La mise en place d’un système d’intelligence artificielle (groupe Festo)

Le groupe Festo développe et commercialise des solutions d'automatisation et d'enseignement technique dans plus de 35 secteurs industriels. Entreprise familiale allemande fondée en 1925, elle affiche aujourd’hui 300 000 clients dans le monde et un chiffre d’affaires annuel de 3,2 milliards d’euros. Le groupe occupe environ 20 000 employés. 

Festo Didactic Ltée, filiale de Festo, développe des solutions d’apprentissage pour l’enseignement technologique. Son chiffre d’affaires annuel est compris entre 155 et 170 millions d’euros.  

Pour créer un produit, notre travail commence avec des objectifs pédagogiques. Nous collaborons pour cela avec des enseignants, des experts, des industriels et nous définissons avec nos ingénieurs et nos développeurs une liste d’objectifs pédagogiques adaptés à une certaine technologie.

A partir de ces objectifs, nous développons des exercices et des travaux pratiques destinés aux étudiants. Une fois que tous ces éléments sont prêts, nous commençons à développer du software. 

Nous couvrons un éventail d’environ 300 technologies différentes. Notre réseau de distribution comprend plus de 60 bureaux à travers le monde, qui partagent le même système informatique. Nos experts et nos agents sur le terrain sont tous très proches, ce qui facilite le travail avec les clients. En France, nos bureaux sont à Bry-sur-Marne.

La gestion de notre réseau de distribution constitue notre plus grand défi. Pour l’optimiser, Festo Didactic a décidé de créer, avec l’aide de l’IA, le clone numérique d’un vendeur capable de lier les prérequis d’enseignement avec le système pédagogique correspondant développé par Festo didactic. 

Pour le mettre au point, nous souhaitions donc interpréter du texte et le lier à un produit pour faire le pont entre les deux. Nous avons travaillé avec la startup Umaneo, fournisseur de service d’IA spécialisé dans le traitement du langage naturel. Le travail n’a pas été simple. En enseignement tout est nuancé et Il est extrêmement difficile, même pour un humain, de cerner le bon niveau de correspondance. 

Notre outil permet aujourd’hui d’obtenir une précision d’environ 90%, ce qui permet lorsqu’on fournit au système d’intelligence artificielle le prérequis d’enseignement de choisir les bons contenus et le produit à proposer. En comparaison, un logiciel de type Google Search ou Elasticsearch parvient à 60% de précision.

Les prérequis d’enseignement ne sont pas disponibles sous la forme d’une base de données. Ils se présentent sous forme de textes de type pdf ou Word non-structurés. C’est une question clef, d’autant que de notre côté, nous avons une masse de données à comparer avec ces documents qui sont plutôt concis. Le ratio entre les données que nous recevons et celles que nous avons à disposition est donc complètement disproportionné.

Nous obtenons de bons résultats grâce à l’application d’apprentissage automatique « learning to rank », qui permet de classifier et d’ordonner de nouvelles informations, à partir de listes d’informations et de leur association avec des concepts. Lorsque nous fournissons de nouveaux concepts, le système algorithmique va trouver des similitudes avec les données déjà présentes et va prioriser les bonnes informations. 

Pour atteindre ce résultat, nous vectorisons les prérequis d’enseignement en les transformant en chiffres à travers 6 fonctions de caractérisations. Ces paramètres vont ensuite être analysés par le réseau de neurones qui va évaluer pour chacun d’entre eux le lien entre le prérequis d’enseignement et le contenu des cours. 

Notre système a été entrainé en interne avec 1600 entrées, ce qui est vraiment très peu comparé aux GAFAM. Mais ce qui est important, c’est la boucle de rétroaction : « la machine apprend par elle-même ». 

Nous avons fait le choix dès le départ d’intégrer ce projet dans notre modèle d’affaires. Il a fallu cependant 18 mois pour trouver une façon rapide et efficace de rentrer les données et de parvenir à structurer des données qui ne l’étaient pas à la base. Le développement a pris 4 ans au total aboutissant à un budget supérieur à l’investissement de départ, le projet ayant bénéficié des subventions gouvernementales dédiées au développement de solutions d’IA. 

En interne, le projet a rencontré des réticences chez certains, et de l’enthousiasme chez d’autres. L’aspect générationnel intervient pour beaucoup dans la perception du projet, les plus jeunes étant généralement plus ouverts à l’idée d’intégrer l’IA dans les pratiques. 

L’idée de départ était de remplacer au moins 80% des emplois concernés par l’automatisation des tâches correspondant à l’utilisation de ce nouvel outil, en étant 100% certains de pouvoir trouver un autre emploi aussi intéressant et rémunérateur dans l’organisation aux personnes qui effectuaient ce travail auparavant. La pénurie de main d’œuvre s’est amplifiée et le projet apparaît depuis comme un moyen de sécuriser notre activité face aux difficultés de recrutement.

Le principal objet de stress lié à l’IA n’est donc pas la perte d’emploi, mais plutôt l’idée de s’en remettre à une machine. Il y a une barrière psychologique qui s’installe, notamment au niveau commercial où l’on ressent le plus de réticences.