L’IA et les logiciels ERP pour le métal : La révolution promise

Le consensus général est que l’IA sera une technologie transformatrice pour toutes les industries, les centres de service des métaux ne faisant pas exception à cette règle. Cependant, malgré les pronostics de divers fournisseurs de technologie, la plupart des produits décrits comme étant de l’IA aujourd’hui sont principalement des algorithmes logiciels ordinaires présentés comme de l’intelligence artificielle à grand renfort de battage publicitaire. Dans les rares cas où de véritables grands modèles de langage (LLM) ont été intégrés dans des applications logicielles, les résultats ont été entachés d’erreurs, peu fiables et s’apparentent davantage à un soulèvement mineur qu’à la révolution promise.

Goldman Sachs a récemment publié un rapport de 31 pages intitulé « Gen AI : Too Much Spend, Too Little Benefit », qui met en doute les avantages en termes de productivité et les rendements financiers potentiels annoncés, tout en soulignant, comme d’autres publications, l’impact négatif sur l’environnement des énormes besoins en énergie et en eau douce nécessaires pour alimenter les modèles d’IA.

Cela signifie-t-il que les promesses de l’IA ne se concrétiseront jamais et que les 1 000 milliards de dollars d’investissements sur le point d’être déversés ne se traduiront pas par des gains de productivité quantifiables ? Bien au contraire, les investissements réalisés aujourd’hui seront essentiels à la croissance et à l’amélioration des performances des LLM, mais les attentes doivent être recalibrées et le marketing de l’IA doit être considéré avec scepticisme, car la technologie n’en est qu’à ses balbutiements.

En informatique, il existe un terme couramment utilisé appelé GIGO, abréviation de Garbage In, Garbage Out. Cette expression est utilisée pour décrire le concept selon lequel des données d’entrée mal définies produiront des données de sortie de qualité tout aussi médiocre. Les LLM sont formés sur de grands ensembles de données pour l’apprentissage profond, une technique d’apprentissage automatique qui utilise des réseaux neuronaux pour reconnaître des modèles et faire des associations. Une grande partie de l’interaction de l’IA aujourd’hui est le résultat de LLM alimentés par des sources désorganisées et non fondées telles que des pages de médias sociaux et des sites Web satiriques, ce qui se traduit par des résultats inexacts et bizarres.

Heureusement, dans le monde des systèmes ERP, une base de données structurée fournit l’élément fondamental pour créer de véritables fonctions d’IA à valeur ajoutée. Par exemple, la base de données INVEX fonctionne comme un moteur basé sur des règles qui capture plus de 50 000 champs de données prédéfinis et les organise et les stocke intelligemment à des fins d’analyse et de recherche. Le résultat est un ensemble de données d’excellente qualité qui peut être introduit dans un modèle ML potentiel, contournant ainsi l’écueil du GIGO.

La mise en place d’une fonctionnalité d’IA réellement productive commence par la concentration sur les applications qui bénéficieraient le plus d’une prise de décision assistée. La planification des stocks et les prévisions de ventes en sont deux exemples. Dans ces deux domaines, l’équipe de science des données d’Invera utilise des données structurées de la base de données INVEX et l’apprentissage automatique pour développer des modèles de séries temporelles et d’analyse de régression.

Par exemple, Invera développe et teste des modèles utilisant l’apprentissage automatique pour offrir des prédictions et des prévisions de gestion des stocks dans l’application INVEX Material Resource Planning (MRP). Du côté des ventes, des modèles ML sont utilisés pour analyser les données de l’historique des ventes d’INVEX afin d’offrir des prévisions de ventes et une analyse prédictive.

Il faudra plusieurs années pour que les gains de productivité générés par l’IA se manifestent, en particulier si l’on tient compte du fait que le déploiement de modèles d’IA nécessite beaucoup de ressources et de moyens économiques. Aujourd’hui, toute revendication de fonctionnalité réelle de l’IA devrait être accueillie avec une bonne dose de scepticisme, mais les progrès de la technologie sont remarquables et d’ici quelques années, l’impact pourrait être transformateur. Afin de bénéficier réellement de ce potentiel, il est essentiel de disposer d’ensembles de données propres et organisés pour alimenter les modèles d’IA. Cela permettra aux centres de service des métaux d’utiliser la technologie de l’IA pour prendre des décisions mieux informées en utilisant des points de données qui n’avaient pas été pris en compte auparavant, de se positionner pour l’avenir et d’éviter d’avoir à mettre les déchets (de données) à la collecte.