Un véhicule moderne peut embarquer plus de 150 ECUs, des dizaines de millions de lignes de code et produire des volumes considérables de données. Cette sophistication soutient l’innovation, mais elle alourdit aussi les coûts de développement, de validation et de maintenance.
Pour les constructeurs, l’enjeu économique consiste désormais à maîtriser cette complexité sans ralentir la mise sur le marché.
L’intelligence artificielle ouvre alors une piste intéressante car au-delà d’ajouter de nouveaux services à bord, elle peut aider les équipes d’ingénierie à comprendre des systèmes devenus difficiles à appréhender.
Relier des informations dispersées
Pendant longtemps, les outils d’analyse se sont concentrés sur des données structurées : signaux CAN, données analogiques, codes erreur. Pourtant, les causes profondes d’un problème se trouvent rarement dans ces sources seules.
En effet, l’identification de la source d’une panne repose également sur l’analyse d’une spécification technique, d’un compte rendu d’essai, d’un historique de réparation ou encore d’une modification logicielle.
Autant d’éléments qui sont souvent répartis entre plusieurs outils, équipes et fournisseurs. D’ailleurs, une partie essentielle du savoir reste encore trop dispersée (entre documents, outils métiers, et expertise individuelle). Par exemple, lorsqu’un ingénieur quitte un projet ou une entreprise, une grande partie de ses connaissances partent avec lui.
L’IA peut justement rapprocher ces sources, restituer leur contexte et aider les ingénieurs à formuler plus rapidement des hypothèses pertinentes. Une réduction du temps consacré à rechercher, comparer et interpréter l’information peut raccourcir les cycles de diagnostic et de validation. À l’échelle d’un programme automobile, ces gains ont un effet direct sur les dépenses d’ingénierie, l’utilisation et le nombre des prototypes et les délais d’industrialisation.
La qualité du contexte déterminera la valeur créée
Les performances d’un système d’IA dépendent moins de la quantité brute de données disponibles que de sa capacité à accéder aux bonnes informations, au bon moment et avec suffisamment de contexte pour les interpréter.
Un signal isolé dit finalement peu de choses : sa valeur apparaît lorsqu’il peut être rapproché des conditions dans lesquelles il a été produit, de l’état du véhicule, de son historique ou encore d’autres événements survenus au même moment.
L’enjeu pour les constructeurs est donc de disposer de pipelines d’ingestion capables de collecter et de contextualiser dynamiquement les données pertinentes, plutôt que de chercher à centraliser systématiquement l’ensemble des informations. L’IA peut alors croiser données véhicule, diagnostics, logs, documentation technique ou historique de maintenance pour reconstruire une vision beaucoup plus complète d’un événement et orienter l’analyse vers les causes les plus probables.
C’est précisément là que l’IA change l’échelle de l’analyse. Elle peut traiter et mettre en relation un volume d’informations très supérieur à ce qu’un être humain pourrait examiner manuellement, et faire émerger simultanément davantage de corrélations, d’hypothèses et de pistes de résolution. L’ingénieur dispose ainsi d’une compréhension plus riche du problème et peut concentrer son expertise sur l’interprétation des résultats et les décisions à prendre, plutôt que sur la recherche fastidieuse des informations nécessaires au diagnostic.
Finalement, dans la compétition automobile, l’avantage reviendra aux entreprises capables de transformer plus rapidement leurs données et leur expérience en décisions industrielles. L’IA y contribue, à condition d’être considérée comme un outil de productivité et de capitalisation des connaissances, plutôt que comme une promesse technologique en soi.
*Alexandre Corjon est Vice-président senior de l’ingénierie chez Sonatus
The post Automobile : l’IA face au coût de la complexité industrielle appeared first on Silicon.fr.
