Machine Learning et Field Management : le guide

Après plusieurs années de « hype » sur l’intelligence artificielle (IA), on commence à avoir des retours d’expérience sérieux sur l’apport du machine learning dans les métiers d’intervention sur site, notamment sur les problématiques de prévision et d’optimisation de ressources. Dans cet article, nous vous présenterons les objectifs et avantages de l’utilisation du machine learning pour votre gestion d’intervention.

• Qu’est-ce que le machine learning ?
• Comment fonctionne le machine learning ?
• Pourquoi utiliser le machine learning pour la gestion des interventions ?
• Exemple de l’utilisation du machine learning dans la maintenance

Qu’est-ce que le machine learning ?

Différence entre machine learning et IA

L’intelligence artificielle englobe la création de machines capables de simuler des fonctions cognitives humaines comme la prise de décision ou l’apprentissage.

Le machine learning est lui une branche spécifique de l’IA qui se concentre sur le développement d’algorithmes permettant aux ordinateurs d’apprendre à partir de données et d’améliorer leurs performances sans être explicitement programmés pour chaque tâche.

Finalement, l’IA inclut une variété de techniques permettant de rendre les machines « intelligentes », tandis que le machine learning est une méthode par laquelle les machines actualisent et affinent leurs algorithmes basés sur l’expérience acquise à partir des données.

Définition du machine learning

Le machine learning est donc une sous-discipline de l’intelligence artificielle qui permet aux ordinateurs d’apprendre et d’améliorer leurs performances à partir de données sans être explicitement programmés pour chaque tâche spécifique. Le machine learning est composé de plusieurs algorithmes.  La particularité de ces derniers ? C’est leur capacité à traiter des cas pour lesquels ils n’ont pas été explicitement programmés. Comment ? En « généralisant » à partir des données utilisées pour les « entraîner » lors de la phase d’apprentissage.

Cet apprentissage n’a rien de magique ! Il est statistique. Un algorithme de machine learning n’apprend qu’à partir d’un très grand nombre d’exemples. C’est dans ces données d’apprentissage qu’il identifie les invariants, corrélations ou récurrences. Ils vont lui permettre, dans un deuxième temps, de « généraliser », et donc de traiter correctement – avec une probabilité de réussite élevée – des données qu’il n’aura jamais vues. Qu’il s’agisse de prédire un résultat, une quantité ou un horaire, ou d’identifier un comportement, un objet ou une situation, l’algorithme ne peut donner des résultats satisfaisants que s’il a été entraîné avec des données pertinentes au regard de la problématique considérée et statistiquement représentatives des variations du phénomène que l’on cherche à modéliser.

Ce qu’il faut retenir :

• L’apprentissage d’un algorithme de machine learning exige toujours la disponibilité d’échantillons de données de bonne qualité et en quantité suffisante. On sait tous que des statistiques élaborées à partir de faibles volumes de données conduisent à des généralisations abusives…
• La nature statistique de cet apprentissage implique un taux d’erreur qu’il est essentiel de déterminer car c’est lui qui conditionne la fiabilité et l’efficacité de l’application envisagée, voire sa pertinence : si seulement 50 % des prédictions d’heure d’arrivée que vous obtenez à l’issue de la phase d’apprentissage sont justes, l’application a-t-elle vraiment un intérêt ?

Les objectifs du machine learning

Le machine learning vise plusieurs objectifs principaux qui permettent aux machines de gagner en autonomie et en intelligence. Voici quelques-uns des objectifs les plus courants du machine learning :

• Amélioration de la prise de décision : automatiser le processus décisionnel pour les tâches complexes qui nécessitent l’analyse de grandes quantités de données.
• Prédiction et classification : prédire les résultats futurs ou classifier les données en catégories distinctes, basées sur les observations passées.
• Personnalisation : offrir des expériences personnalisées aux utilisateurs en apprenant de leurs comportements et préférences passés, comme dans les recommandations de produits ou de contenu dans les services de streaming.
• Optimisation des processus : améliorer l’efficacité des processus industriels et commerciaux en optimisant les opérations basées sur des données, ce qui peut inclure la gestion de la chaîne logistique, l’automatisation des usines, ou la personnalisation des campagnes marketing.
• Détection d’anomalies : identifier les comportements ou les événements anormaux qui dévient des standards ou des attentes habituelles, utilisé fréquemment dans la surveillance de la sécurité informatique ou la maintenance prédictive des équipements.
• Amélioration continue : apprendre de nouvelles données de manière continue pour affiner les modèles et adapter les réponses aux conditions changeantes, ce qui permet aux systèmes de rester pertinents et efficaces au fil du temps.

Nous avons maintenenant une vision plus claire sur les objectifs du machine learning. Mais quels sont les rouages mis en placent pour atteindre ces derniers ?

Comment fonctionne le machine learning ?

1. Collecte de données : la première étape consiste à collecter des données pertinentes pour le problème à résoudre. Ces données peuvent provenir de diverses sources, telles que des capteurs, des bases de données, des fichiers texte, etc.
2. Préparation des données : les données collectées doivent être préparées pour l’apprentissage. Cela peut impliquer le nettoyage des données (suppression des valeurs manquantes, correction des erreurs, etc.), la normalisation des données (mise à l’échelle des valeurs, encodage des variables catégorielles, etc.) et la division des données en ensembles d’entraînement et de test.
3. Sélection d’un modèle : en fonction du problème à résoudre, un modèle de machine learning approprié est sélectionné. Il existe de nombreux types de modèles, tels que les modèles de régression linéaire pour la prédiction de valeurs continues, les modèles de classification pour la prédiction de catégories, les modèles de clustering pour le regroupement de données similaires, etc.
4. Entraînement du modèle : le modèle est ensuite entraîné sur les données d’entraînement. Pendant l’entraînement, le modèle ajuste ses paramètres pour minimiser l’erreur de prédiction. Cela se fait généralement de manière itérative, en utilisant des techniques d’optimisation.
5. Évaluation du modèle : une fois le modèle entraîné, il est évalué sur les données de test pour mesurer ses performances. Différentes métriques peuvent être utilisées pour l’évaluation, en fonction du problème à résoudre.
6. Optimisation du modèle : si les performances du modèle ne sont pas satisfaisantes, des ajustements peuvent être apportés au modèle et/ou aux données, et le processus d’entraînement et d’évaluation est répété.
7. Déploiement du modèle : une fois que le modèle est suffisamment performant, il peut être déployé pour faire des prédictions sur de nouvelles données.
8. Mise à jour du modèle : au fil du temps, le modèle peut être mis à jour avec de nouvelles données pour continuer à apprendre et à s’améliorer.

Comment ces rouages peuvent ils être appliqués à la gestion d’intervention ?

Pourquoi utiliser le machine learning pour la gestion des interventions ?

• Prédire les temps d’intervention : le machine learning peut être utilisé pour prédire le temps nécessaire pour effectuer une intervention, en fonction de données historiques sur des interventions similaires. Cela peut aider à planifier les interventions de manière plus efficace et à améliorer la satisfaction des clients.
• Optimiser la planification des interventions : le machine learning peut aider à optimiser la planification des interventions en fonction de différents facteurs, tels que la localisation des techniciens, leurs compétences, la disponibilité des pièces de rechange, etc. Cela peut réduire les temps de déplacement et améliorer l’efficacité des interventions.
• Identifier les interventions préventives : le machine learning peut être utilisé pour identifier les interventions préventives nécessaires, en fonction de données historiques sur les pannes et les interventions passées. Cela peut aider à prévenir les pannes et à réduire les coûts de maintenance.

• Améliorer la prise de décision : le machine learning peut fournir des informations précieuses pour la prise de décision, telles que les interventions prioritaires, les pièces de rechange à commander, etc. Cela peut aider à prendre des décisions plus éclairées et à améliorer la performance globale de la gestion des interventions.
• Automatiser certaines tâches : le machine learning peut automatiser certaines tâches de la gestion des interventions, telles que la création de rapports, la planification des interventions, etc. Cela peut réduire la charge de travail des employés et leur permettre de se concentrer sur des tâches plus importantes.
• Améliorer la satisfaction des clients : en améliorant l’efficacité et la qualité des interventions, le machine learning peut contribuer à améliorer la satisfaction des clients. Cela peut se traduire par une fidélisation accrue des clients et une meilleure réputation de l’entreprise.

Exemple de l’utilisation du machine learning dans la maintenance

Un exemple de localisation des stocks de pièces de rechange optimisée par l’IA*

Engie Home Services assure l’installation, la maintenance et la réparation des chaudières, climatiseurs et pompes à chaleur de 1,5 millions de foyers. L’entreprise s’appuie sur :

• un maillage géographique de 230 agences, chacune de ces agences ayant son propre stock de pièces détachées ;
• 3 300 techniciens qui réalisent 14 000 interventions par jour, avec 3 300 véhicules dans lesquels il y a aussi des stocks.

La promesse d’Engie Home Services à ses clients est la réparation du premier coup. Cela implique une gestion fine de la disponibilité des techniciens et des compétences de ces techniciens, mais aussi des pièces détachées présentes dans chaque véhicule : pour que la promesse soit tenue, le technicien qui intervient doit non seulement être capable de diagnostiquer la panne, mais aussi avoir dans son véhicule les pièces nécessaires à la réparation. Toute la difficulté est de déterminer quelles sont les pièces qu’il faut avoir dans chaque véhicule et dans chaque agence.

Or, en raison de la grande diversité des marques, modèles et types d’appareils, Engie Home Services gère au total 1,4 million de références de pièces de rechange. Dans les agences, il y a en moyenne 3 000 références, et entre 150 et 200 dans chaque véhicule.

« Compte tenu du nombre d’agences et de véhicules, on arrive là à un niveau de complexité que l’humain ne sait plus bien gérer » explique Stéphane Moillic, Directeur Supply Chain d’Engie Home Services. D’où l’idée de recourir à l’intelligence artificielle (machine learning) pour anticiper les besoins et dimensionner les stocks en conséquence, en partant pour cela des données historiques de mouvements de stocks et des données sur le parc de chaudières, avec trois objectifs :

• Baisser la valeur des stocks ;
• Augmenter la disponibilité des pièces ;
• Réduire les frais de transport.

Après une expertise de la qualité de ces données et une phase d’apprentissage, un test grandeur nature a été réalisé sur l’approvisionnement de 9 agences, pendant 9 mois, en intégrant toutes les contraintes d’activité, notamment la saisonnalité. Le test ayant été concluant sur les trois objectifs, le modèle a été validé et a été étendu en 6 mois à l’ensemble des agences, avec les résultats suivants :

• 15% de baisse des coûts de transport ;
• réduction de 10% de la valeur globale des stocks ;
• amélioration de 5% de la disponibilité des pièces.

Ce n’est qu’un début ! Lors de la conférence où ce cas a été présenté, en mars 2019, Engie Home Services s’apprêtait à lancer la phase 2 du projet, à savoir la gestion des stocks des 3 300 véhicules d’intervention, et anticipait une phase 3 en lien avec le développement des chaudières connectées : « à partir de toutes les données de ces appareils, on saura de mieux en mieux quelles sont les pièces qui sont susceptibles de lâcher, estimait Stéphane Moillic. En 2025, le technicien aura dans son véhicule les pièces nécessaires avant même de savoir qu’il en aura besoin ! »

Pas de projet d’IA réussi sans conduite du changement

Dans la première phase de son projet, Engie Home Services a dû rassurer et accompagner les 230 personnes qui géraient jusque là les stocks de pièces de rechange dans les agences. Impossible évidemment de se contenter de leur dire « maintenant c’est une machine qui va le faire à votre place ».

Une anecdote illustre assez bien le type de craintes que peut susciter un projet de cette nature chez les opérationnels : quand l’algorithme fait des prévisions de consommation de pièces de rechange sur 8 ou 12 semaines, il y a des moments où elle prédit qu’il y aura zéro consommation de certaines pièces. Elle met donc le stock à zéro pour ces références. L’humain, lui, se dit que zéro, c’est un risque… Il a fallu rassurer les collaborateurs en ajoutant une pièce lorsque ce cas se présentait, avec l’idée de vérifier a posteriori si cette pièce avait été utilisée ou non. Au final, dans 95% des cas, c’est la machine qui avait raison : il n’y avait effectivement pas eu de consommation. Cette approche a permis aux collaborateurs de comprendre que la machine est avant tout une aide à la décision, qu’elle ne les dépossède pas leur savoir-faire.

Quand un humain dispose du temps nécessaire pour étudier un cas à fond, il fait souvent mieux que la machine, mais avec tant de références et plus de 200 agences, il est absolument impossible d’étudier tous les cas à fond. C’est dans le passage à l’échelle que la machine est supérieure à l’humain. L’humain reste irremplaçable dans tout ce qui est nouveau ou non routinier.

Dans le cas d’Engie Home Service, la nouveauté, c’était le plan des chaudières à 1 euro. Ils ont pu s’y consacrer parce que le reste était sous contrôle, géré par l’IA. De même, quand l’entreprise récupère la maintenance des chaudières d’un immeuble entier, par définition elle n’a pas de statistiques sur les mouvements de stocks liés à ces chaudières. « C’est l’humain qui a les compétences pour gérer ces situations. Ensuite, au bout d’un ou deux mois, la machine peut prendre le relais. C’est ce changement de mission qu’il est crucial d’accompagner » conclut Stéphane Moillic.

* Retour d’expérience présenté le 27 mars 2019 dans le cadre de la SiTL

Finalement, le machine learning est destiné à devenir la norme dans les métiers d’intervention sur site. Avec sa capacité à apprendre et à s’adapter continuellement, cette technologie représente l’avenir de la gestion des ressources et de la planification des interventions, promettant des opérations plus fluides et des résultats plus prévisibles.