Déployer une IA de confiance en maintenance industrielle

L’article [IA 3 020] pose les fondations. Il présente trois approches d’IA pour la maintenance industrielle ( data-driven , document-driven , hybride), une architecture agentique hyperspécialisée et des indicateurs clés de performance ( Key Performance Indicators , KPI) orientés métier : fidélité à la source, rappel aux k premiers résultats (R@k), latence au 95 ^e  percentile (P95) et temps moyen de réparation ( Mean Time To Repair , MTTR). Il montre pourquoi spécialiser, quoi mesurer et quand s’abstenir.

Reste la question la plus concrète : comment mettre en œuvre cette IA, du cadrage initial jusqu’au maintien en conditions opérationnelles ?

C’est l’objet du présent article. Il décrit une méthodologie structurée en cinq étapes opérationnelles, jalonnée par des portes de décision, et adossée à des référentiels reconnus, en particulier le corpus de connaissances ( Body of Knowledge , BoK) du programme Confiance.ai et les exigences du règlement européen 2024/1689 sur l’intelligence artificielle ( AI Act ). Ces cadres sont mobilisés comme références de cohérence et d’exigences d’évidence, non comme des carcans : la méthodologie Omundu conserve son ancrage terrain et sa finalité première, un retour sur investissement (ROI, Return on Investment ) mesurable en atelier.

La méthode proposée s’applique à une IA d’assistance à la maintenance industrielle, positionnée sur une chaîne séparée de toute fonction instrumentée de sécurité (SIF, Safety Instrumented Function ) et de tout niveau d’intégrité de sécurité associé (SIL, Safety Integrity Level ). Elle repose sur quatre hypothèses :

– un patrimoine documentaire existant (notices, plans, procédures, foire aux questions (FAQ)), même imparfait ;

– une équipe de maintenance identifiée, avec des profils de compétences hétérogènes ;

– un accès au réseau industriel en lecture seule via les protocoles...