IA industrielle pour le monde physique : Peter Koerte de Siemens

Dans cet épisode du Moi, moi et l'IA podcast, l'animateur Sam Ransbotham s'entretient avec Peter Koerte, membre du directoire et directeur de la stratégie et de la technologie de Siemens, sur la façon dont l'IA industrielle transforme discrètement les infrastructures qui alimentent la vie quotidienne. Alors que l'IA grand public fait la une des journaux, Peter explique comment l'intelligence artificielle améliore en coulisses les usines, les systèmes de transport, les réseaux électriques et les bâtiments. La conversation explore ce qui rend l'IA industrielle différente — du besoin de précision quasi parfaite au défi de travailler avec des données propriétaires spécifiques à un domaine.

Peter partage des exemples comme la prédiction des pannes de portes de train plusieurs jours à l'avance, l'optimisation de la consommation énergétique des bâtiments et l'accélération de simulations d'ingénierie complexes. Peter et Sam discutent également de l'importance de l'expertise métier, de la valeur des partenariats de partage de données entre entreprises, et pourquoi la transformation concerne autant les personnes et les processus que la technologie.

Abonnez-vous à Moi, moi et l'IA sur Podcasts Apple ou Spotify.

Transcription

Allison Ryder : L'IA grand public fait la une des journaux chaque jour, mais l'IA industrielle améliore et permet de plus en plus presque tout ce que nous faisons. Découvrez comment une entreprise multinationale aborde la gestion des données et les déploiements à grande échelle dans l'épisode d'aujourd'hui.

Peter Koerte : Je suis Peter Koerte de Siemens, et vous écoutez Moi, moi et l'IA.

Sam Ransbotham : Bienvenue à Moi, moi et l'IA, un podcast de MIT Sloan Management Review explorer l’avenir de l’intelligence artificielle. MIT SMR depuis 2014, avec des articles de recherche, des rapports annuels de l'industrie, des études de cas et maintenant 13 saisons d'épisodes de podcast.

Aujourd'hui, nous discutons avec Peter Koerte, directeur de la technologie chez Siemens. Siemens est une entreprise technologique multinationale allemande spécialisée dans l'automatisation industrielle, les infrastructures intelligentes et les systèmes de mobilité, des sujets de plus en plus importants. Nous discuterons de l'IA industrielle, de ce qu'elle signifie pour la main-d'œuvre et des implications pour le partage de données dans l'industrie. Peter, bienvenue.

Peter Koerte : Merci, Sam, de me recevoir.

Sam Ransbotham : Commençons par une vue d'ensemble. Certains de nos auditeurs ne connaissent peut-être pas Siemens. Pouvez-vous nous donner un bref aperçu ?

Peter Koerte : Bien sûr. Siemens [existe depuis] près de 180 ans. Ce que nous disons, c'est : « Nous transformons le quotidien de chacun. » Cela signifie que si vous pensez à la chaise sur laquelle vous êtes assis en ce moment, aux vêtements que vous portez, à l'eau que vous buvez, à l'électricité que vous utilisez, aux systèmes de transport comme les trains que vous utilisez chaque jour, tout cela a été rendu possible par Siemens. En ce qui concerne la façon dont nous concevons ces choses, nous les produisons, comment nous assurons que l'électricité est sûre et distribuée, comment le transport fonctionne de manière fluide et sécurisée, tout cela passe par Siemens.

En tant que consommateur, vous ne nous voyez généralement pas, mais dans le monde industriel, Siemens est une marque très, très connue, et nous sommes reconnus pour notre haute qualité mais aussi pour les excellentes solutions que nous apportons et la simplicité pour nos clients.

Sam Ransbotham : Je pense que c'est un excellent exemple. Parce qu'une grande partie du monde dont nous dépendons, nous n'y prêtons tout simplement pas attention. Nous ne le remarquons que s'il ne fonctionne pas pour une raison quelconque. Vous avez parlé d'IA industrielle. Quelle est exactement la différence entre l'IA industrielle et l'IA grand public que la plupart des gens connaissent ?

Peter Koerte : La grande différence est qu'aujourd'hui, bien sûr, l'IA grand public fait la une des journaux, tandis que nous pensons que l'IA industrielle transforme discrètement mais profondément l'infrastructure physique, le monde physique que nous connaissons.

Pensez par exemple au bâtiment dans lequel vous êtes assis en ce moment. Ce bâtiment a bien sûr un système de climatisation. Environ 30 % à 40 % de toute l'électricité que nous utilisons aujourd'hui va dans les bâtiments. Ce que nous disons, c'est : « Et si nous pouvions prendre tous les capteurs que nous avons dans ces bâtiments, puis développer une IA qui apprend automatiquement chaque minute — ou 15 minutes, dans ce cas — et ajuste automatiquement tous les réglages de température, tous les réglages d'éclairage, et tout le reste pour réduire les coûts et l'énergie ? » C'est exactement ce que nous faisons.

Nous venons de lancer une application qui permet d'économiser 30 % de votre facture d'énergie et donc de réduire les gaz à effet de serre de 30 % simplement en faisant cela. Elle fonctionne de manière autonome en arrière-plan. C'est ce que nous faisons pour les réseaux. Nous le faisons pour les usines. Nous le faisons pour les machines. Nous le faisons, bien sûr, pour les bâtiments, et nous le faisons pour les trains. Donc, tout dans le monde réel, nous le rendons plus efficace, simplement par ce que nous disons : « Connecter le monde réel et le monde numérique. » Nous essayons d'optimiser et d'améliorer les choses.

Sam Ransbotham : Cela a beaucoup de sens. Je veux dire, je suis assis ici sur un campus universitaire. C’est les vacances de printemps. Je suppose qu’on chauffe cet endroit à peu près autant que s’il était plein de monde. Je ne veux même pas demander. Je ne veux pas savoir.

Peter Koerte : C'est ça.

Sam Ransbotham : Eh bien, je pense que nous connaissons tous les applications grand public, et je crois que les échecs de l'IA dans ce domaine attirent beaucoup d'attention, vous savez, avec les hallucinations et ce genre de choses. D'une certaine manière, cela semble très différent si on relie cela au monde physique. Ce n'est pas juste une anecdote amusante qui circule sur Internet quand l'IA se trompe. Cela pourrait avoir des conséquences réelles lorsqu'on établit cette connexion. Comment Siemens envisage-t-il cela ?

Peter Koerte : Vous avez tout à fait raison. Sam, merci d’avoir dit cela. Lorsque l’on compare l’IA grand public à l’IA industrielle, il y a au moins trois différences profondes, et la première, que vous avez déjà évoquée, est le niveau de précision et d’exactitude de ces modèles. De toute évidence, vous n’avez pas besoin d’hallucinations lorsque vous faites des recommandations à un ingénieur pour concevoir la prochaine pièce, par exemple, de votre smartphone. Et vous n’avez certainement pas besoin d’une erreur de l’IA lorsque vous réfléchissez à la manière d’optimiser un réseau électrique, car il s’agit d’une infrastructure critique.

Ce qu'il faut donc garantir, c'est le plus haut niveau de qualité de ces modèles, ce qui, comme vous pouvez l'imaginer, nous amène à des taux de précision de 99 %, 99,9 %, et ainsi de suite. Et beaucoup de travail est nécessaire pour s'assurer qu'ils sont fiables, sûrs et dignes de confiance. Voilà pour la première partie.

La deuxième partie est, en fait, comment entraîne-t-on ces modèles ? Parce que nous sommes tous très familiers avec ce que nous appelons les grands modèles de langage. Mais dans l'industrie, on ne parle pas nécessairement de grands modèles de langage. On parle généralement de données spécifiques — pour revenir à l'exemple de la construction — comme les réglages de température. Nous avons donc beaucoup de données de séries temporelles. Nous avons des données de construction. Nous avons des données d'ingénierie. Nous avons des données de simulation. C'est très différent. Ce sont des géométries, des images, des vecteurs, et j'en passe. Nous devons rendre ces modèles disponibles d'une manière très, très différente.

La troisième différence réside dans la manière d'obtenir ces données. En effet, lorsque nous construisons ces modèles pour le monde physique, nous ne pouvons pas simplement aller sur Internet et télécharger un ensemble de données provenant de capteurs pour vos bâtiments, des données CAO ou autres. Ces données sont très souvent hautement propriétaires. Les clients ne sont disposés à les partager que si nous sommes capables de démontrer un bénéfice incrémental lorsqu'ils utilisent notre modèle, en échange de quoi ils nous partagent leurs données. Ainsi, dans votre cas, cela se traduira par de meilleures économies d'énergie dans le bâtiment, mais aussi, pour les concepteurs, par un délai de mise sur le marché plus court, car nous pouvons accélérer la conception, etc. Cette manière d'accéder aux données est très différente. Donc, le langage utilisé, la précision requise, et la façon d'obtenir les données sont, dans le monde industriel, assez différents de ce que nous utilisons quotidiennement dans l'IA grand public.

Sam Ransbotham : C’est assez fascinant. Ma réaction naïve quand vous avez commencé à parler était : « Oh, ce que vous décrivez est une donnée beaucoup plus structurée », donc j’étais plutôt enthousiaste quand vous disiez qu’une grande partie de ces données sont des données de température ou des données structurées. Mais la nature idiosyncrasique, et le fait que cela ne s’applique qu’à votre bâtiment, qu’à votre machine et qu’à votre environnement, semble très difficile. Parlez-nous un peu de la façon dont vous amenez les gens à fournir ces données pour entraîner les machines, et comment ce transfert fonctionne entre les organisations.

Peter Koerte : C’est une très bonne question. Et vous avez tout à fait raison. Parce que si l’on y réfléchit, si je dis « C’est une belle journée » ou « La journée est belle », le LLM comprend bien le sens, à savoir qu’il s’agit d’une belle journée. En termes d’ingénierie, c’est très différent, donc nous devons nous adapter et en tenir compte. La façon dont cela fonctionne dans les environnements industriels est que l’on procède, bien sûr, secteur par secteur, étape par étape, en se demandant : « OK, quelle est la sémantique là-dedans ? » J’ai évoqué les bâtiments, et dans les bâtiments, il existe certaines normes, certains formats de données et ce que nous appelons des ontologies. C’est la sémantique.

Là, nous essayons de comprendre ce qu'est cette donnée qui se trouve là. Elle est plus structurée, comme vous le dites, mais comme vous pouvez l'imaginer, en ce moment vous êtes dans une pièce avec Fahrenheit. Je suis dans une pièce avec Celsius. Donc, si vous dites : « Eh bien, même cela est un réglage de température », c'est effectivement le cas, mais c'est très différent si je parle de 20 [degrés] et vous parlez de 20, n'est-ce pas ? Pour moi, c'est chaud, et pour vous, c'est en réalité vraiment glacial. Et c'est quelque chose à ajuster.

Ce n’est donc pas une évidence, mais comprendre ces cas d’usage secteur par secteur est vraiment essentiel. Dans le bâtiment, tout tourne autour de la consommation d’énergie. Mais comme je l’ai dit en ingénierie, il s’agit très souvent du délai de mise sur le marché. C’est dans la production. Il s’agit généralement de qualité et de débit. Comprendre les données et les variables clés qui les déterminent est important, ce qui nous amène à un mot-clé que je souhaite mentionner, et qui s’appelle savoir-faire du domaineParce que vous pourriez dire : « N’importe quel data scientist peut faire ça. » C’est vrai. Cependant, vous devez vraiment comprendre le domaine dans lequel vous travaillez et les paramètres clés.

Je vais vous donner un seul exemple très simple, mais je le trouve fascinant. Je ne sais pas quand vous avez pris le train pour la dernière fois, mais peut-être que la prochaine fois que vous prendrez le train et que je vous demanderai : « Quel est le composant le plus critique d’un train ? », vous répondrez probablement : « Eh bien, probablement les freins. » C’est vrai, c’est crucial pour la sécurité. Mais il s’avère que ce sont les portes.

Et pourquoi cela ? Parce que si l'on considère la fonction d'un train, c'est de déplacer des personnes d'un point A à un point B. Cela implique qu'il s'arrête. Il fait monter et descendre les gens. On va de gare en gare en gare. Donc toute la journée, en effet, oui, les portes du train s'ouvrent et se ferment, et ainsi elles tombent en panne. Donc la partie la plus critique à cet égard pour les opérations, c'est la porte. C'est la connaissance principale ; il faut comprendre cette partie.

Une fois que vous comprenez cela, c’est fascinant, car vous pouvez alors dire : « Donnez-moi la lecture de tension de ce moteur qui actionne la porte. Observez, bien sûr, le profil de fonctionnement de ce moteur. » Parallèlement, aujourd’hui, nos modèles peuvent prédire toute défaillance de porte 10 jours avant qu’elle ne survienne, ce qui nous permet de l’amener au dépôt et de la réparer, garantissant ainsi une meilleure disponibilité, une fiabilité accrue, et un confort amélioré pour les passagers. Voilà des exemples où nous devons combiner l’expertise du domaine avec l’expertise technique, c’est-à-dire l’IA, et c’est ainsi que l’on crée de la valeur client, secteur par secteur.

Sam Ransbotham : J'aime cela parce que je peux comprendre cet exemple. Certaines des choses que je lisais sur Siemens étaient compliquées à saisir, mais celle-ci a beaucoup de sens. Je pense que tout le monde a une application où il aimerait savoir à l'avance que quelque chose va tomber en panne avant que cela n'arrive. Parce que quand ça arrive, c'est le chaos.

Siemens ne possède pas nécessairement les trains. Alors, comment intégrez-vous ces données sur les tensions dans vos systèmes, par rapport à votre client qui a acheté ce train ? Ils doivent avoir un moyen d’envoyer ces données. Ils doivent partager des informations avec vous d’une manière ou d’une autre. Curieusement, ils bénéficieraient des données d’un train appartenant à quelqu’un d’autre pour un train qu’ils ne possèdent pas. Comment gérez-vous cette infrastructure ?

Peter Koerte : C’est une excellente question. C’est pourquoi j’ai dit que c’est très différent de la façon dont on collecte des données dans le monde industriel. Restons dans l’exemple du train. Pour être honnête, ces clients, ils ne le font tout simplement pas. Ils disent : « Donnez-moi le train et ça me va, ensuite je construirai mon propre modèle. » Nous avons donc des opérateurs comme ça. Cependant, en général, ce ne sont pas ceux qui réussissent le mieux.

En général, ceux qui [considèrent ceci :] Si l’on examine le coût total de possession sur l’ensemble du cycle de vie d’un train, disons 30 ans — en termes de CapEx, l’investissement représente environ 10 % du TCO, et 90 % sont liés à l’exploitation. Alors, que se passerait-il si je venais vous voir en tant que fabricant d’équipement d’origine ? Vous connaissez le mieux votre système. Je partage les données avec vous, et vous m’aidez à optimiser. Vous m’aidez donc à optimiser en matière de fiabilité. C’est l’exemple de la porte. Vous m’aidez sur l’efficacité. Cela dépend bien sûr de la manière dont vous exploitez le train.

Croyez-le ou non, nous avons une IA qui vous aide à réfléchir à la manière d'accélérer et de décélérer ou de freiner ce train afin d'économiser de l'énergie. L'énergie est l'un des plus grands coûts d'exploitation que vous ayez sur le train. C'est là que nous prenons ensuite ces données. Tout est connecté. Tous ces appareils sont ensuite connectés, bien sûr, de manière fiable et cryptée. Et puis nous avons les données, et nous les utilisons, et nous construisons nos propres modèles à cet égard. Et nous faisons cela client par client, et très souvent nous avons un accord de partage de données, afin de pouvoir utiliser ces données. Nous ne possédons pas les données. C'est important. Ce sont toujours les données de nos clients, mais nous pouvons les utiliser et entraîner nos modèles à leurs fins.

Ensuite, comme vous l'avez dit, nous pouvons le combiner avec d'autres données pour que tout le monde progresse dans ce domaine. Et c'est exactement ce qui se passe, non seulement dans, disons, les trains, mais aussi dans de nombreuses machines. Cependant, il s'avère que ces données ne suffisent pas pour construire vos propres modèles, car vous avez besoin de beaucoup plus de données dans différents contextes. C'est là que Siemens entre en jeu, car généralement nous ne construisons pas les machines ni tous les trains. Nous fabriquons plutôt des composants qui y sont intégrés. Nous travaillons donc avec des constructeurs automobiles, des fabricants aérospatiaux, des entreprises de sciences de la vie, des sociétés agroalimentaires, etc., pour les aider à progresser. Et ils viennent naturellement vers Siemens en disant : « Comment pouvez-vous aider notre secteur spécifique à s'améliorer ? »

Sam Ransbotham : Je n’avais pas vraiment envisagé les choses sous cet angle : si une personne n’a pas assez de données pour entraîner un modèle toute seule, et qu’une autre non plus, mais qu’ensemble elles en ont assez, alors l’idée de relier ces personnes crée une valeur qu’aucune d’elles ne pourrait obtenir seule. Nous avions un invité de Land O’Lakes dans un épisode précédentIls partagent des informations avec les agriculteurs. Les agriculteurs construisent des choses, ils ont beaucoup de données sur leurs cultures, mais la manière dont ils partagent ces données — j’ai l’impression qu’il y a beaucoup de cela en ce moment, où l’on reconnaît que les données idiosyncratiques sont plus précieuses lorsqu’elles sont combinées à d’autres données. En même temps, je ne suis pas naïf. Les gens ne veulent pas partager leurs affaires. Comment encourager les gens à le faire ?

Peter Koerte : Il y a une réponse simple — pas facile, mais simple — à cela, c’est la valeur. Donc si je ne parviens pas à traduire cela et à dire : « Vous savez quoi, partagez les données avec moi, et ainsi vous améliorerez la disponibilité du train pour qu’il reste là, ou j’améliorerai l’efficacité de votre bâtiment », alors ils ne partageront pas les données. C’est aussi simple que ça. Mais si vous le faites, alors c’est parfait. Là, ils disent que ça va.

Parfois, c’est intégré dans votre solution. C’est inscrit dans le contrat où ils disent : « Eh bien, cela ne nous dérange pas. C’est bon, vous pouvez simplement l’utiliser. » D’autres disent : « Hé, je veux aussi bénéficier d’une remise négociée », ce qui est également possible. Mais la réponse simple est que vous ne partagez vos données que si vous obtenez quelque chose en retour. C’est donc un peu comme ce modèle. Selon le secteur, c’est légèrement différent en termes de type de valeur que nous créons, mais il y a toujours quelque chose en retour.

Sam Ransbotham : Vous décrivez en grande partie un partenariat, mais en quelque sorte entre clients ou avec des clients, mais vous avez également établi récemment des liens avec l'industrie, comme votre partenariat avec Nvidia. Pouvez-vous décrire ce que vous envisagez ? Je pense que l'objectif est un système d'exploitation industriel. Comment cela fonctionne-t-il ? Quel est le plan ? Quelle est la réflexion derrière cela ?

Peter Koerte : Avec Nvidia, nous entretenons une relation très, très étroite pour plusieurs raisons. D'une part, bien sûr, nous perdons beaucoup de GPU pour entraîner certains de nos modèles. D'autre part, pour les outils que nous proposons aujourd'hui, Siemens est le leader des logiciels industriels. Nous réalisons ainsi environ 10 milliards d'euros de ventes numériques. Les gens oublient cela. Nous faisons partie des 20 plus grandes entreprises de logiciels au monde, nous disposons donc de nombreux logiciels de simulation, permettant de simuler des voitures, des trains, des fusées dans le monde numérique.

Bien sûr, toutes ces simulations prennent énormément de temps quand on pense à la dynamique des fluides numérique, qui est très complexe. Mais il s’avère qu’on peut vraiment les accélérer. Alors, ce que nous faisons avec Nvidia, c’est de dire : « Et si, au lieu d’attendre huit heures pour une simulation complexe de dynamique des fluides numérique, par exemple de la traînée aérodynamique d’une voiture, on pouvait la réduire à quelques minutes ? » Et c’est exactement ce que nous étudions.

Donc, c’est l’accélération de la simulation et de la conception, en ce qui concerne la conception de puces, ce qui est vraiment intéressant à mesure que l’on descend vers des nanomètres plus petits — deux nanomètres et moins — la complexité de la vérification de ces conceptions de puces est énorme. Elle augmente de manière exponentielle. Ainsi, au lieu d’avoir des ingénieurs humains qui parcourent chaque circuit et le testent sur chaque réseau de portes, on peut commencer à faire appel à une IA pour le faire, encore et encore. Donc, la vérification de la conception des puces en est un exemple.

Ensuite, enfin, le transfert de la conception vers la fabrication est un problème clé, car cela vous retarde vraiment dans la rapidité avec laquelle vous pouvez produire ces puces. Là encore, en tant que concepteur, nous pouvons avoir l'IA en arrière-plan pour vérifier si ce que vous avez conçu est correct et s'il peut être fabriqué.

Ce sont des exemples que nous avons également annoncés au [Consumer Electronics Show] plus tôt cette année avec Nvidia. Nous sommes vraiment enthousiastes à ce sujet car nous pensons pouvoir encore accélérer — et c'est toujours le mot-clé : accélération de la conception, accélération de la fabrication, accélération des opérations. C'est pourquoi nous sommes si enthousiastes à ce sujet.

Sam Ransbotham : Je comprends l'attrait de passer de huit mois à huit minutes. Il n'y a pas besoin de beaucoup de quantification ; on peut le faire en Fahrenheit ou en Celsius, les deux fonctionnent. Mais l'autre chose à laquelle cela me fait penser, c'est que vous avez probablement beaucoup de processus conçus autour de l'idée que cela prendrait huit mois pour le faire. Et quand cela prend huit minutes, on a l'impression que, certes, cela compresse, mais cela pourrait aussi changer le type de choses que vous faites, l'ordre dans lequel vous les faites. Il semble que cela pourrait avoir une onde de choc de bouleversement. Comment gérez-vous cela ? Ou peut-être que je extrapole trop ? On dirait que cela pourrait être un désastre.

Peter Koerte : C'est très vrai. C'est pourquoi j'ai tendance à dire, toujours, que l'IA est composée d'environ 20 % de technologie et de 80 % de transformation réelle. Cela signifie que nous avons beaucoup parlé des données, c'est une chose, mais il s'agit vraiment de changer les processus de la façon dont vous faites les choses. Et, généralement, ce que fait l'IA maintenant, c'est qu'elle change vraiment les flux de travail. Donc, au lieu de penser de manière séquentielle, où je fais une tâche, disons que je fais la conception. La suivante fait la vérification. Ensuite, la suivante examine comment je conçois pour transférer, et le transfère à la fabrication. C'est très séquentiel.

Maintenant, que se passerait-il si vous pouviez faire tout cela en une seule étape parce que l'IA le fait ? Évidemment, vous perturbez un processus de flux de travail très bien établi. La première question qui vient est : qui fait cela ? Est-ce le concepteur du début [ou] de la fin ? Est-ce quelqu'un de complètement différent ? Quelle est la personne à qui vous parlez réellement ? Des questions très intéressantes.

Deuxièmement, comment ce processus va-t-il se dérouler ensuite ? Et qui vérifie que ce que fait l'IA est vraiment correct ? Ensuite, une troisième question est : où est-ce que je fais cela ? Où se trouve l'IA ? Est-ce une nouvelle application ? Est-ce intégré dans une application existante ? Est-ce qu'elle communique avec toutes les applications ? Toutes ces questions intéressantes se posent, et elles ne sont généralement pas toutes techniques. Très souvent, nous constatons que cela concerne beaucoup les personnes [qui] l'utilisent quotidiennement et les impliquent, puis commencent à penser — repenser — ce qui n'était pas possible auparavant et ainsi à aborder également certaines angoisses, car beaucoup argumenteraient alors : « L'IA va prendre mon travail. » Donc, vous avez beaucoup de résistance. Puis, soudainement, une conversation technologique devient une conversation de transformation du changement culturel. Nous le constatons encore et encore.

Sam Ransbotham : Maintenant, la suite logique est libre pour moi de poser des questions sur le flux de travail et ce genre de problèmes. Ils sont tous importants, et je ne veux pas les minimiser ou quoi que ce soit, mais vous êtes plutôt enthousiaste à propos des lunettes intelligentes et des travailleurs qui portent des lunettes intelligentes. Quelle est la prochaine étape pour elles ? Comment les voyez-vous dans le monde industriel ?

Peter Koerte : Je suis très enthousiaste à propos des lunettes intelligentes. Si vous pensez, en particulier, à la fabrication aux États-Unis : je viens de parler à un grand constructeur de véhicules électriques, et ils m'ont dit que dans leur fabrication, leur taux de rotation — donc l'attrition de leurs ouvriers — est de 35 %. Cela signifie que vous devez constamment recycler vos employés. Et ce n'est pas seulement les recycler, mais aussi l'autre question est : « Comment capturer ces connaissances ? » Et si vous pouviez prendre vos lunettes, vous avez cette caméra, et, disons, vous êtes un spécialiste des opérations et vous êtes un ingénieur de maintenance pour une machine spécifique.

Cette caméra et cette IA [regardent par-dessus] votre épaule, littéralement, et vérifient vraiment ce que vous faites. Peut-être que vous le racontez même. Vous enregistrez cela. Vous le faites encore et encore, démocratisant ainsi ces connaissances, en fait. Vous pouvez les capturer pour les futures personnes qui arrivent. Mais encore mieux que pour le nouveau travailleur, travaillant de nuit, à 2 heures du matin, une machine tombe en panne, généralement les gens bricolent sans savoir. Mais si vous aviez ces lunettes maintenant, et que ces lunettes disaient : « C'est une machine CNC. Généralement, le code d'erreur E345 signifie en fait qu'il s'agit d'un bourrage 2. Vérifiez ce couvercle et ouvrez celui-ci, un, deux, trois, quatre, cinq », et vous y êtes. Comme c'est incroyable !

Je pense vraiment en termes de mot-clé augmentation. Donc, augmenter les travailleurs, les ouvriers, mais aussi les cols blancs sur le plancher de l'usine et, bien sûr, capturer ces connaissances lorsqu'ils partent. N'est-ce pas incroyable ? Je pense que cela va nous rendre tous beaucoup plus productifs et beaucoup plus agréables, car vous obtenez des résultats plus rapides, et ainsi vous faites fonctionner l'usine, et ainsi de suite. Et vous réduisez beaucoup d'anxiété et de peur, car très souvent les gens ne savent pas quoi faire. Maintenant, soudainement, ils ont un compagnon. Ils ont un copilote, un collègue, peu importe comment vous voulez l'appeler, qui les aide, et qui est là pour eux 24 heures sur 24, 7 jours sur 7, au lieu d'appeler quelqu'un qui est probablement chez lui et qui dort.

Sam Ransbotham : Cela a beaucoup de sens. Je veux cependant faire un petit contraste. Plus tôt, nous parlions des données, et vous parliez d'un besoin d'expertise approfondie et de connaissances approfondies du domaine. Mais on dirait que c'est peut-être une opposition, ou que vous n'avez pas besoin de savoir que le code d'erreur E345 signifie ceci, cela ou autre chose. Est-ce plus profond ? Est-ce plus spécialisé ? Cela me semble en conflit d'une certaine manière.

Peter Koerte : Évidemment, nous avons besoin des deux. Mais, en fait, l'exemple est assez comparable si vous y réfléchissez. Donc oui, je peux vous dire que la porte va tomber en panne, et c'est maintenant de la maintenance préventive. L'autre cas était plus une réaction. Mais dans les deux cas, c'est de la maintenance. Donc, la maintenance préventive signifie qu'un travailleur doit encore aller remplacer le moteur. Maintenant, d'un autre côté, dans notre cas ici, c'est la même chose. Cela vous donne simplement l'intelligence de savoir quoi faire. Et le faire lui-même doit encore être fait par quelqu'un qui opère cette machine. Donc, je pense que c'est assez comparable.

Ce qui est intéressant à ce sujet, c'est que comme cela nécessite encore des humains, pourrions-nous à un moment donné automatiser cela à travers toute la conversation sur la robotique et les humanoïdes et tout ? C'est certainement aussi une grande tendance actuelle que nous voyons sur le marché. Que cela arrive bientôt ou non, nous ne le savons pas, mais il est sûr qu'il manque au moins 2 millions de personnes dans la main-d'œuvre aux États-Unis déjà aujourd'hui… sur le plancher de l'usine. Donc, la seule façon de rester productif est par l'automatisation. C'est là que Siemens aide de nombreuses entreprises à automatiser leurs processus dans les usines.

Sam Ransbotham : Peut-être que je lis trop dans les propos, mais j'ai lu quelque chose que vous aviez écrit sur les robots humanoïdes et un certain scepticisme quant à la forme humaine réelle, et vous y faisiez allusion juste là. D'une part, je suis totalement d'accord avec vous. La forme humaine n'a rien de magique, et il existe de bien meilleures formes pour les machines industrielles en particulier. Les choses vont-elles ressembler à des humains, ou vont-elles ressembler à des machines, ou différentes ?

Peter Koerte : Eh bien, c'est le grand débat. Pour être honnête, il est trop tôt pour le dire. J'ai vu les deux. En fait, aujourd'hui, j'ai eu deux conversations de ce genre. L'une [allait] dans la direction où nous avons besoin d'humanoïdes, l'autre disait « Non, non, non. » Je pense qu'à la fin, cela revient au ROI et à la valeur, encore une fois, que nous créons.

Prenons un exemple très simple. Disons que la manutention des matériaux est un gros problème dans une usine. Vous devez toujours vous assurer qu'il y a un approvisionnement suffisant en matériaux. Disons, en particulier, si vous êtes dans une usine d'emboutissage, ce sont des tôles, et donc c'est lourd. Prendre un humanoïde n'est probablement pas une bonne idée, bien qu'il y [ait] des cas d'utilisation ; je les ai vus. Et il y [a] de nombreuses raisons. Un, la charge utile est très, très, très limitée. Deux, les humanoïdes sont assez lents si vous les regardez, du moins aujourd'hui. La question est : pouvez-vous les accélérer ? Mais aujourd'hui, ils sont lents. Et enfin, jusqu'à 30 % de l'énergie consommée par un humanoïde sert simplement à s'assurer qu'il se tient debout. Et si vous aviez des facteurs de forme différents qui vous donneraient une charge utile plus élevée, une vitesse plus rapide, moins d'énergie consommée, et alors cela devient une conversation sur le ROI ? Cela dépend. C'est très difficile de généraliser.

Dans ce cas, cependant, je parierais presque qu'un facteur de forme différent d'un humanoïde est meilleur. Mais il y [en a] d'autres où l'on pourrait argumenter qu'un humanoïde ferait un meilleur travail, par exemple, les faisceaux de câbles, les clipser ensemble, où vous devez apprendre la dextérité et la polyvalence et tout cela. Peut-être, mais c'est exactement pourquoi c'est un domaine fascinant. Je pense que quiconque prétend [le] savoir, je pense qu'il est trop prématuré, mais c'est un domaine fascinant.

Sam Ransbotham : En fait, j'aime cela parce que je pense que tant de choses sont de plus en plus « cela dépend », car nous n'avons pas ces modèles universels qui vont fonctionner. Et vous savez que cela contrecarre notre capacité à faire des pronostics ici.

Merci d'avoir pris le temps de discuter avec nous et de partager vos idées sur l'IA industrielle, qui est probablement une idée différente pour certaines personnes, ainsi que sur le partage des données dans l'avenir du travail. Et auditeurs, merci de nous avoir rejoints sur Moi, moi et l'IA.

Peter Koerte : Merci, Sam. C'était formidable.

Sam Ransbotham : Merci encore d'avoir écouté aujourd'hui. La prochaine fois, Vineet Khosla, CTO chez Le Washington Post se joint à nous pour une conversation sur l'innovation de l'IA dans l'édition. Rejoignez-nous alors.

Allison Ryder : Merci d'avoir écouté Moi, moi et l'IA.

MOI, MOI-MÊME ET IA^® est une marque déposée au niveau fédéral du Massachusetts Institute of Technology.