L’élaboration de meilleurs modèles d’IA pour les chemins de fer commence par une solide base de données
L’industrie ferroviaire se numérise rapidement et adopte de nouvelles technologies telles que l’apprentissage automatique et l’intelligence artificielle (IA). Ces nouvelles technologies permettent d’accroître l’efficacité globale du secteur, ce qui est déterminant pour atteindre les objectifs de durabilité en Europe et atténuer la pression existante sur la main-d’œuvre. Igor Dakic, consultant principal en gestion stratégique des actifs chez le fournisseur de services d’ingénierie, de conception et de conseil AFRY, évoque les défis auxquels sont confrontées les entreprises qui souhaitent utiliser leurs données pour former des modèles d’IA, par exemple.
« L’IA est très utile car elle permet d’extraire des informations précieuses des données, en particulier des grands ensembles de données tels que ceux des compagnies ferroviaires », déclare Igor Dakic. « Elle peut aider à identifier des tendances et des modèles qui peuvent être difficiles à identifier à l’aide de méthodes traditionnelles, et elle peut également être utilisée pour détecter des anomalies et des violations de modèles, qui nécessiteraient autrement une analyse ou des corrections manuelles lourdes. Elle peut combler le manque de compétences que nous avons dans le domaine de l’analyse des données et permettre ainsi aux employés de se concentrer davantage sur les aspects stratégiques de la gestion des données. »
En ce qui concerne la mise en œuvre de l’IA, AFRY « essaie de définir la voie à suivre pour pouvoir la mettre en œuvre, déterminer quelles données peuvent être utilisées et quelles sont les implications possibles », partage M. Dakic. « Il existe un consensus sur le fait que l’IA et les applications de données peuvent réduire considérablement les coûts et améliorer la qualité et les processus. Pour chaque cas d’utilisation, nous confirmons d’abord quels sont les avantages dans chaque environnement de données au cours d’une phase pilote avant de décider d’une mise en œuvre à plus grande échelle », ajoute-t-il.
« Plus précisément, nous essayons de comprendre les coûts et les avantages de la mise en œuvre par rapport à la réalisation manuelle. L’objectif est d’accroître l’efficacité et la précision par rapport aux efforts manuels, qui sont d’une part sujets à l’erreur humaine, mais d’autre part plus robustes. L’IA peut également offrir une plus grande évolutivité ». En effet, l’utilisation de modèles d’IA pour tirer le meilleur parti des données ferroviaires offre un potentiel considérable. Cependant, tout commence par une base de données solide, définie par Dakic comme « l’intégration de tous les composants nécessaires pour établir la bonne qualité de l’information, en particulier lorsqu’il s’agit de systèmes de gestion des actifs. » Cette première étape se heurte toutefois à des difficultés, en particulier lorsqu’il s’agit de données héritées.
Les défis posés par les données patrimoniales
« La capacité à mettre en œuvre l’IA dépend vraiment de l’état initial du système en place et des données disponibles », affirme M. Dakic. « Je pense que de nombreuses organisations ferroviaires disposent de grandes quantités de données réparties entre différents départements et systèmes, et l’intégration d’informations provenant de diverses sources peut s’avérer assez complexe et difficile sur le plan technique. En outre, les données disponibles peuvent être inexactes, incomplètes, incohérentes… En bref, contrairement à ce que certains peuvent dire, nous sommes un secteur innovant, mais cela signifie également que nous avons été les premiers à tomber dans de nombreux pièges. Et tout cela peut affecter la capacité à gérer les actifs de manière efficace et efficiente, ainsi qu’à fonctionner de manière efficiente. Ce que nous constatons également dans notre travail, c’est que cela découle souvent d’un manque de gouvernance des données, de politiques et de propriété, qui entravent tous la gestion complète des données et le maintien de bases de données de haute qualité ».
Selon M. Dakic, ces problèmes sont plus fréquents lorsqu’il s’agit de données héritées : « Il n’est pas facile d’appliquer l’IA à des données patrimoniales issues de diverses sources, car pour appliquer l’IA, nous avons besoin de données fiables. » En effet, « lorsqu’il s’agit de données patrimoniales, il est important de comprendre qu’elles peuvent être stockées dans des systèmes dépassés ou obsolètes, qu’elles peuvent être incomplètes ou ne pas suivre des conventions communes, ou encore qu’elles peuvent être disparates en termes d’actifs, de hiérarchies d’emplacements ou de systèmes de structuration », poursuit-il. Par conséquent, les données existantes peuvent souvent souffrir de problèmes de qualité tels que des informations inexactes, incomplètes ou incohérentes. « Garantir l’exactitude et la disponibilité des données patrimoniales peut prendre du temps et nécessiter des ressources considérables », souligne M. Dakic.
« Fondamentalement, nous avons besoin de plateformes de transition qui peuvent être très coûteuses. Il peut également être très complexe de passer des anciens systèmes à une technologie plus moderne, qui permet la mise en œuvre de processus davantage basés sur l’IA », poursuit-il. Dans le cas contraire, un expert doit intervenir pour rendre les données à nouveau utilisables, ce qui est coûteux. « Tout d’abord, nous devons comprendre si tous les processus sont conformes à ce qui est défini par la réglementation technique. Ensuite, nous pouvons définir les problèmes. Par exemple, si le problème réside dans l’incompatibilité des sources de données, il est possible de les réunir dans une seule base de données qui pourra être utilisée à d’autres fins », conclut-il.
Construire une base de données solide
Comme Dakic l’a déjà dit, il est essentiel de disposer d’une base de données solide. Quelles sont les premières étapes pour en créer une ? « Certaines organisations disposent de données de meilleure qualité que d’autres, et l’IA peut être appliquée dans leur cas, mais la question est de savoir dans quelle mesure », déclare M. Dakic. En effet, explique-t-il, « tout dépend de la manière dont les enregistrements sont stockés, de la manière dont les enregistrements ont été maintenus, car les organisations ferroviaires disposent de très grands ensembles de données et d’un large éventail de différents types d’actifs. Toutes ces données peuvent se trouver à différents endroits, et une maintenance appropriée doit être appliquée pour qu’elles puissent être utilisées de manière fiable. »
En ce qui concerne les meilleures pratiques observées par l’AFRY, « un cadre de gouvernance des données solide et bien établi » est essentiel. Un tel cadre « définit les règles, les responsabilités, les processus, pour la gestion et la maintenance de la qualité des données, et les formats standardisés tels que les codes de produits ». Cela permet « d’améliorer la compatibilité entre les différents systèmes, qui sont tous importants pour façonner le chemin vers l’IA », souligne M. Dakic. « Ce que nous faisons souvent, c’est établir une structure et des conventions complètes, fournir aux clients les moyens de contrôler et de signaler automatiquement la qualité des données, et mettre en place des processus de gouvernance des données à l’appui. Il est important de synchroniser tous les composants et d’en faire un processus intégré », précise M. Dakic. Selon lui, c’est la première condition pour établir une base solide de qualité des données.
Il cite également « la gestion du changement qui engage toutes les entités concernées dans des discussions sur l’intégration de la stratégie des données » comme un élément déterminant. En effet, « beaucoup sont habitués aux méthodes traditionnelles et la mise en œuvre de nouvelles technologies peut s’avérer difficile ». En outre, une autre pratique importante pour les entreprises, selon M. Dakic, consiste à « fournir aux employés le soutien et la formation nécessaires pour acquérir les connaissances requises afin de pouvoir faire face aux progrès technologiques, soit en recrutant des personnes ayant l’expérience appropriée, soit en formant des techniciens déjà en place ». En fin de compte, ce dont nous avons besoin, c’est d’une culture et d’un état d’esprit axés sur la qualité des données.
Pour en savoir plus sur ce sujet, assistez à la présentation d’Igor Dakic intitulée « Data Quality 360° : Guiding an Organisation to Data-Driven Success » le mardi 6 novembre 2023, lors de l’Intelligent Rail Summit 2023 à Varsovie, en Pologne.
Pour en savoir plus :
- Le sommet Intelligent Rail 2023 annonce une visite de site à Nevomo
- Apprendre de nouveaux tours à un vieux chien : adopter la maintenance conditionnelle
- Que faire de toutes ces données ? – Regardez la discussion du webinaire ici
