Basenews
Publié le 2 Avril 2025
Cet article est réalisé en partenariat avec Lichens Innovation
Dans un contexte économique tendu, l’efficacité opérationnelle s’impose comme un facteur clé pour assurer la pérennité des organisations. La récente hausse des droits de douane de 25 % imposée par les États-Unis et le climat d’incertitude accentuent cette nécessité, obligeant les entreprises à repenser leurs processus. L’intelligence artificielle (IA) apparaît alors comme un levier pragmatique, accessible et transformateur, loin d’être une lubie technologique hors de prix pour les organisations.
Lors de l'événement Baseline X Groupe MISA, auquel notre partenaire Lichens Innovation a également participé, huit entreprises ont soumis divers projets innovants visant à exploiter la technologie de l’IA. Cela a permis à ces organisations de renforcer et d’ancrer leur vision d’affaires en développant des initiatives technologiques à forte valeur ajoutée. Sous forme d’ateliers en table ronde avec des experts, chaque table avait pour objectif d’explorer de façon progressive une hypothèse d'innovation d’IA pour répondre aux besoins d’un marché cible. Ces initiatives démontrent bien le potentiel de l’IA pour optimiser les opérations dans divers secteurs industriels, sans nécessiter des démarches trop longues ni trop coûteuses. Nous vous présentons ci-dessous cinq exemples concrets inspirés de cet évènement.
Avec la croissance importante des appareils connectés dans le secteur manufacturier et minier, plusieurs industriels dépendent de la connectivité pour collecter des données et prendre des décisions d’affaires. Une interruption dans le réseau peut entraîner des pertes financières importantes et perturber les opérations. Réaliser une surveillance avancée des anomalies des systèmes et disposer d’outils de diagnostic permettrait d’identifier plus rapidement les problèmes, de mieux interpréter l’information et de limiter les temps d’arrêt.
L’intelligence artificielle détecte les tendances anormales dans les données, telles que les interruptions de réseau, en identifiant des signaux qui s’écartent des tendances habituelles. Elle permet d'offrir aux opérateurs une interprétation claire de la situation ainsi qu’un plan d’action pour résoudre les problèmes. Cette approche réduit la dépendance à une expertise télécom pointue et améliore la continuité des activités du réseau.
Sur les sites forestiers, les camions de chargement de bois doivent acheminer les arbres coupés vers les scieries avoisinantes. Avant le chargement, le volume, l’essence et le diamètre des arbres coupés sont estimés pour répondre aux exigences de productions spécifiques de chaque scierie. Toutefois, ces méthodes d’estimation sont manuelles et imprécises, ce qui provoque des interruptions coûteuses de la production. Disposer de données spécifiques sur les caractéristiques du bois avant de les acheminer aux scieries permettrait une meilleure planification des ressources et de la production.
À partir de diverses sources de données (ex. données de localisation, données de production, images), l’IA peut agréger l’information pour répondre efficacement aux besoins des flux logistiques. Cette démarche réduit les pertes matérielles et financières tout en favorisant une planification optimisée et une exploitation plus durable et efficiente des ressources.
Dans le domaine minier, l’analyse géologique de carottes inclut plusieurs tâches telles que 1) l’identification de marqueurs de profondeur et 2) la collecte d’informations variées sur les carottes à partir de capteurs.
L’identification des marqueurs de profondeur représente une étape essentielle de l’analyse géologique. Ces marqueurs sont de petits blocs de matériaux insérés entre les carottes qui servent à déterminer précisément la profondeur d’échantillonnage. Néanmoins, la saisie manuelle des informations liées à ces marqueurs augmente le risque d’erreurs humaines et occasionne des délais importants lors de la validation des données.
Par ailleurs, l’intégration de divers capteurs, tels que le Lidar et des capteurs d’images, permet de collecter des données complémentaires indispensables à l’analyse géologique. Cependant, en pratique, la synchronisation de ces capteurs pose souvent problème. Par exemple, une légère divergence d’orientation entre le Lidar et la caméra peut altérer la fusion des données. Cela occasionne des ajustements manuels complexes et onéreux.
La vision numérique, une technique d’IA, sert notamment à identifier des caractéristiques dans les images (ex. traits, contours). Il devient alors possible d’automatiser l’identification d’objets (ex. marqueurs de profondeur) et d’appliquer des corrections d'alignement pour permettre des économies de temps et de ressources. Ce processus manuel coûteux transite ainsi vers une opération fiable et efficiente.
Dans tous les secteurs industriels, une grande quantité d’informations critiques est générée sous forme de données non structurées (p. ex. PDF, JPG). Par exemple, des rapports techniques et des résultats de laboratoire peuvent renfermer des informations essentielles telles que des noms, des dates, des lieux, des quantités. L’absence de structure prédéfinie de ces documents complique l’extraction d’information pertinente par les systèmes informatiques traditionnels. De plus, chaque organisation, voire chaque individu, adopte ses propres pratiques de présentation, rendant la recherche documentaire et l'analyse des informations particulièrement complexes. Cela accroît le risque de négliger des éléments clés pour la prise de décision et rend les entreprises fortement dépendantes des auteurs des documents pour leur interprétation.
L’intelligence artificielle, grâce à des techniques avancées de traitement du langage, permet d’exploiter des sources de données autrefois difficiles à utiliser (ex. texte). Elle identifie rapidement les documents et sections pertinentes et les structure de manière cohérente et uniforme, quel que soit leur format d’origine. Cette approche réduit considérablement le temps consacré à la recherche manuelle, tout en facilitant et accélérant l’interprétation et la prise de décision.
Dans un marché en constante évolution, une tarification statique limite la capacité des entreprises à s’adapter aux fluctuations de la demande et du contexte économique. Une tarification dynamique, ajustée en fonction de facteurs comme la demande ou la période de l’année, peut donc s’avérer plus avantageuse. Cependant, la révision manuelle des tarifs allonge le temps d’analyse, accroît le risque d’erreurs et peut conduire à des décisions sous-optimales (ex. fixer un prix inférieur à sa valeur potentielle). Il serait tentant de croire que prédire les prix en se basant uniquement sur les données historiques suffit. Or, l’objectif n’est pas de reproduire les stratégies du passé, mais d’identifier les approches tarifaires les plus performantes et inédites, adaptées à chaque situation spécifique.
Dans un monde économique en mutation, l’IA permet d’apprendre des stratégies de tarification dynamiques qui s’ajustent en temps réel en intégrant divers facteurs (ex. disponibilité des stocks, comportement des clients). En testant continuellement différentes stratégies et en ajustant ses décisions en fonction des résultats obtenus, elle identifie progressivement les approches les plus rentables. Cette capacité d’adaptation permet d’optimiser les prix face aux évolutions du marché, tout en tenant compte des objectifs commerciaux. Elle permet ainsi d'accélérer la génération de devis, renforce la réactivité des entreprises et permet de mieux contrôler les marges.
Ces projets, explorés et approfondis durant l’évènement Baseline X Groupe MISA, démontrent que l’IA n’est plus réservée uniquement qu’aux grandes entreprises. Les PME aussi peuvent en bénéficier ! Dans un environnement économique où la maîtrise des coûts et l’agilité sont essentielles, adopter l’IA devient une stratégie incontournable et accessible pour transformer les processus industriels et organisationnels.
C'est dans cette perspective que la citation de François-Alexandre Tremblay, Responsable Industrie 4.0, résonne particulièrement avec notre vision du potentiel de l'IA pour les PME québécoises :
« Autrefois, les plus gros qui mangeaient les plus petits. Aujourd'hui, avec l'IA, ce sont les plus rapides… qui mangent les plus lents ! »
Envie de découvrir comment ces approches pourraient s’adapter à vos opérations ?