IA et data industrielle : comment construire des modèles prédictifs fiables sans dépendre du big data

Industrie et IA : de la donnée à la décision opérationnelle

Anticiper les flux pour réduire l’incertitude

Dans un aéroport, l’expérience commence souvent par une incertitude.

Le passager cherche son vol, vérifie sa porte d’embarquement, évalue son temps disponible. Ce stress diminue à mesure qu’il progresse dans le parcours. Toute l’organisation vise précisément à fluidifier cette expérience.

Derrière cette réalité très concrète se cache un enjeu plus large : l’anticipation. « Dans un aéroport, tout est une question de flux et d’aléas. L’enjeu, c’est d’avoir les bonnes personnes au bon moment », rappelle Jean-Sébastien Mackiewicz, Directeur général de Hub One DataTrust, filiale de Hub One, dédiée à l’intelligence des données et à leur valorisation. Cette logique s’applique également dans l’industrie, où chaque désalignement peut générer des coûts significatifs. Il s’agit de prévoir les besoins en production, en énergie ou en approvisionnement. Dans tous les cas, la donnée devient un outil de réduction de l’incertitude.

L’IA comme levier de décision opérationnelle

Dans ce contexte, l’intelligence artificielle ne doit pas être perçue comme une technologie abstraite ou expérimentale, mais comme un véritable outil de pilotage opérationnel. Sa valeur réside dans sa capacité à éclairer des décisions concrètes. « L’objectif n’est pas de faire de beaux modèles, mais de produire quelque chose d’actionnable », souligne Jérémy Nusa, Consultant data et doctorant en mathématiques chez Hub One.

Autrement dit, une IA performante est une IA qui s’intègre dans les processus métier et qui permet aux équipes de réagir plus vite, avec plus de précision et moins d’incertitude.

Big data, IA générative, LLM : pourquoi la logique du « toujours plus » atteint ses limites

Une explosion des technologies et des données qui interroge

Le marché de l’intelligence artificielle est aujourd’hui marqué par une multiplication des technologies et des concepts, souvent associés à des volumes de données toujours plus importants. Big data, hyperscalers, jumeaux numériques ou encore large language models reposent tous sur une même logique : accumuler un maximum d’informations pour améliorer les performances des modèles.

Cette approche a démontré son efficacité dans certains contextes, notamment pour les IA génératives. Mais elle introduit aussi une complexité croissante, qui n’est pas toujours compatible avec les contraintes opérationnelles des entreprises industrielles

Les LLM, puissants mais pas toujours adaptés aux usages industriels

Les large language models (LLM) ont profondément transformé le paysage de l’IA. Ils offrent des capacités inédites en matière de génération et d’analyse. Mais leur pertinence dépend fortement du contexte.

« Les LLM ont montré que le passage à l’échelle pouvait apporter de la valeur. Mais dans des contextes opérationnels, ce n’est pas toujours la solution la plus pertinente », nuance Jérémy Nusa.

Dans les environnements industriels, d’autres critères entrent en jeu : temps de calcul, stabilité, explicabilité. Des modèles plus sobres, plus ciblés et mieux alignés avec les usages métier peuvent s’avérer plus efficaces. « Parfois, un peu de sobriété fait du bien », ajoute-t-il.

Trois piliers pour une IA industrielle performante et fiable

1. La sobriété des données, clé de modèles prédictifs robustes

La première rupture consiste à réduire le volume de données mobilisées pour ne conserver que celles qui ont un véritable impact. Une donnée utile doit être représentative, stable et exploitable dans le temps. « Une donnée n’est pertinente que si elle reflète réellement l’activité. Le reste, c’est du bruit », résume Jérémy.

Cette approche s’inscrit dans une logique ancienne, que l’on retrouve dans le rasoir d’Ockham : ne pas multiplier les éléments sans nécessité. En modélisation, cela se traduit par une recherche d’efficacité par simplification. Moins de données, mais mieux choisies.

2. L’auditabilité, indispensable pour passer de la donnée à l’action

Un modèle prédictif n’a de valeur que s’il peut être compris et utilisé par les équipes opérationnelles. L’auditabilité devient donc un enjeu clé. Elle permet de rendre les résultats interprétables et d’en tirer des décisions concrètes.

Dans la pratique, cela signifie abandonner les valeurs brutes au profit d’indicateurs actionnables. « On ne réagit pas à une valeur, mais à un seuil ou à un niveau de risque », explique Jérémy Nusa. Cette logique permet aux équipes de prendre des décisions plus rapidement, tout en conservant une maîtrise des mécanismes sous-jacents. Cette logique facilite l’adoption de l’IA sur le terrain.

3. La confiance, fondement du partage de données

La performance des modèles prédictifs repose également sur la capacité à partager des données entre différents acteurs au sein d’un même écosystème ou d’une même chaine de valeur. Ce partage nécessite un cadre de confiance solide, garantissant que les données ne seront pas utilisées à des fins contraires aux intérêts des parties prenantes.

« Partager de la donnée ne doit jamais se faire au détriment de celui qui la produit », insiste Jean-Sébastien. En limitant les données échangées et en privilégiant des indicateurs agrégés, il devient possible de concilier performance et sécurité. Des plateformes spécialisées permettent aujourd’hui de structurer ces échanges, en contrôlant les usages et en protégeant les intérêts de chacun.

De la théorie à la pratique : modéliser sans déformer le réel

Pourquoi une approche probabiliste est essentielle

Dans les environnements opérationnels, les données sont rarement parfaites. Elles sont souvent incomplètes, bruitées ou biaisées. Les modèles doivent donc intégrer cette incertitude pour produire des résultats fiables. Les approches probabilistes permettent précisément de tenir compte de ces imperfections, en proposant des prédictions plus réalistes. Elles évitent également les effets de surajustement, qui peuvent conduire à des résultats théoriquement précis mais inutilisables en pratique.

Penser en scénarios plutôt qu’en valeurs fixes

Une autre erreur fréquente consiste à vouloir prédire une valeur unique, comme une heure exacte ou un volume précis. « Prédire une heure exacte n’a pas de sens. Il faut raisonner en fenêtres de temps », précise Jérémy Nusa. La modélisation doit refléter la réalité des processus, en les décomposant en étapes. Chaque jalon devient un point de décision, avec ses propres incertitudes. Cette approche permet également de mieux gérer les aléas et d’améliorer la prise de décision.

Cas d’usage IA : comment la data transforme les opérations aéroportuaires

Données aéroportuaires : transformer un flux complexe en modèle prédictif

Les aéroports disposent de systèmes d’information extrêmement riches, notamment les bases de données opérationnelles qui centralisent l’ensemble des événements liés aux vols. Ces données présentent un avantage majeur : leur stabilité et leur standardisation à l’échelle internationale. Mais leur volume et leur complexité nécessitent un travail approfondi de sélection et de nettoyage. « Le défi, ce n’est pas d’avoir des données, c’est de savoir lesquelles utiliser », explique Jean-Sébastien Mackiewicz. Une fois structurées, elles permettent de construire des modèles prédictifs performants.

Retail : anticiper les flux pour maximiser les ventes

Dans les zones commerciales, la prédiction des flux permet d’adapter l’offre et les équipes. Les comportements d’achat varient selon les destinations, les horaires et les profils de passagers. Anticiper ces variations permet d’adapter les équipes, les stocks et l’organisation des points de vente. « Savoir quand un flux spécifique va arriver permet de positionner les bons vendeurs au bon moment », souligne Jean-Sébastien Mackiewicz. Dans certains cas, cela peut faire la différence sur des ventes à forte valeur. La donnée devient alors un levier direct de performance commerciale.

Data, gouvernance et souveraineté : structurer l’écosystème

Des plateformes pour sécuriser les échanges de données

Au-delà des modèles, la question de la gouvernance des données devient centrale. Des plateformes spécialisées permettent d’organiser les échanges, de contrôler les usages et de garantir la souveraineté des données. Ces infrastructures jouent un rôle clé dans la construction d’un écosystème de confiance, indispensable au développement de projets data à grande échelle.

Une intelligence collective portée par des écosystèmes

La logique de partage s’inscrit également dans des dynamiques collectives. Des consortiums réunissant acteurs technologiques, industriels et prestataires permettent de croiser les données et d’améliorer les modèles. Cette approche collaborative favorise l’émergence d’une intelligence collective, capable de répondre à des problématiques complexes, comme l’anticipation des flux ou la gestion des aléas.

IA et productivité : des équipes plus agiles, des projets plus rapides

L’IA comme amplificateur de capacité

L’intelligence artificielle permet aujourd’hui d’accélérer considérablement les projets data. Elle facilite le développement, l’analyse et la production de modèles, tout en réduisant les ressources nécessaires. « Je vois l’IA comme un outil qui amplifie la capacité de travail, pas comme quelque chose qui remplace », explique Jérémy. Cette évolution permet aux équipes de se concentrer davantage sur les enjeux métier et sur la valeur ajoutée des projets.

Privilégier des modèles adaptés aux usages métiers

Malgré ces avancées, l’IA suscite encore des réactions contrastées. Certains acteurs y voient une solution universelle, capable de tout transformer. D’autres restent plus prudents, voire méfiants. « Le paysage est encore très varié, entre enthousiasme et inquiétude », observe Jean-Sébastien.

Dans les contextes industriels, où les contraintes de performance, de stabilité et d’explicabilité sont particulièrement fortes, l’approche pragmatique semble la voie la plus pertinente. Les modèles les plus efficaces sont souvent ceux qui sont les mieux alignés avec les besoins métier.

Conclusion

Bérengère D'HEUCQUEVILLE

Bérengère est responsable de la communication externe et des relations presse chez Hub One. Baroudeuse, c’est avec son sac à dos qu’elle aime parcourir le monde et dormir chez l’habitant parce que c’est pour elle le meilleur moyen d’aller à la découverte des autres, de s’imprégner de leur culture. Mais ce n’est pas pour cela, qu’elle n’apprécie pas de lézarder au bord d’une piscine, les doigts de pieds en éventail ! Pour mieux garder une trace de ses périples, Bérengère s’adonne à la photographie, qui d’un passe-temps s’est transformé en passion. Bérengère est aussi une maman qui n’hésite pas à aller encourager ses enfants et donner de la voix, tant au bord d’un terrain de foot que dans une salle de spectacle. Côté technologie, c’est de son Apple Watch dont elle aurait du mal à se passer. Outre le fait de lui permettre de garder le contact avec ce ou ceux qui compte(nt) le plus, cet objet est aussi le partenaire technologique de ses balades à pied et à vélo.