la maintenance systématique. Tous les six mois, on changeait le roulement, qu’il en ait besoin ou pas. On jetait des pièces bonnes. Tout le monde le savait. La maintenance prédictive promettait de changer la pièce au bon moment, sur la bonne machine, pour la bonne raison.

Sur le papier, c’est une révolution. Dans mon métier, c’est même le rêve. J’ai passé trente ans à ouvrir des machines pour rien, ou à les ouvrir trop tard. Une analyse prédictive qui marche, ça supprime les deux.

Les chiffres, sans les arrondir vers le haut

Je cite. Je ne juge pas.

McKinsey annonce que la maintenance prédictive réduit les temps d’arrêt des machines de 30 à 50 %, avec une durée de vie des équipements allongée de 20 à 40 %. Le cabinet chiffre le marché de l’analyse prédictive dans l’industrie manufacturière entre 260 milliards de dollars à 460 milliards de dollars en 2030.

Deloitte, dans son étude de 2022, est plus prudent : 5 à 15 % de réduction des arrêts, 5 à 20 % de productivité en plus pour les équipes de maintenance. Le département américain de l’énergie parle de 8 à 12 % d’économies par rapport à la maintenance préventive classique.

Trois sources sérieuses. Trois fourchettes qui ne se ressemblent pas. J’ai retenu ce qu’un spécialiste écrivait là-dessus : les chiffres de McKinsey décrivent des programmes matures qui tournent bien, pas un premier modèle bruyant sorti d’un pilote. Une entreprise qui démarre son analyse prédictive n’est pas dans cette fourchette.

Le chiffre qui m’a le plus parlé est ailleurs. McKinsey a documenté un cas où un taux de faux positifs de 10 % a effacé la totalité des économies du programme.

Dix pour cent. Une alerte sur dix qui se trompe suffit à annuler le gain. Ça, je l’ai vécu de l’intérieur, sans jamais avoir mis un chiffre dessus.

Le faux positif, cette tueuse silencieuse

Chez nous, le modèle prédictif alertait. Souvent au début. Trop souvent.

On ouvrait la machine. Le roulement était nickel. On refermait. Deux heures de perdues, une ligne à l’arrêt, un mécano de mauvaise humeur.

La troisième fois, les gars ont commencé à regarder l’alerte avec un œil. La dixième, ils ne la regardaient plus. C’est humain, ça n’a rien à voir avec l’intelligence artificielle. Une alarme qui crie pour rien devient un bruit de fond. On avait la même chose sur les alarmes machine depuis vingt ans.

Le jour où l’algorithme a eu raison, personne n’a bougé. Les prédictions étaient là, dans le système, en rouge.

On m’a expliqué après coup que le modèle avait été entraîné sur les données d’un autre site, avec d’autres machines. Que l’apprentissage supervisé a besoin des données de la machine réelle, dans ses conditions réelles. Que six mois d’historique, ce n’est pas assez quand la panne qu’on cherche à prédire arrive une fois tous les trois ans. Les modèles apprennent ce qu’on leur montre, rien d’autre.

Il avait raison. On avait demandé à un modèle de prédire un événement qu’il n’avait jamais vu.

Les données, tout est là

Voilà ce que trente-deux ans d’usine m’ont appris sur les algorithmes prédictifs, résumé en une phrase : le modèle ne vaut jamais mieux que les données qu’on lui donne. Toute l’analyse de données tient là-dedans.

Nos données à nous étaient sales. Je le dis sans honte, c’est le cas partout.

• Les arrêts machine étaient saisis à la main, en fin de poste, de mémoire.
• Le motif de panne, on le choisissait dans une liste de l’ERP qui datait de 2008. La moitié des gars prenaient toujours le même item, celui du haut.
• Les interventions urgentes n’étaient pas saisies du tout. Personne ne remplit un formulaire à 3 h du matin avec les mains dans le cambouis.
• Deux machines identiques portaient deux références différentes dans le système.

Un data scientist appelle ça de la qualité de données. Le big data, c’est joli quand la data est propre. Nous, on appelait ça le fichier de maintenance, on savait tous qu’il racontait n’importe quoi. Personne ne s’en souciait, parce que personne ne s’en servait.

Le jour où un algorithme s’en est servi, ça s’est vu.

Les autres endroits où ça sert

Je reste dans mon périmètre. Ce que je sais des autres applications de l’analyse prédictive, je le tiens de ce que j’ai lu, pas de ce que j’ai fait.

Ça sert à l’évaluation du risque de crédit dans les banques, pour noter des risques financiers. Ça sert à la gestion de la relation client, pour deviner qui va partir chez le concurrent. Ça sert aux prévisions de demande, avec ce qu’on appelle des séries chronologiques, des données rangées dans le temps. Le traitement du langage naturel, le NLP, applique les mêmes algorithmes aux mots plutôt qu’aux vibrations. Les moteurs de recherche comme Google font tourner ces modèles à une échelle que je n’imagine même pas.

Sur ces applications de l’analyse prédictive, je n’ai aucune légitimité. Je signale juste que c’est la même mécanique dans tous les systèmes : des données du passé, un modèle qui apprend, des prédictions, une décision derrière.

Puis une personne qui décide. Ou pas.

Où aller chercher du sérieux

Je ne prescris rien. Les gens dont c’est le métier publient, gratuitement, en français.

• France Num pour les TPE PME qui veulent démarrer sur l’analyse de données, avec les aides existantes.
• Bpifrance pour les dispositifs de financement liés à l’industrie du futur.
• L’INRIA pour comprendre ce qu’est réellement l’apprentissage automatique, expliqué par des chercheurs plutôt que par des vendeurs.
• La CNIL dès que les données traitées concernent des personnes. Un algorithme qui prédit quelque chose sur un salarié, ce n’est plus de la maintenance.

Questions fréquentes

Quelle différence entre intelligence artificielle, machine learning, algorithmes prédictifs ?

Ce qu’on m’a expliqué, avec mes mots : l’intelligence artificielle est le domaine entier, l’apprentissage automatique en est une branche qui apprend à partir des données, les algorithmes prédictifs sont les outils utilisés dans cette branche pour annoncer un résultat futur. Régression, arbres de décision, réseaux de neurones sont les plus cités.

Comment les algorithmes prédictifs sont-ils intégrés aux systèmes d’une entreprise ?

Chez nous : des capteurs, un flux de données en temps réel, un modèle entraîné, des alertes renvoyées dans l’ERP. L’analyse prédictive ne vit pas à côté des systèmes existants, elle se branche dessus. C’est d’ailleurs là que ça coince le plus souvent, d’après ce qu’on m’a dit.

Combien de données faut-il pour un modèle prédictif ?

Je n’ai pas la réponse. Ce que j’ai vu : six mois d’historique pour prédire une panne qui survient tous les trois ans, ça ne suffit pas. Le modèle n’a jamais vu l’événement qu’on lui demande d’annoncer.

La maintenance prédictive fonctionne-t-elle vraiment ?

Les chiffres publiés vont de 5 à 15 % de réduction des arrêts selon Deloitte, jusqu’à 30 à 50 % selon McKinsey sur des programmes matures. L’écart entre ces deux fourchettes, c’est la maturité du programme, la qualité des données, le taux de faux positifs. Chez nous, la première année, le gain a été négatif.

Pourquoi les projets d’analyse prédictive échouent-ils ?

Ce que j’ai vu : des données sales, un modèle entraîné ailleurs, des alertes que plus personne ne lit. McKinsey documente un cas où 10 % de faux positifs ont effacé toutes les économies. Les raisons sont rarement dans l’algorithme.

Faut-il un data scientist en interne ?

Je ne sais pas. Ce que je sais : il faut quelqu’un qui connaisse la machine dans la pièce quand on regarde les résultats du modèle. Sinon, personne ne peut dire si une alerte est crédible.

Pour finir

Les algorithmes prédictifs marchent. Je l’ai vu de mes yeux, sur la fin, quand le modèle a été réentraîné sur nos machines, avec nos données, sur deux ans.

À ce moment-là, il a annoncé un roulement à quinze jours. On a ouvert. Il avait raison. Le gars de la maintenance m’a regardé, il n’a rien dit. Moi non plus.

C’est ce qu’on demandait à la technologie. Elle l’a fait.

Ce qu’aucun modèle prédictif ne fera à notre place : saisir correctement les arrêts machine, nettoyer les références de l’ERP, décider d’ouvrir la machine quand l’alerte tombe. L’intelligence artificielle apprend de ce qu’on lui donne. On lui a donné notre fichier de maintenance pendant deux ans.

Elle a très bien appris. C’était bien ça, le problème.