Améliorer la qualité des données avant un projet d'intelligence artificielle : les étapes clés

Lancer un projet d'intelligence artificielle dans un environnement industriel sans avoir vérifié la qualité des données en amont, c'est un peu comme construire une maison sur des fondations mal préparées. Les modèles les plus sophistiqués ne pourront rien faire de bon si les données qui les alimentent sont incohérentes, incomplètes ou mal structurées. Dans le contexte de l'intégration OT IT, où les flux de données doivent circuler entre les systèmes de production et les applications informatiques, cette étape est encore plus critique. Voici comment aborder ce chantier de manière méthodique.

Comprendre d'où viennent les données et ce qu'elles contiennent

Avant toute chose, il faut cartographier les sources de données. Dans un atelier de fabrication numérique, ces sources peuvent aller des automates programmables (PLC) aux capteurs IoT, en passant par les systèmes de gestion de production (MES) et les ERP. Chaque source a son propre format, sa propre fréquence de mise à jour et ses propres règles de validation. L'objectif est de dresser un inventaire précis : quelles données sont produites, par quel équipement, à quel rythme, et sous quelle forme.

Attention à ne pas oublier les données historiques. Beaucoup d'équipes se concentrent sur les flux en temps réel et négligent les archives, pourtant indispensables à l'entraînement de modèles prédictifs. Vérifiez que ces données sont accessibles et qu'elles couvrent une période suffisamment longue pour capturer les variations saisonnières ou les événements rares.

Évaluer la qualité des données collectées

Une fois l'inventaire fait, il faut passer à l'audit. Plusieurs dimensions entrent en jeu : la complétude (absence de valeurs manquantes), la cohérence (pas de contradictions entre des champs qui devraient être liés), l'exactitude (les valeurs correspondent-elles à la réalité mesurée ?), et la fraîcheur (les données sont-elles à jour ?).

Dans un environnement OT, un capteur défaillant peut envoyer des valeurs aberrantes pendant des heures avant d'être détecté. Un mauvais paramétrage d'un automate peut générer des données qui semblent correctes mais qui sont en décalage avec le processus physique. Il est donc utile de mettre en place des règles de validation automatiques dès la collecte, par exemple des seuils de plausibilité ou des contrôles de plage. Ces règles peuvent être enrichies au fil du temps à mesure que l'on découvre les anomalies typiques du site.

C'est aussi le moment de vérifier la cohérence temporelle. Des horodatages mal synchronisés entre des machines différentes peuvent rendre impossible la reconstruction d'une séquence d'événements. Dans un projet d'intégration OT IT, ce problème est fréquent car les systèmes ont souvent été installés à des époques différentes avec des référentiels temps distincts.

Uniformiser le modèle de données

Une fois les anomalies identifiées, vient le travail de normalisation. Chaque source de données a ses propres conventions : une température peut être exprimée en degrés Celsius sur un automate et en dixièmes de degré Fahrenheit dans un ERP. Les noms de variables diffèrent, les unités varient. Il faut définir un modèle de données commun, un "Unified Namespace" qui servira de référence pour tout le projet.

Ce modèle doit être suffisamment flexible pour accueillir les spécificités de chaque source, mais assez strict pour garantir l'interopérabilité. Par exemple, vous pouvez décider que toutes les mesures de température seront stockées en degrés Celsius avec deux décimales, et que chaque point de mesure sera associé à un identifiant unique normalisé. Ce travail de modélisation est souvent sous-estimé, mais c'est lui qui permet aux algorithmes d'apprendre sur des données comparables.

N'oubliez pas les métadonnées : pour chaque champ, documentez sa signification, son unité, sa plage de valeurs normale, et la méthode de collecte. Ces informations seront précieuses pour les data scientists qui manipuleront les données plus tard, et elles facilitent la maintenance du système dans la durée.

Mettre en place une gouvernance des données

La qualité des données ne se décrète pas une fois pour toutes ; elle se gère en continu. Il faut donc définir qui est responsable de quoi. Dans une usine, cela implique souvent de rapprocher les équipes OT (qui connaissent les machines) et les équipes IT (qui maîtrisent les bases de données et les réseaux). Chacun doit comprendre l'impact de ses actions sur la qualité des données.

Mettez en place un processus de remontée des anomalies : quand un capteur produit une valeur aberrante, comment l'alerte est-elle transmise ? Qui la traite ? Avec quelle priorité ? Ces circuits de communication sont souvent le maillon faible des projets IA en milieu industriel. Une plateforme collaborative peut aider, mais le plus important est de créer une culture de la donnée où chaque intervenant se sent concerné.

Sur Linkedin, on voit régulièrement des témoignages d'ingénieurs qui racontent comment un simple défaut d'étalonnage d'un capteur a faussé des mois de données et retardé un projet de plusieurs semaines. Ce genre d'incident est évitable avec une gouvernance bien conçue.

Préparer les données pour l'apprentissage

Une fois la base de données nettoyée et normalisée, il faut encore la préparer pour l'utilisation par les algorithmes. Cela comprend plusieurs opérations : la gestion des valeurs manquantes (imputation, suppression ou modélisation), la détection et le traitement des outliers, l'échantillonnage pour équilibrer les classes dans les jeux d'entraînement, et éventuellement l'agrégation temporelle (passer de données brutes haute fréquence à des moyennes sur des fenêtres de temps pertinentes).

Le choix des techniques dépend du type de modèle que vous allez utiliser et de la nature des données. Par exemple, pour de l'analyse prédictive sur des séries temporelles issues de capteurs, il est souvent nécessaire de lisser le bruit tout en conservant les signaux significatifs. Attention à ne pas introduire de biais involontaire : une imputation trop agressive peut masquer des phénomènes réels, et une suppression trop large peut réduire la taille de l'échantillon en dessous du seuil nécessaire pour un apprentissage fiable.

À cette étape, il est également prudent de constituer un jeu de test séparé, que l'on ne touchera pas avant la phase d'évaluation finale. Cela permet de mesurer objectivement la performance du modèle sur des données qu'il n'a jamais vues, et d'éviter le surapprentissage.

Anticiper les écueils de l'intégration OT IT

L'intégration des données OT (issues des machines et capteurs) avec les données IT (issues des systèmes de gestion) est souvent le point le plus délicat. Les réseaux OT sont souvent isolés pour des raisons de sécurité, avec des protocoles propriétaires et des cycles de mise à jour longs. Les données IT, elles, sont généralement plus structurées mais peuvent manquer de granularité temporelle.

Pour que l'IA fonctionne, il faut que ces deux mondes communiquent de manière fiable. Cela peut nécessiter la mise en place de passerelles, de courtiers de messages (comme MQTT ou OPC UA), ou de solutions d'edge computing qui réalisent un premier traitement des données au plus près des machines avant de les envoyer vers le cloud ou le centre de données. L'important est de garantir la latence, la bande passante et la sécurité nécessaires à chaque flux.

Un autre point à surveiller est la gestion des doublons : il n'est pas rare qu'une même information soit captée par plusieurs capteurs ou remontée par plusieurs canaux. Sans dédoublonnage, les modèles d'IA peuvent apprendre des corrélations fausses ou amplifier du bruit. Mettez en place des règles de déduplication explicites, basées par exemple sur l'horodatage et l'identifiant de la source.

Tester et itérer

La préparation des données n'est jamais vraiment terminée. Une fois le modèle d'IA entraîné et déployé, il faut continuer à surveiller la qualité des données en entrée. Les capteurs se dégradent, les processus changent, de nouvelles sources apparaissent. Un pipeline de données doit être conçu pour évoluer : ajouter une nouvelle source ne doit pas nécessiter de tout reprendre à zéro.

Mettez en place des tableaux de bord qui visualisent la qualité des données au fil du temps : taux de valeurs manquantes, distribution des valeurs, nombre d'alertes. Quand un indicateur se dégrade, vous pouvez réagir avant que la performance du modèle ne s'en ressente. Sur Linkedin, on voit des retours d'expérience où cette surveillance continue a permis d'éviter des dérives coûteuses.

Enfin, impliquez les utilisateurs finaux dès le début. Ce sont eux qui connaissent le mieux les données et les processus. Leur feedback est précieux pour affiner les règles de validation et pour repérer des anomalies que les algorithmes ne verraient pas. Une démarche participative renforce aussi l'adhésion au projet et facilite son adoption.

Améliorer la qualité des données avant un projet d'IA n'est pas une formalité administrative, c'est un investissement qui conditionne la réussite de tout le reste. En prenant le temps de comprendre, nettoyer, normaliser et gouverner vos données, vous donnez à vos modèles les meilleures chances de produire des résultats fiables et utiles. Dans le monde de la fabrication numérique, où chaque décision a un impact sur la production réelle, cette rigueur est indispensable.