Data et IA industrielle

Sur un site régulé, la politique de confidentialité interdit souvent de faire transiter la documentation technique ou l'historique pannes par un service cloud externe. C'est exactement la situation d'un site pharma pour lequel nous avons construit un chatbot RAG entièrement on-premise, modèle et base vectorielle hébergés localement, parce qu'un LLM cloud était exclu d'office. Cette contrainte fait partie du cahier des charges dès le départ, pas un correctif ajouté après coup.

Nous ne livrons pas de démo expérimentale qui reste au stade du prototype. Tout ce que nous déployons doit fonctionner en exploitation réelle et résister à un audit qualité, avec audit trail, explicabilité et traçabilité pensés dès la conception en environnement GMP. Si un cas d'usage ne peut pas tenir cette exigence, on le dit avant de démarrer, pas après livraison.

On commence par regarder ce qui existe déjà sur le site : PI System, Wonderware Historian ou une autre source, plus l'historique pannes en GMAO. Sur le projet de chatbot maintenance pharma, la première phase a été une analyse Business Intelligence de plus de 10 années de tickets GMAO pour identifier les pannes récurrentes, avant même de parler de modèle prédictif. C'est cette étape qui montre si un projet de maintenance prédictive a des chances de tenir la route sur vos données réelles.

Le chatbot fonctionne par RAG, Retrieval-Augmented Generation : il ne répond pas de mémoire, il s'appuie sur la documentation technique, les procédures de maintenance et l'historique pannes du site pour construire chaque recommandation. En environnement GMP, on ajoute l'explicabilité et la traçabilité des sources utilisées, pour qu'une réponse puisse être vérifiée par le technicien plutôt que suivie sur parole.

Un modèle qui tourne en production dérive avec le temps si personne ne le surveille : les données changent, le process évolue. Le volet MLOps couvre justement le suivi de fiabilité opérationnelle des modèles une fois déployés, pas seulement leur mise au point initiale. C'est ce qui distingue un modèle qu'on montre une fois d'un modèle qu'on peut encore auditer un an plus tard.

Non. Une bonne partie de ce service, c'est du Business Intelligence classique : tableaux de bord Power BI, et remise à plat d'analyses qui tournent encore sur des fichiers Excel critiques ou des scripts ad hoc pour en faire des outils versionnés et auditables. Un projet plus poussé comme un chatbot RAG ou un modèle prédictif s'appuie souvent sur ce travail de fond, il ne le remplace pas.