En travaillant sur l'explicabilité, les industriels souhaitent qu'un système automatique puisse rendre compte du raisonnement qui l'a mené à la réponse proposée. Cet aspect joue un rôle primordial dans la confiance que les utilisateurs peuvent accorder à l'IA, notamment dans les systèmes critiques.

L'apprentissage par renforcement consiste, quant à lui, à apprendre un comportement au système en récompensant l'IA, positivement ou négativement, au fur et à mesure de son processus d'apprentissage.

Enfin, en mettant l'IA face à la simulation, les experts génèrent des interactions entre l'IA et un modèle physique, dans le but d'optimiser le comportement d'un système face à un ensemble de paramètres. L'IA permet ainsi d'améliorer considérablement les réglages de systèmes physiques complexes, une étape qui serait beaucoup plus longue - voire impossible - à réaliser par une méthode d'optimisation classique.

Chacun de ces trois axes doit permettre d'enrichir les résultats fournis aux ingénieurs et ainsi renforcer la décision qu'ils prendront. L'IA est ainsi mise au service de l'humain pour augmenter la valeur de ses décisions.

Les enjeux de l'IA

Contrôle des unités de production

La maintenance des moyens de production industriels et la prévision en conception et production pourraient grandement bénéficier d'une aide automatisée à l'accomplissement de certaines tâches de vérification coûteuses et génératrices d'erreurs, telles que la prévision de colmatage ou de fissuration dans des composants industriels durant les phases de conception et d'usage ou l'analyse de chaînes de fabrication.

Systèmes d'alarme

Le perfectionnement de systèmes de contrôle, de pilotage et d'alarme, rendus plus fins par la capacité des IA à générer des situations nouvelles et anticiper la complexité de situations à risque, peut reposer sur l'intégration de différents types de données (capteurs, vidéos, rapports d'analyse, etc.). De tels systèmes permettraient aux ingénieurs sites de se focaliser sur des situations délicates et d'exercer au mieux leur expertise.

Jumeaux numériques

Le développement de jumeaux numériques multi-objectifs, simulant des phénomènes de plus en plus complexes. Ils sont voués à être utilisés pour des tâches d'ingénierie avancée (ex: conception, anticipation), typiquement par couplage avec des outils d'optimisation, et de formation. En reproduisant au plus près des comportements réels à partir d'un apprentissage hybridant connaissances physiques, logiques et observation des données, ils permettent d'optimiser l'usage des simulations pour la recherche de gains de fonctionnement.