Incidents associés
Les malheurs de l'usine de Tesla révèlent pourquoi vous ne devriez pas tout automatiser
Carlos E. Perez Bloqué Débloquer Suivre Suivant 29 mars 2018
Photo par Ines Álvarez Fdez sur Unsplash
De nouveaux rapports indiquent que la stratégie d'IA de Tesla visant à automatiser l'ensemble de son processus de fabrication ne parvient pas à fournir la productivité qu'ils espéraient. Business Insider rapporte que "les analystes de Wall Street ont présenté un argument convaincant selon lequel la sur-automatisation est à blâmer". Le rapport détaille les arguments expliquant pourquoi tout ne doit pas être automatisé :
Mais alors que tout ce capital exotique pourrait permettre à Tesla de supprimer 5 travailleurs, il lui faudra alors embaucher un ingénieur qualifié pour gérer, programmer et entretenir les robots pour 100 $ de l'heure.
Un équilibre doit être maintenu entre la gérabilité de la technologie avancée de l'IA et les tâches qui peuvent être effectuées par un employé raisonnablement qualifié. Il y aura toujours des tâches dans le processus où les coûts d'automatisation n'en valent pas la peine. La majorité des coûts de l'IA sont initiaux, ce coût initial peut devenir incontrôlable si le problème dépasse ce que l'IA actuelle est capable de faire. C'est le problème avec de nombreux efforts d'IA, trop nombreux sont ceux qui sont attirés dans la science-fiction en pensant que l'IA existe déjà aujourd'hui. Il ne faut jamais convertir une tâche d'amélioration de la productivité en une tâche de recherche universitaire. Comprendre ce que l'IA peut et ne peut pas bien faire est d'une importance cruciale pour contrôler les coûts et éviter les échecs. Rendez-vous service et engagez un expert en Deep Learning pendant une heure pour vous dire ce qu'il ne faut pas faire.
Les Japonais qui ont historiquement une expérience beaucoup plus avancée de l'automatisation connaissent mieux le problème. L'approche japonaise consiste d'abord à mettre en place le bon processus, puis à faire appel aux robots. En fait, cette approche se traduit bien non seulement dans l'automatisation de la fabrication, mais aussi dans le travail basé sur les connaissances.
Il est important de se rappeler que la méthodologie Lean d'aujourd'hui que nous trouvons dans le développement de logiciels remonte aux méthodes de fabrication Lean des Japonais. La valeur fondamentale de Lean est simple : maximiser la valeur client tout en minimisant les déchets. Ces idées fonctionnent aussi bien dans le secteur manufacturier que dans les industries axées sur le savoir.
Dans le livre "The Deep Learning AI Playbook", j'ai présenté le Deep Learning Canvas et le cadre à la base est l'approche Jobs To Be Done (JTBD) appliquée à la "charge cognitive". Ce que nous essayons de faire est de cartographier le processus commercial existant et d'identifier spécifiquement le JTBD d'un client (c'est-à-dire qu'il pourrait s'agir d'un employé). JTBD identifie de nombreuses tâches qu'un client effectue pour faire son travail et nous identifions la charge cognitive (contrainte/obstacle) qui peut être augmentée avec la technologie de l'IA. Les charges cognitives comprennent le manque de mémoire, la surcharge d'informations, le manque de sens et l'action rapide. Chaque type est complété par différents types de technologies axées sur le Deep Learning (DL). Plus précisément, recherche, résumé, traduction et visualisation. Cependant, nous devons être pragmatiques. Nous ne pouvons pas nous attendre à ce que DL fasse tout.
Canevas d'apprentissage en profondeur
Au contraire, à mesure que la technologie DL s'améliore progressivement au fil du temps, chaque JTBD qui a été augmenté par l'IA continue de s'améliorer. Ceci réduit en effet la charge cognitive de l'utilisateur pour chaque tâche et par conséquent permet à l'utilisateur de devenir plus productif dans son travail. La productivité peut se traduire par un débit plus élevé, mais idéalement vers une meilleure expérience client (voir : DL pour CX et XLA). L'objectif de niveau supérieur devrait toujours être CX, après tout, c'est ce qui motive les clients à investir dans une relation.
La valeur de l'IA réside dans le fait qu'elle intègre une technologie capable d'identifier le contexte d'un utilisateur, puis de fournir les biens ou services appropriés au bon moment. C'est ainsi que la valeur est créée. C'est ainsi que l'IA et les processus sont liés. Dans le Lean Thinking, il s'agit de l'évaluation du flux de valeur pour voir si chaque étape est « utile, capable, disponible, adéquate et flexible ». La bonne façon d'utiliser l'automatisation de l'IA dans une entreprise est de commencer par une stratégie qui intègre une compréhension de l'objectif, du processus et, surtout, des personnes.