Coulisses tech
D'où viennent les données de terrain prêtes pour l'IA ? Elles se fabriquent, elles ne se collectent pas. Entre un traceur exposé à la pluie et à la poussière d'un côté, et une IA qui raisonne sur vos opérations de l'autre, il y a quatre couches : du matériel que vous posez et oubliez pendant dix ans, de l'intelligence en périphérie (edge), une connectivité acquise au fil de dix ans de déploiements, et un cloud qui transforme des mesures en faits métier. Chaque application d'IA que vous construisez au-dessus hérite de la qualité de ces fondations. Cet article parcourt ces couches, de bas en haut. Utilisez-le comme checklist au moment de connecter vos actifs. Et soyons clairs : c'est volontairement l'article où il y a le moins d'IA. Pourtant, c'est cette couche qui décide discrètement de tout ce que l'IA au-dessus pourra faire.
TABLE OF CONTENT
J’ai terminé mon article précédent par une question : d’où viennent les données de terrain prêtes pour l’IA ? Cet article y répond.
Donnez à un modèle d’IA des données de qualité sur vos opérations et il fera des choses que personne ne lui a programmées. C’est pour cela que nous le percevons comme vraiment intelligent. Mais relisez le début de cette phrase : donnez-lui des données de qualité. Tout repose sur ces quelques mots. La même IA, nourrie de données incomplètes et trompeuses, produira des réponses fluides, assurées, mais fausses. Le modèle ne change pas ; ce sont les données d’entrée qui changent. Tout l’enjeu est de réussir la couche de données.
Pour les données nativement numériques (vos commandes et vos factures), cette couche relève de l’ingénierie des données. Mais pour les opérations physiques, pour les centaines ou milliers d’actifs non alimentés qui circulent dans votre chaîne d’approvisionnement ou logistique, la couche de données commence ailleurs : sur le terrain, sur un appareil de suivi autonome qui doit fonctionner pendant des années sans que personne n’y touche.
Cette couche est moins glamour que l’IA qui la surplombe. C’est pourtant là que tout le résultat se joue. En interne, nous l’appelons la Sensolus Foundation : des données de suivi d’actifs fiables, captées sur le terrain. Elle se compose de quatre couches, et chacune doit tenir ses promesses avant que la suivante puisse le faire. Nous les avons apprises à la dure. Mais lisez-les comme des exigences, pas comme une visite guidée de nos produits. Ce sont les quatre couches à réussir quand vous commencez à suivre vos actifs. Voici l’ensemble, de bas en haut.
Des données de terrain de qualité partent d’un fait physique : les actifs les plus importants dans les chaînes d’approvisionnement et logistiques industrielles vivent dans des environnements difficiles. Un chevalet de transport passe sa vie sur des camions, dans des cours, chez des clients, dehors sous la pluie et le gel. Un emballage réutilisable traverse des frontières et change de mains une douzaine de fois par cycle. Un traceur fixé sur ce type d’actif ne revient jamais pour un changement de batterie ou un entretien ; il doit fonctionner, sans surveillance, pendant toute la durée de vie de l’actif. Et même quand l’entretien est techniquement possible, le faire sur des milliers d’actifs ruine tout ROI ; le coût caché des traceurs qui tombent en panne ou s’éteignent trop tôt est la ligne budgétaire que la plupart des processus d’achat oublient.
C’est pourquoi notre philosophie de conception pour cette couche tient en trois mots : posez et oubliez. Un traceur Sensolus est fixé une seule fois sur l’actif, puis fonctionne pendant dix ans sans entretien ni intervention physique. Il capte le comportement de l’actif à l’intérieur comme à l’extérieur, et en fait un véritable jumeau numérique. L’actif signale désormais lui-même, en continu, où il se trouve et dans quel état.
C’est le ticket d’entrée. Un matériel fiable et de haute qualité, conçu pour survivre à des conditions industrielles difficiles puis se faire oublier sur le terrain, rend possible tout ce qui se trouve au-dessus de cette couche. Y compris, au bout du compte, l’IA : un modèle ne peut raisonner que sur des actifs qu’un traceur surveille, année après année, sans que personne n’ait à s’en soucier.
La deuxième couche, c’est celle où un traceur cesse d’être un simple composant électronique pour devenir un appareil intelligent, autonome sur le terrain. C’est là que s’arrêtent les traceurs purement matériels, et c’est là que nous investissons délibérément.
Un appareil qui se contente de capter et de transmettre des signaux bruts est un appareil « bête ». Un appareil qui interprète ce qu’il perçoit, directement sur l’actif, est une source d’intelligence. Nous appelons cela l’intelligence en périphérie (edge intelligence), et elle prend des formes concrètes : un comptage de rotations qui traduit les tours d’un touret de câble en longueur de câble déroulée, ou une détection de chocs qui distingue un véritable impact des secousses ordinaires du transport. Et l’IA place la barre plus haut. Plus vous laissez l’IA raisonner et agir sur vos opérations, plus elle a besoin de données qui ont déjà un sens à la source. Je vois les questions et les projets autour des données edge intelligentes augmenter fortement, trimestre après trimestre, sous l’impulsion de l’IA.
Une autre forme d’intelligence en périphérie dans nos traceurs protège la batterie. L’autonomie n’est pas une question de chance ; elle se conçoit, en fonction du cas d’usage et du ROI qu’elle doit soutenir. L’inférence embarquée permet un échantillonnage plus intelligent et des coûts de données et d’énergie plus faibles. L’appareil décide, sur le moment, ce qui vaut la peine d’être mesuré et transmis. Ce n’est possible que parce que nous maîtrisons toute la chaîne, depuis la puce ; on ne peut pas apprendre à penser à la boîte noire de quelqu’un d’autre. Cette couche n’est d’ailleurs jamais terminée. Un traceur livré aujourd’hui sera encore sur le terrain en 2030, au service de cas d’usage et de questions qui n’existent pas encore. Le firmware doit donc continuer à s’améliorer après le déploiement, à distance, à l’échelle de toute la flotte.
La même logique s’applique à la configuration. Un traceur sur une remorque doit se comporter différemment du même traceur sur une benne. Dans notre propre plateforme, cela se traduit par plus de 500 paramètres de firmware configurables par traceur. Et ces paramètres ne sont pas réglés une fois pour toutes. Même quand un actif continue à faire le même travail, sa façon d’être utilisé évolue. La gestion du cycle de vie nous permet de le remarquer et d’ajuster, bien après la livraison des traceurs.
Le principe derrière tout cela : la qualité des données de terrain ne se fixe pas en usine. Elle se crée en périphérie et s’entretient, en continu, pendant toute la vie de l’appareil. Et plus l’appareil est intelligent, plus les données sur lesquelles votre IA raisonne le sont aussi. L’interprétation faite sur l’actif, c’est de la qualité dont l’IA hérite gratuitement. Et la périphérie ne travaille jamais seule. Chaque algorithme de l’appareil est piloté, ajusté et mis à jour depuis le cloud. Des données de qualité pour l’IA naissent de cette interaction, pas d’un seul des deux côtés.
Entre l’appareil et le cloud se trouve la couche que tout le monde tient pour acquise jusqu’à ce qu’elle lâche : la connectivité. Pour des actifs qui circulent entre sites et pays, un seul réseau ne suffit jamais, et une couverture qui semble parfaite sur une carte a des trous dans la pratique. Ces trous coûtent aussi de l’autonomie, ce que peu de gens réalisent. Une radio qui ne trouve pas de réseau continue à chercher, à pleine puissance. Sans firmware embarqué qui sait quand arrêter d’essayer, c’est ainsi qu’un traceur tombe à court d’énergie des années avant la date prévue.
Ici, la qualité signifie multi-réseau et mondial dès la conception : un appareil capable de basculer d’une technologie réseau à une autre, de passer d’un opérateur à l’autre et de continuer à remonter des données partout où va l’actif, tout en respectant le budget énergétique strict d’un appareil autonome. Et voici ce que la fiche technique ne montre jamais. Cette couche ne se conçoit pas sur un tableau blanc. Elle se mérite. Il faut des années de déploiements sur le terrain, dans différents secteurs et régions, pour apprendre où les réseaux font réellement défaut et comment les appareils doivent se comporter dans ces cas-là. Plus de dix ans de cet apprentissage sont intégrés dans la façon dont nos appareils communiquent aujourd’hui.
Pour l’IA qui se trouve au-dessus, cette couche est invisible quand elle fonctionne et dévastatrice quand elle ne fonctionne pas. Les coupures de connectivité ne s’annoncent pas dans les données ; elles se font passer pour des actifs immobiles. Derrière, il y a un travail peu glamour : nos équipes surveillent chaque réseau que nous prenons en charge, se rendent sur site, échangent avec les opérateurs et ajustent le firmware embarqué, réseau par réseau.
La dernière étape est la plus proche de l’IA, et la plus sous-estimée : ce qui arrive aux données entre l’appareil et le modèle.
Les données brutes des capteurs ne sont pas la vérité. Ce sont des mesures, et les mesures comportent du bruit. Les positions GPS sautent. Les réseaux délivrent des messages en retard, voire parfois pas du tout. Un traceur dans un environnement très métallique voit le monde autrement qu’un traceur dans une cour dégagée. Avant que quoi que ce soit n’atteigne une IA, il faut valider (cette mesure est-elle physiquement plausible ?), nettoyer (dédoublonner, ordonner, tenir compte des trous) et enrichir de contexte. Cette couche produit un ensemble de faits métier : trajets, temps d’immobilisation, chocs, visites de geozones, anomalies. Cette position se trouve dans l’usine d’Anvers ; cet arrêt est un site client connu ; ce schéma de déplacement est une étape de transport, pas une manœuvre dans la cour. Et chaque interprétation est validée par quelque chose qu’aucun nouvel arrivant ne peut court-circuiter : dix ans de télémétrie réelle qui vous apprennent à quoi ressemble la normale, pour chaque type d’actif, dans chaque environnement.
Dans mon premier article, j’ai cité l’étude montrant que les grands modèles de langage raisonnent nettement mieux quand ils reçoivent des données de traceurs correctement préparées plutôt que des flux bruts. Voilà cette découverte, traduite en pratique d’ingénierie.
Tout ce que j’ai décrit forme ensemble la Sensolus Foundation. Elle se situe sous l’IA. C’est la couche sur laquelle fonctionne l’IA d’entreprise, pas l’IA elle-même. Et c’est précisément pour cela qu’elle passe en premier. Chaque application d’IA que vous construisez au-dessus hérite de la qualité des données en dessous D’ici quelques années, la qualité de vos données de terrain comptera davantage pour vos résultats en IA que le choix du modèle. Cet héritage est inévitable. Un agent brillant sur des fondations fragiles est un moyen rapide de prendre de mauvaises décisions à grande échelle ; une fonctionnalité d’IA modeste sur des fondations solides crée déjà une vraie valeur, et chaque future capacité d’IA que vous ajoutez en profite gratuitement.
La Foundation est donc en place. Place maintenant à la partie la plus amusante : connecter l’IA que vous utilisez déjà.
Et vous n’avez pas besoin d’un énième outil d’IA pour tirer profit de vos données de terrain. Les assistants IA que vos équipes utilisent déjà tous les jours, comme Claude ou ChatGPT, peuvent interroger directement votre plateforme de suivi et agir à partir des réponses. Comment cela fonctionne, et ce que cela change pour les personnes qui pilotent vos opérations, c’est le sujet de mon prochain article. Vous ne pouvez pas attendre ? Découvrez dès maintenant notre connecteur IA.
Nous sommes des experts : n'hésitez pas à nous poser toutes vos questions, qu'il s'agisse des batteries des traceurs, des rapports d'inventaire ou du parcours des biens.
Demandez votre démoQuel est l’impact de l’IA sur le suivi des actifs ? Ma conviction : l’IA a besoin du suivi des actifs, et le suivi des actifs a besoin de l’IA. Les entreprises qui associent ces deux éléments se forgeront un avantage concurrentiel.
Au fil des ans, les enseignements que nous avons tirés se sont cristallisés autour de quatre piliers. Il ne s’agit pas de concepts théoriques ; ils sont le fruit d’échecs rencontrés sur le terrain, d’itérations et de leçons durement apprises.
Découvrez comment nous avons éliminé la complexité pour créer une plateforme que les opérateurs maîtrisent en toute autonomie, sans programmes de formation ni assistance constante du fournisseur.