Technologie du futur : L’intelligence Artificielle pour un management et une gestion efficiente des projets industriels

Dans ce registre, « Dan Patterson » fournit une description détaillée de l’intelligence artificielle et de ses applications dans la planification et la gestion de projets industriels

L’intelligence artificielle expliquée : Cet article décrit et explique les concepts et la terminologie qui sous-tendent ce que l’on appelle aujourd’hui l’intelligence artificielle. En outre, il illustre comment ces concepts sont liés au domaine de la gestion de projet, offrant la possibilité d’une planification et d’un contrôle de projet meilleurs et plus efficaces.

Qu’est-ce que l’intelligence artificielle ?

Il existe de nombreuses définitions de l’IA (En français intelligence artificielle ou en anglais AI pour « Artificial Intelligence »). En fait, une recherche Google renvoie aujourd’hui 1,18 milliard de résultats. L’une des définitions les plus utiles qu’il nous propose est « l’IA est la capacité d’un programme informatique ou d’une machine à penser et à apprendre ».
En général, le terme « intelligence artificielle » désigne une machine qui imite la « cognition humaine » Ainsi, les machines capables de « penser » et d’ « apprendre » semblent être au cœur des recherches dans le domaine de l’IA.

La façon dont les humains pensent est à travers ce qu’on appelle la cognition (vient du mot latin pour cognitio qui signifie « connaître » ou « reconnaître »)  C’est le mot scientifique désignant un processus de pensée, l’action mentale d’acquérir des connaissances et une compréhension par la pensée et l’expérience.

La façon dont les humains apprennent se fait soit par des moyens d’observation, soit par des moyens associatifs. L’apprentissage par observation consiste à observer le comportement des autres, comme regarder une personne conduire une voiture, de ce fait vous apprenez en regardant quels leviers et interrupteurs elle utilise pendant qu’elle roule. L’apprentissage associatif, quant à lui, consiste à apprendre en établissant des liens entre des événements. Vous savez que vous entendrez le tonnerre lorsque vous verrez un coup de foudre.
Les humains prennent des décisions basées sur la pensée et l’apprentissage. Nous prenons des décisions judicieuses ou bonnes basées sur un raisonnement observationnel ainsi que sur des modèles associatifs. Nous prenons aussi parfois de mauvaises décisions dont nous pouvons tirer, généralement, des leçons pour nous rendre plus intelligents la prochaine fois. Ainsi, notre processus de pensée s’optimise et devient plus intelligent au fur et à mesure que nous apprenons.

Si une machine peut acquérir des connaissances et les comprendre ou les reconnaître, alors elle aussi peut commencer à prendre des décisions éclairées pour nous, du moins théoriquement. L’épicentre de la recherche dans le domaine de l’intelligence artificielle est justement de pouvoir créer une machine capable d’apprendre et de penser MAIS aussi de prendre exclusivement de « bonne décisions » dénuées de sentiments, dans le bon sens bien évidemment car oui il ne s’agit pas de déléguer les postes de juges aux robots dans les tribunaux.

Le problème de la planification de projet aujourd’hui

L’un des défis les plus difficiles de la gestion de projet consiste à prévoir avec précision les résultats futurs (date d’achèvement du projet, coût total …) d’efforts (projets) très compliqués et très incertains – nous appelons cela la planification.

Les scientifiques spécialistes dans le domaine industriel ont développé des techniques éprouvées et fiables telles que la Méthode du Chemin Critique(CPM) pour aider à modéliser les résultats d’un projet. Mais ces modèles ne sont aussi bons que selon les intrants que nous y intégrons. Aujourd’hui, tout outil de planification digne de ce nom utilise le CPM comme moteur de prévision sous-jacent. En tant que planificateur, il nous reste encore la lourde tâche de savoir non seulement quelles activités inclure dans notre plan, mais encore plus, quelles devraient être leurs durées, leurs coûts et même leurs séquences ? Le CPM ne fait guère plus que convertir des durées et des séquences de durées en une série de dates. Cela n’aide pas du tout avec :

• Sur quelle portée doit-on nous concentrer lors de la construction de notre plan ?
• Quelles activités devrions-nous inclure ?
• Quelles devraient être les durées et les échéances entre chaque achèvement ?
• Quelle est la véritable séquence et logique entre nos activités ?
• Quels risques, éventualités ou opportunités allons-nous rencontrer ?
• …

Si le CPM était une solution complète, nous ne continuerions pas à subir des dépassements de coûts et de calendrier. Le problème n’est pas le CPM. Le problème est notre incapacité à modéliser avec précision ce que nous pensons qu’il se passera pendant l’exécution du projet car :

• Il existe un grand nombre de variables (tâches et séquence)
• Il existe un grand nombre d’incertitudes associées à ces variables (incertitude de durée ou de portée)

Les outils d’analyse des risques liés à l’échéancier nous aident à déterminer à quel point nos prévisions peuvent être mauvaises, mais ils ne font rien pour nous dire ce que les entrées de notre échéancier auraient dû être en premier lieu.

C’est pourquoi l’IA peut énormément aider à la planification de projets, surtout dans le domaine de l’industrie. Si l’IA peut aider le planificateur en faisant des suggestions judicieuses, alors l’immense défi décrit ci-dessus commence à devenir surmontable. De plus, si notre outil de planification peut également commencer à faire de meilleures suggestions par l’apprentissage par observation ou par association, alors nous nous dirigeons vers une voie sérieusement intéressante et passionnante.

Catégories d’intelligence artificielle

Si vous pensiez que le nombre de définitions d’IA, donné au début de l’article, était décourageant, Google renvoie 754 000 résultats lors de la recherche de « Types d’IA ».  Malheureusement, très peu de ces résultats renvoient un ensemble commun de définitions de type. Ceci dit, faire des recherches et consolider les informations trouvées peut nous mener à classer l’IA en 3 types :

• Intelligence Artificielle Étroite (Artificial Narrow Intelligence)

L’intelligence artificielle étroite (ANI), également appelée « IA faible » ou « IA appliquée », est un type d’IA qui se spécialise dans un domaine. Des exemples de ceci seraient l’ordinateur « IBM Deep Blue » battant un maître d’échecs lors d’une partie d’échecs. La machine a été programmée pour être très bonne dans une chose : Jouer aux échecs. Vous pourriez être surpris d’apprendre que « Siri » d’Apple est également un exemple d’ANI. Elle est programmée pour répondre à un ensemble limité de questions mais pas au-delà de ces questions car elle ne peut pas donner de réponse éclairée. La majorité des solutions d’IA d’aujourd’hui sont basées sur l’ANI. Compte tenu de l’état actuel des technologies liées à l’IA, les technologies basées sur l’ANI sont les plus susceptibles de soutenir l’avancement de la science de la planification.

• Intelligence Artificielle Générale (Artificial General Intelligence)

L’intelligence générale artificielle (AGI) est la représentation des capacités cognitives humaines généralisées dans un logiciel afin que, face à une tâche peu familière, le système d’IA puisse trouver une solution. Un système AGI pourrait théoriquement effectuer n’importe quelle tâche dont un humain est capable.

• Super intelligence Artificielle (Artificial Super Intelligence)

La super intelligence artificielle (ASI) est « un intellect beaucoup plus intelligent que les meilleurs cerveaux humains dans pratiquement tous les domaines, y compris la créativité scientifique, la sagesse générale et les compétences sociales » souligne « Dan Patterson ». C’est un saut encore plus important que l’AGI.

Approches actuelles de l’intelligence artificielle étroite

Aujourd’hui, notre implémentation de l’IA basée sur l’ANI peut être vaguement classée en deux catégories : Les systèmes experts et les réseaux de neurones.
Explication :

1. Les Systèmes experts (basés sur la connaissance)

Développés à l’origine pour être utilisés dans les années 1980, les systèmes experts(Expert System) ont pris leur essor lorsque la puissance de calcul est devenue suffisamment forte dans les années 1990. Un système expert est un programme exécuté sur un ordinateur qui utilise un ensemble de règles pour répondre à une question (généralement sous la forme « SI, ceci ou cela – ALORS ceci ou cela »). Lorsqu’on lui pose une question, un ES (Expert System) filtre un ensemble de données, sur la base de règles, pour établir un sous-ensemble de ce qu’il pense être la réponse. En général, plus il y a de règles qui peuvent être utilisées pour répondre à la question, plus il y a de chances qu’une réponse correcte soit donnée. Par exemple, si on voulait déterminer un type d’animal à deux pattes, la simple requête « SI nombre de pattes = 2 » ne restreint pas suffisamment notre recherche pour nous donner une réponse utile car il existe un grand nombre d’animaux à deux pattes. Combinez cela avec un ensemble supplémentaire de questions relatives à la taille, au poids, à l’habitat, à la poche, etc., et nous pouvons rapidement en déduire une réponse plus proche ou juste.

Un « système expert » est composé d’une base de connaissances et d’un moteur d’inférence. Pour un outil de planification de projet, la base de connaissances contiendrait des données relatives aux activités et à leurs durées pour différents types de projets. Le moteur d’inférence est alors chargé d’essayer de renvoyer un sous-ensemble de cette base de connaissances au planificateur en fonction de la question qu’il peut poser, telle que « Quelles activités dois-je inclure dans le périmètre d’ingénierie de mon projet hospitalier ? »

Dans cet exemple, ce qui est en outre utile est de comprendre dans quelle mesure l’ordinateur est convaincu que la suggestion renvoyée est correcte. C’est là que des concepts comme la « logique floue » entrent en jeu. Plutôt que de renvoyer une liste définitive d’activités, le moteur d’IA doit renvoyer un sous-ensemble d’activités avec des degrés de confiance associés quant à leur pertinence.

2. Les réseaux de neurones

Un réseau de neurones (Neural Network) tente de simuler la façon dont un cerveau traite, apprend et mémorise les informations. Tirant les leçons de l’expérience, il recherche des similitudes dans les informations qui lui sont fournies, ainsi que dans les données précédentes, puis prend une décision basée sur ce processus. Cette correspondance de modèle s’appelle l’ « Apprentissage automatique » – vous devez apprendre à un « NN » ce qui correspond et ce qui ne l’est pas en lui donnant suffisamment d’exemples de caractéristiques d’un être humain vivant (respiration, pouls, mouvement des yeux …) et un réseau de neurones commencera à établir un schéma indiquant si ces entrées conduisent à un diagnostic correct de « vivant ou mort ? »

Il existe différentes formes d’apprentissage automatique dans un réseau de neurones(NN), notamment :

• Supervisé : par exemple, introduisez une activité dont le flottement total est nul et dites au NN (Neutral Network) que l’activité est « sur le chemin critique ». Après avoir alimenté suffisamment de ces activités, il établira un modèle qui associe les activités à flottement nul aux activités du chemin critique.
• Non supervisé : alimentez les activités mais ne dites pas au NN lesquelles sont sur le chemin critique ou non, et laissez le NN essayer de catégoriser les activités en fonction de ses divers attributs (par exemple, flottement total). Dans ce cas, le NN se regroupera peut-être en flottement nul et non nul sans savoir que cela se rapporte au chemin critique – il regroupe simplement les activités ensemble.
• Renforcement : Il s’agit d’enseigner par la récompense, comme apprendre à un chien à bien se comporter en lui offrant une friandise.

Quelle approche d’IA est la meilleure pour aider à la planification de projet ?

Contrairement aux réseaux de neurones, les systèmes experts ne nécessitent pas d’apprentissage préalable, ni nécessairement de grandes quantités de données pour être efficaces. Oui, les « Systèmes Experts » peuventapprendre et devenir plus intelligents au fil du temps (en ajustant ou en ajoutant des règles dans le moteur d’inférence), et ils ont l’avantage de ne pas avoir besoin d’être « formés en amont » pour fonctionner correctement.
La capture des connaissances en matière de planification peut être une tâche ardue et sans doute très spécifique et unique à chaque organisation. Si toutes les organisations prévoyaient d’utiliser les mêmes connaissances, par exemple des sous-réseaux standard, alors nous pourrions simplement nous rassembler en tant qu’industrie et établir un « document complet de planification mondiale » auquel nous pourrions tous souscrire. Ce n’est bien sûr pas le cas et donc pour qu’un réseau de neurones soit efficace pour nous aider dans la planification de projet, nous aurions besoin d’exploiter beaucoup de données.
Les réseaux de neurones ont été décrits comme des boîtes noires, vous alimentez des entrées, ils établissent des algorithmes basés sur des modèles appris, puis donnent une réponse. Le problème est qu’ils ne vous disent pas pourquoi, parce que les réseaux de neurones ne comprennent pas le contexte. De ce fait, « Dan Patterson » explique « Je ne pense pas qu’en tant que communauté de planification diligente, nous devrions compter sur un système qui n’a pas de compréhension, ou pire encore, ne peut pas expliquer pourquoi un outil peut arriver à une réponse donnée ». Un ordinateur fournissant des conseils indiquant « Vous avez besoin des activités 1, 2 et 3 » n’est pas aussi utile que « Vous avez besoin de ces activités en fonction des projets précédents X, Y, Z et de votre portée actuellement définie et de la phase du projet dans laquelle vous vous trouvez actuellement ». Le contexte est la clé pour comprendre et finalement accepter les suggestions faites.

Les systèmes experts ont tendance à exceller dans des environnements plus séquentiels, logiques et pouvant être « apprivoisés » par des règles (Cela nous rappelle étrangement un réseau CPM). Les réseaux de neurones traitent davantage des problèmes tels que la reconnaissance à travers des images, par exemple, des plans de projet.
La planification peut toujours bénéficier d’une approche de réseau neuronal comme moyen de rendre l’outil plus intelligent. Comme mentionné, les systèmes experts peuvent devenir plus intelligents, mais ils doivent être formés. Si nous pouvons suivre la réaction d’un planificateur aux suggestions faites par notre système expert, alors ces réactions peuvent être utilisées pour potentiellement ajuster les pondérations que nous accordons aux divers attributs de notre système expert.

Donc, en revenant à notre définition originale de l’IA, pour un outil de planification de projet, il faudrait un « système expert » pour « penser » et un « réseau de neurones » pour « apprendre ». Combinez ces deux et nous avons à notre disposition, une aide à la planification incroyablement puissante. C’est exactement le cas pour l’outil révolutionnaire « InEight Schedule ».

InEight Schedule est un outil de planification basé sur les connaissances. Ce logiciel a été développé pour accélérer le processus de création d’un calendrier CPM et rendre le plan résultant plus précis le tout grâce à une combinaison d’IA et de de HI ou « intelligence humaine ». Dans « InEight Schedule », il y a un moteur d’IA de système expert. La base de connaissances (ou bibliothèque) contient les historiques d’une organisation tels que construits, les normes, les références, les modèles de sous-réseaux et même les registres des risques du projet. Lors de l’élaboration d’un plan dans InEightSchedule, le moteur d’IA fait des suggestions éclairées au planificateur pour :

• Quelles activités devraient être incluses?
• Dans quel ordre les activités doivent-elles être établies ?
• Quels sont les durées et les coûts raisonnables ou de référence ?
• Quels risques faut-il considérer ?

Ajoutez à cela la capacité de ce logiciel à apprendre de son planificateur et des utilisateurs membres de l’équipe. En utilisant l’apprentissage automatique, les suggestions faites évoluent donc et deviennent plus intelligentes au fil du temps, exactement comme un être humain.
Une fois qu’un plan ai été établi dans InEight Schedule, l’intelligence humaine offre aux membres de l’équipe la possibilité de donner leur avis d’expert et leur opinion pour contribuer à l’élaboration d’un plan consensuel. Un plan qui a un plus haut degré d’adhésion de l’équipe (validation) et qui est également basé sur les connaissances de la bibliothèque de connaissances (calibrage).
En combinant la puissance de  l’informatique IA et l’apport humain dans le développement d’un plan, InEight Schedule fournit un moyen meilleur, plus rapide et plus fiable d’établir une base de référence réalisable par rapport à laquelle exécuter un projet. Un pas de géant en avant.

Source : https://www.energymagazinedz.com/?p=2319