Les données territoriales et l'Intelligence Artificielle au service de la Résilience Productive
Voici quelques notes sur ce sujet, qui se trouve désormais au cœur de l’actualité et du plan de relance du gouvernement.
Crise sanitaire et prise de conscience
La crise sanitaire a mis en lumière la fragilité du tissu industriel français. La rupture brutale des approvisionnements en mars 2020, en particulier ceux en provenance d’Asie ont stoppé net la production de nombreuses entreprises françaises, et de tout un écosystème lié à leurs activités. Face à cette situation nouvelle, les entreprises ont cherché des solutions en local pour s’approvisionner, prenant alors conscience de l’importance de sécuriser et de diversifier leurs approvisionnements.
D’autres entreprises ont choisi de repositionner leur outil productif sur la production de nouveaux biens, en pénurie sur le territoire. Il y a eu les exemples médiatisés des entreprises de cosmétique ou de spiritueux qui se sont adaptées pour fabriquer en urgence le gel hydroalcoolique qui manquait tant. Il y a aussi les exemples d’entreprises de textile qui se sont mises à fabriquer des masques en tissu. Cette crise sanitaire a permis de se rendre compte de la désertification partielle de notre industrie, mais aussi de la formidable capacité des acteurs à se réinventer et à innover pour trouver des solutions. Cette “résilience productive” nous inspire. Partout au sein de notre société bousculée de toute part on a vu naître des initiatives pour pallier les pénuries sur les produits de première nécessité.
Les entreprises ont innové, certaines fabrications sont devenues “distribuées” s’implantant au plus près des consommateurs. La société civile a pris part à cet effort, et des bénévoles ont fabriqué sans ménagement des visières avec leurs imprimantes 3D. On a vu des gendarmes, à la manière des taxis de la Marne, faire les livraisons des précieuses protections auprès des professionnels qui étaient en première ligne.
Cette crise sanitaire a permis de se rendre compte de la désertification partielle de notre industrie, mais aussi de la formidable capacité des acteurs à se réinventer et à innover pour trouver des solutions.
Certains industriels ont collaboré avec succès à la fabrication de respirateurs artificiels. D’autres, écartés depuis quelques années du marché des hôpitaux publics pour leurs coûts de production, ont remis en route leurs unités de production pour fabriquer des élastiques pour masques. Une entreprise d’emballage plastique a réorienté sa chaîne de production pour produire des surblouses de protection pour les soignants en remplacement des tenues improvisées à partir de sac-poubelles.
Pendant la première partie de la crise sanitaire on a beaucoup parlé “ du monde d’après ” dans lequel la société est résiliente et apprend de ses erreurs. Ce monde où les dirigeants seront clairvoyants c’est à nous de le construire. Nous devons écouter les Cassandre et engager durablement des changements profonds dans la société pour reconstruire le maillage industriel afin d’améliorer la résilience productive de la France. Il ne s’agit pas de faire revenir en France, les usines parties il y a plusieurs dizaines d’années dans leur configuration initiale, car leurs impacts sociaux et environnementaux ne sont plus compatibles avec les contraintes actuelles. La réindustrialisation s’inscrit dans son époque et de même que “l’industrie du futur”, elle peut s’appuyer sur l’usage des nouvelles technologies et en particulier sur les sciences de la donnée et l’Intelligence Artificielle. Une modélisation du tissu industriel est indispensable pour faire collaborer fournisseurs et clients dans une même direction.
Modélisation du tissu industriel
La modélisation des établissements et des échanges commerciaux pourra s’appuyer à la fois sur de nombreuses données libérées par les acteurs publics, tels que l’Insee, Pôle Emploi ou les douanes, mais également sur les travaux d’universitaires, dont ceux de l’université de Harvard qui travaille sur ces sujet depuis plusieurs années. En s’appuyant sur l’analyse des exportations de chaque pays, leurs modèles nous fournissent des données particulièrement intéressantes pour mesurer la proximité productive entre deux types de produits. Cette mesure peut être considérée comme une proximité de savoir-faire, à l’instar du fabricant d’emballages plastiques qui a pu rapidement adapter sa chaîne de production pour faire des surblouses.
Cet indicateur permet de rechercher à proximité d’un établissement, non seulement les fournisseurs potentiels d’un des produits fabriqués, mais également les fournisseurs bénéficiant d’un savoir-faire proche, lesquels seraient en mesure d’adapter leur chaîne de production à la fabrication de ce produit.
En analysant les établissements présents sur un territoire, on peut mesurer la couverture productive, et visualiser les produits fabriqués sur ce territoire ainsi que leur importance dans l’éco-système productif local.
On peut enrichir le modèle par une analyse sémantique des désignations de produits, qui nous offre une piste pour appréhender la proximité sémantique entre les produits. En utilisant des techniques d’IA d’analyse du langage naturel telles que word2vec (plongement lexical des mots dans un espace vectoriel) on pourra mieux lier sémantiquement chaque produit. Ce n’est pas étonnant car les désignations de produits ont justement été rédigées pour être compréhensibles et éviter les ambiguïtés.
Un « Tinder de l’industrie »
Pour passer du modèle à la recommandation personnalisée, nous pouvons nous orienter vers une plateforme intelligente capable d’apprendre des comportements des industriels lors de leurs recherches de fournisseurs. Il existe de nombreuses approches possibles (filtrage collaboratif, recommandation réciproque et apprentissage par renforcement). Toutes ces techniques pourraient être mises à profit pour concevoir une plateforme collaborative dans le respect de la confidentialité des données de chacun. Cette plateforme multi-faces nous permettrait de collecter des données plus précises sur les préférences de chaque établissement, renseignées par les utilisateurs prenant en compte les particularités et les attentes de chaque acteur.
Mesurer la résilience productive réelle
Le maillage des établissements peut également être optimisé. En nous appuyant sur la théorie des réseaux nous obtiendrons des indicateurs de robustesse du tissu industriel d’un territoire. Cette modélisation nous offrira un large terrain d’investigation prospectif pour dérouler des scénarios de crise et en mesurer les incidences. Par exemple, la simulation d’une rupture des approvisionnements asiatiques, ou la simulation de l’arrêt brutal d’une usine, nous permettrait de mesurer précisément les incidences sur l’écosystème productif, et ainsi le niveau de résilience productive réelle d’un territoire.
Le développement d’une plateforme collaborative serait à la fois une source de données ouvertes, partagées au plus grand nombre, et un support pour le développement collaboratif, offrant aux data scientists, aux informaticiens et aux économistes un socle technique pour travailler ensemble à la réindustrialisation écologique et responsable de la France.
Pou aller plus loin sur les applications de l’IA pour l’industrie, découvrez notre livre « Intelligence Artificielle : La Révolution de l’Industrie 4.0 » disponible en version numérique et papier.