Face à l’augmentation des défis commerciaux et opérationnels, la nécessité de décisions mieux informées a favorisé l’adoption généralisée de l’IA dans divers secteurs. De nombreuses organisations du secteur de l’énergie ont investi dans des solutions d’IA et ont connu des succès précoces. Cependant, à mesure que le nombre de cas d’utilisation augmente, les complexités liées au développement, à la maintenance et à la mise à l’échelle de ces solutions peuvent devenir lourdes. Cela ralentit souvent les progrès ou conduit même à l’échec de projets d’IA ambitieux lorsque le retour sur investissement (ROI) devient incertain [1]. Cet article vise à discuter de ces défis et à proposer des solutions clés pour améliorer le succès avec ModelOps [2] , un nouveau cadre pour l’exploitation de l’IA à grande échelle.

Défis de la mise à l’échelle de l’IA pour les entreprises énergétiques

L’un des principaux défis de la mise à l’échelle de l’IA au sein des entreprises énergétiques est d’équilibrer des exigences incompatibles, qui varient en fonction du contexte commercial et technique de l’organisation. Ces exigences incluent la spécificité, la diversité et la scalabilité.

Spécificité dans les cas d’utilisation à fort impact 

Les cas d’utilisation de l’IA à fort impact ciblent souvent des points de douleur spécifiques au sein de processus particuliers. Par exemple, l’optimisation d’un processus de distillation dans une raffinerie nécessite une compréhension approfondie des étapes impliquées et de leurs interactions, y compris les boucles de rétroaction. De même, la détection de défauts dans une chaîne de fabrication de batteries repose fortement sur les étapes en amont spécifiques et leurs interconnexions. Ces exemples soulignent la nécessité pour les solutions d’IA d’incorporer des connaissances du domaine, surtout lorsque la valeur réside non seulement dans la prédiction des anomalies mais aussi dans l’identification des causes profondes. Une idée fausse courante dans l’industrie est que les problèmes généraux peuvent être résolus en utilisant une approche de boîte noire avec de grandes quantités de données. Malgré l’abondance de données IoT provenant de divers capteurs dans le secteur de l’énergie, les cas à forte valeur ajoutée impliquent souvent des événements rares avec des étiquettes limitées. Le succès dans ces scénarios nécessite une collaboration étroite entre les experts en la matière (SMEs) et les data scientists pour traduire les problèmes en solutions algorithmiques.

Diversité des Thèmes dans les Applications de l’IA

Les applications de l’IA dans les entreprises énergétiques couvrent un large éventail de thèmes. Dans le domaine des énergies renouvelables, par exemple, il existe de multiples sources et processus distincts, tels que le solaire, l’éolien et l’hydroélectricité. Pour les entreprises offrant un mix énergétique, incluant le gaz et les carburants, les spécifications sont encore plus larges. De plus, les services en aval liés à la distribution et aux transactions énergétiques ajoutent à la complexité. Les entreprises énergétiques multinationales doivent également prendre en compte les spécificités des différentes branches d’activité et des pays. La vaste diversité des problèmes que l’IA peut résoudre pose un défi significatif pour les organisations en termes d’opérations, de gouvernance et d’optimisation stratégique.

Évolutivité à travers les actifs et zones géographiques

Étant donné la diversité des cas d’utilisation commerciale, la plupart des entreprises énergétiques exploitent plusieurs actifs dans différentes zones géographiques. Pour maximiser le retour sur investissement (ROI), il est crucial que chaque solution d’IA puisse évoluer efficacement dans différents contextes. Les algorithmes d’IA modélisent les mécanismes sous-jacents des processus techniques, et les solutions basées sur les données dépendent souvent fortement de sources de données spécifiques et des modes opérationnels des actifs. Cette complexité rend l’évolutivité horizontale des algorithmes difficile et nécessite souvent des adaptations sur mesure. Par conséquent, une stratégie technique pour la mise à l’échelle de l’IA doit se concentrer non seulement sur une mise en œuvre robuste et une capacité computationnelle, mais aussi sur une conception bien pensée pour faciliter l’adaptation future à de nouveaux actifs et sites.

Solutions proposées

Pour relever les défis du développement de l’IA dans le secteur de l’énergie, une approche sur mesure est nécessaire, alignée sur les objectifs de l’entreprise, son contexte commercial et sa maturité technique. Bien qu’il n’existe pas de solution universelle, certains schémas communs peuvent augmenter les chances de succès.

Rationaliser le développement avec MLOps

Pour rationaliser ce processus, les organisations peuvent utiliser MLOps. MLOps intègre les pratiques d’automatisation du développement logiciel classique, connu sous le nom de DevOps, dans l’exploitation des modèles de machine learning (ML) [3]. Dans cette approche, les modèles sont mis en œuvre en suivant les meilleures pratiques de codage logiciel, telles que les modèles de code propre. Les modèles sont versionnés avec les métriques de performance correspondantes et les ensembles de données d’entraînement/test pour assurer la traçabilité. L’intégration des développements incrémentiels des modèles est automatisée pour réduire le temps entre l’idée et la production.

Par exemple, imaginez une équipe développant un modèle d’IA pour prédire les pannes d’équipement dans une centrale électrique. En utilisant MLOps, ils peuvent automatiser le processus d’entraînement du modèle avec de nouvelles données, tester ses performances et le déployer en production. Les fonctionnalités intégrées pour recueillir les retours des utilisateurs et surveiller les performances du modèle permettent une adaptation automatique du modèle en fonction de ses performances et des nouvelles informations. Cela garantit que le modèle est toujours à jour et fonctionne de manière optimale, tout en fournissant un enregistrement clair des changements et des améliorations au fil du temps.

Harmoniser les processus avec ModelOps

Figure 1 : Les complexités impliquées dans la surveillance et la gouvernance d’une grande flotte de modèles d’IA.

Chaque cas d’utilisation est associé à diverses dépendances, y compris les types de modèles, les métriques de surveillance et les plateformes de déploiement. Ce réseaux d’interdépendances pose des défis significatifs pour le suivi, la maintenance et l’évolution.

Bien que MLOps facilite l’itération du cycle de vie de l’IA sur une base de projet, les grandes organisations rencontrent souvent des défis avec plusieurs pipelines MLOps. Pour faire face à la nature spécifique et diversifiée des cas d’utilisation, les organisations ont souvent plusieurs équipes travaillant sur différents projets. Avec de nombreuses solutions open-source disponibles, les préférences diverses des équipes de développement pour différentes solutions, combinées aux divers services des fournisseurs de cloud, aboutissent à de multiples solutions d’IA et leurs pipelines MLOps diversifiés dans le meilleur des cas. Dans les organisations moins matures, certains projets peuvent même manquer totalement de MLOps. Cela conduit à un autre défi de gouvernance et de stratégie d’IA, qui est plus pertinent que jamais compte tenu de la nouvelle législation concernant le développement de solutions d’IA, telle que l’AI Act.

Pour relever le défi de la standardisation de l’ensemble de la flotte de solutions d’IA, le cadre ModelOps (ou opérationnalisation des modèles d’IA) a été proposé [2, 4]. Alors que MLOps se concentre sur le déploiement, la surveillance et la maintenance des modèles de machine learning en intégrant les principes de DevOps, ModelOps étend ces principes à un éventail plus large de modèles d’IA, y compris le machine learning, le deep learning, les systèmes basés sur des règles et les modèles d’optimisation, et même les modèles génératifs. ModelOps met l’accent sur la gestion complète du cycle de vie, la gouvernance et la conformité, fournissant un cadre standardisé pour l’intégration de divers modèles d’IA dans les processus métier.

Figure 2 : Une surveillance et une gouvernance rationalisées des modèles d’IA à grande échelle grâce à une approche modulaire de ModelOps.

Un modèle standardisé de ModelOps sert de base commune à tous les cas d’utilisation de l’IA. Les dépendances complexes sont abstraites et gérées de manière uniforme au niveau du modèle. Les obligations légales et les métriques de gouvernance sont intégrées dans le modèle, facilitant l’intégration dans les cas d’utilisation et garantissant la compatibilité avec un tableau de bord de surveillance centralisé. Cette approche fournit des indicateurs clés de performance (KPI) précis et en temps réel pour la gestion de l’ensemble de la flotte d’IA au niveau organisationnel, assurant à la fois performance et conformité.

Standardiser les modèles d’IA

Les solutions d’IA peuvent varier largement dans leur mise en œuvre, mais conceptuellement, elles fonctionnent toutes comme des mappers qui transforment des entrées en sorties, connus sous le nom de modèles d’IA. Cela nous permet d’encapsuler tous les types de modèles—des modèles classiques de machine learning et des réseaux de neurones de deep learning à l’optimisation opérationnelle, aux règles mathématiques expertes et aux modèles génératifs complexes—dans une interface commune, facilitant ainsi la gouvernance et la supervision.

Le choix d’une interface commune peut être personnalisé en fonction du contexte technique de chaque entreprise. Cependant, il est généralement plus simple d’adopter des interfaces largement utilisées, telles que celles fournies par Sklearn et Mlflow. Le défi réside dans l’équilibre entre les fonctionnalités communes et obligatoires imposées pour des raisons légales et de gouvernance, et la flexibilité nécessaire pour intégrer les spécificités de chaque solution d’IA. Cela nécessite souvent une co-construction de modèles et un processus itératif de raffinement par une équipe d’experts centralisée en collaboration avec les data scientists pour chaque cas d’utilisation. Cette approche aide également à améliorer l’adaptation parmi les membres de l’équipe de data science.

Approche modulaire du développement de l’IA

Le développement et la production de l’IA au sein d’une organisation peuvent être analysés et décomposés en composants modulaires, permettant ainsi la création de kits de démarrage pour chaque partie. Par exemple, comme illustré à la Figure 2, un modèle ModelOps peut être divisé en trois modules : le type de modèle, qui abstrait le type spécifique de modèle ; la surveillance, qui abstrait les méthodes de surveillance et de gouvernance ; et le déploiement, qui encapsule les spécificités de l’environnement de déploiement cible, qu’il s’agisse de différentes technologies ou de fournisseurs de cloud.

Ainsi, le graphique complexe d’interactions et de dépendances illustré à la Figure 1—de chaque cas d’utilisation à son algorithme, sa surveillance et son déploiement—peut être géré de manière uniforme en utilisant des modèles ModelOps. Au niveau organisationnel, cette approche permet de capitaliser sur les meilleures pratiques pour chaque mise en œuvre technique et d’assurer des mises à jour cohérentes aux dernières meilleures pratiques de manière standardisée.

Conclusion

Développer l’IA à grande échelle est un art qui nécessite de trouver un équilibre entre des algorithmes très spécifiques et à fort impact et la gestion d’un portefeuille large et diversifié de cas d’utilisation dans plusieurs domaines. Cela implique également de concevoir une base technique fondamentale pour faire évoluer ces cas d’utilisation sur plusieurs actifs afin de maximiser le retour sur investissement (ROI). Maîtriser les outils modernes pour les opérations d’IA, de MLOps à ModelOps, est essentiel pour rationaliser le processus et garantir un développement durable de l’IA.

De plus, bien que cette discussion se concentre sur la composante IA, une stratégie d’IA ne peut être indépendante d’une stratégie de données. ModelOps et DataOps devraient être les éléments fondamentaux de l’IA à grande échelle. À mesure qu’une organisation mûrit, cette base fondamentale peut évoluer en produits d’IA et en maillage d’IA, qui s’entrelacent avec les produits de données et le maillage de données pour améliorer la connectivité, la flexibilité et une gouvernance cohérente.