Dans le dernier épisode du podcast « IA in Production », nous abordons l’une des applications les plus concrètes de l’intelligence artificielle dans le secteur industriel : l’utilisation d’un Large Language Model (LLM) dans la maintenance industrielle.
Dans cet article, nous présentons les points clés. Toutefois, dans l’épisode complet, vous découvrirez :
- comment les données étaient gérées avant la mise en œuvre,
- comment les enjeux de sécurité et de confidentialité ont été traités,
- comment la solution a été intégrée à l’infrastructure existante du client,
- quelles ont été les réactions des employés,
- et vers quelles évolutions cette solution se dirige (notamment l’intégration de la réalité augmentée et la traduction en temps réel).
Sommaire
De quoi parle le podcast « IA in Production » ?
Le podcast « IA in Production » est une série d’échanges consacrés à des mises en œuvre concrètes de l’intelligence artificielle dans des environnements industriels. Nous ne nous concentrons ni sur la théorie ni sur les effets de mode, mais sur :
- les problématiques réelles des entreprises manufacturières,
- des déploiements concrets d’IA,
- les défis organisationnels,
- les résultats mesurables en termes de performance,
- ainsi que ce qui fonctionne réellement… et ce qui ne fonctionne pas.
Nous échangeons avec des experts qui pilotent des projets d’IA en usine — depuis la phase de conception et l’intégration aux infrastructures IT jusqu’aux résultats opérationnels tangibles.
Cet épisode est particulièrement intéressant, car il traite d’un enjeu majeur pour toute usine : les arrêts de production liés aux pannes machines.
De quoi parle cet épisode ?
Dans cet épisode, nous abordons la mise en œuvre d’un système basé sur un Large Language Model (LLM) au sein du service de maintenance d’une entreprise pharmaceutique. Notre invité est Łukasz Borzęcki, CEO/CTO chez VM.PL.
Łukasz nous présente les principaux défis auxquels l’entreprise pharmaceutique était confrontée, notamment :
- des pannes machines fréquentes,
- des arrêts de production pouvant dépasser 1h30,
- une documentation fragmentée (PDF, manuels, systèmes de tickets),
- et un savoir réparti entre des employés expérimentés plutôt que centralisé.
Une difficulté supplémentaire résidait dans la spécificité de l’environnement pharmaceutique — salles blanches, procédures de sécurité strictes et distance physique entre la documentation et la ligne de production.
Qu’est-ce qui a réellement changé dans la maintenance ?
L’élément clé n’était pas la technologie LLM en elle-même. L’essentiel résidait dans la manière dont elle a été mise en œuvre.
L’équipe a conçu la solution sur la base d’une architecture RAG (Retrieval-Augmented Generation), combinée à une base de connaissances vectorielle et à un modèle de langage fonctionnant au sein de l’infrastructure sécurisée du client.
Le système a été alimenté exclusivement par les données internes de l’entreprise :
- les manuels des machines,
- l’historique des pannes,
- les comptes rendus des réunions RCA (Root Cause Analysis),
- le système de tickets,
- les procédures de sécurité et de santé au travail.
Le modèle n’utilise pas Internet et ne génère pas de réponses en dehors du périmètre des données internes. Il répond uniquement sur la base des connaissances de l’organisation et indique les sources utilisées.
Concrètement, cela signifie qu’un opérateur sur la ligne de production peut saisir un code d’erreur ou décrire un symptôme, et le système :
- analyse des cas similaires dans l’historique,
- recherche dans la documentation,
- fournit une solution étape par étape,
- précise sur quelles sources repose la réponse.
Résultat : le temps d’arrêt a été réduit de plus de 90 minutes à seulement quelques minutes.
Le plus grand défi ? Les personnes, pas la technologie
Un point très important abordé dans la discussion concerne les inquiétudes des employés face au nouveau système.
Les questions naturelles étaient :
- L’IA va-t-elle me remplacer ?
- Mon rôle deviendra-t-il inutile ?
Łukasz a dissipé ces doutes. Il a présenté une vision pragmatique montrant que l’introduction de l’IA dans l’entreprise :
- permet aux opérateurs de résoudre eux-mêmes les problèmes les plus simples,
- offre aux techniciens davantage de temps pour des actions préventives,
- fait évoluer l’organisation d’un modèle réactif vers une maintenance prédictive.
- Fait intéressant – le système aide à planifier l’avenir
- Le LLM ne se contente pas d’indiquer comment résoudre une panne.
À partir des données historiques, il peut également identifier :
- quels composants tombent le plus souvent en panne,
- s’il est pertinent d’augmenter les niveaux de stock,
- quel fournisseur propose des pièces moins sujettes aux défaillances,
- sur quels axes concentrer les efforts au prochain trimestre.
Il ne s’agit plus seulement d’un outil opérationnel, mais d’un véritable levier de pilotage stratégique de la production.
Pourquoi écouter cet épisode ?
Parce qu’il s’agit d’une discussion ancrée dans la réalité du monde industriel.
Dans cet épisode, nous détaillons étape par étape comment s’est déroulée la mise en œuvre de l’IA dans une entreprise de production. Sans raccourcis. Sans slogans marketing. Avec des exemples concrets issus du service de maintenance.
Łukasz Borzęcki partage son expérience acquise en environnement industriel et explique :
- comment convaincre une équipe d’adopter une nouvelle solution,
- comment aborder les enjeux liés à la sécurité des données,
- comment intégrer le système à l’infrastructure existante,
- et comment éviter que le projet ne s’arrête au stade du « proof of concept ».
Cet épisode s’adresse aux professionnels responsables de la production, de la maintenance ou du développement technologique en usine. À celles et ceux qui cherchent à réduire les arrêts machines et à comprendre concrètement comment les LLM peuvent être utilisés dans l’industrie.
Si vous souhaitez découvrir comment l’IA en production peut réellement soutenir les équipes — et non les remplacer — cette conversation vous apportera des réponses claires et concrètes.
