Déploiement sécurisé de l’IA dans l’Industrie 

Début avril fut une période chargée (encore une !) dans l’agenda des responsables sécurité et conformité IT. Du 31 mars au 2 avril se tenait le forum InCyber à Lille et le 1^er avril avait également lieu l’AWS Summit à Paris ! L’équipe de Lovell Consulting s’est relayée à notre stand au InCyber pour vous accueillir pendant les 3 jours et vous présenter nos offres et RETEX missions autour de 6 nos domaines d’expertise (G&R, conformité, résilience, sécurité cloud, IAM et Data protection). En parallèle, j’assistais à Paris à l’AWS Summit et j’ai eu envie de vous partager dans cet article les enseignements que j’en ai tirés à propos des cas d’usage IA pour l’industrie. 

Cet article s’appuie notamment sur le contenu de la conférence « Démocratiser l’IA dans l’industrie : l’innovation au cœur des usines », par Yoann Bersihand (VP AI Technology chez Schneider Electric), Antonio Masto (spécialiste Industrie EMEA chez AWS) et Bruno Medeiros de Barros (architecte solution chez AWS). 

La transformation de l’industrie via l’IA : pourquoi et état des lieux

Quand on pense IA, on pense souvent IA Générative. Mais les systèmes d’IA (SIA) couvrent un périmètre plus large, comme l’IA agentique et désormais l’IA physique (« IA embarquée »), qui commencent à percer dans le domaine de l’industrie. 

Selon un sondage AWS, plus de 80% des entreprises industrielles reconnaissent un besoin d’optimisation de leurs processus métier à travers des SIA, mais 30% seulement ont mis en place une architecture de données moderne pour y parvenir.

Alors que les gains anticipés sont significatifs (amélioration de la qualité, de la sécurité, de l’efficience), pourquoi ce retard important de déploiement d’une infrastructure modernisée d’utilisation des données industrielles.

Pourquoi ? Les raisons sont principalement de 4 natures : 

• Un contexte technologique marqué par une forte hétérogénéité (grande variété de protocoles industriels, sites isolés sans connexion internet, mix de technos anciennes et nouvelles…).

• Une tolérance très faible à la latence.

• Un fort besoin de passage à l’échelle.

• Des contraintes de sécurités spécifiques au monde de l’industrie.

Pour assurer la transformation vers des SI boostés à l’IA, une seule solution : fuir les approches « one size fits all » et concevoir des stratégies de modernisation adaptées aux spécificités des données industrielles modernes.

Pour répondre, par exemple, aux besoins métiers actuels de diminution des actions de supervision humaine en usine, il convient à la fois de changer les applications support mais aussi d’insérer une couche intermédiaire dite « Industrial Data Fabric » (IDF) qui vise à standardiser, contextualiser et moderniser les données produites dans les sites locaux.

Concrètement, la diminution du niveau de supervision via l’automatisation peut se faire de 4 façons :  

• Automatiser : par exemple en offrant la possibilité de générer automatiquement des rapports de non-conformité qualité.

• Assister : en déployant un système d’IAGen en langage naturel capable d’aider les assistants de maintenance à analyser les documentations techniques et guides de maintenance qui leur sont fournis. 

• Collaborer : en s’appuyant sur des agents IA capables de proposer aux opérateurs des actions correctives sur une chaine de production, que ces derniers soient libres ou non ensuite de valider.

• Systèmes IA agentique : en autonomisant la chaine logistique via des agents capables de détecter la pénurie d’un composant, d’identifier un remplaçant, de mettre à jour le catalogue produit et de préparer la demande d’achat.

Chaque catégorie de cas d’usage s’appuie ensuite sur un ensemble de briques IT agrégées et mises à disposition dans l’IDF.  

Cette modernisation de l’infrastructure support, mais aussi la sélection et préparation des cas d’usage, dépendent avant tout de la complexité de la chaîne de production, de l’efficience initiale du processus fonctionnel et du niveau de risque induit par le changement. Ainsi, un processus Métier inefficace restera inefficace même boosté à l’IA. Et certaines automatisations peuvent être jugées trop dangereuse au regard des impacts qu’une mauvaise décision pourrait faire subir à l’entreprise.  

Il faut donc penser transformation et pas juste digitalisation.

Les étapes techniques

Les 5 étapes techniques de modernisation des données industrielles sont :  

• La collecte et préparation des données : collecter les données de sources hétéroclites (capteurs, moteurs, systèmes industriels par exemple Scada) et assurer / sécuriser le transfert entre le site local (edge) et le cloud.

• Le stockage puis l’agrégation des données : cette étape permet de pour commencer à avoir une vue d’ensemble de l’état d’une usine et d’amorcer la synergie IT/OT (en injectant par exemple des données venant d’un ERP aux données industrielles).

• Le nettoyage des données : pour valider leur qualité et les préparer à l’injection dans le dispositif de Machine Learning.

• L’ingénierie des caractéristiques : filtrer et sélectionner les données à utiliser pour entrainer les modèles.

• Le pré-entrainement / entrainement des modèles / simulation : la spécificité des solutions d’IA déployées sur des sites industriels est qu’elles interagissent souvent avec leur environnement réel. Pour cela, les modèles doivent être particulièrement être optimisés via des actions de fine-tuning et d’apprentissage par renforcement afin que le modèle comprenne mieux l’environnement dans lequel les données sont produites.

• L’optimisation du modèle, avec 3 approches possibles :
  • Distillation : entrainement d’un modèle plus petit et compact (dit « étudiant »)  par un modèle plus intelligent et large (dit « professeur »).
  • Quantification : import dans le modèle de ML des valeurs numériques utilisées en tant que paramètres, en les compactant et optimisant (afin de diminuer la taille du modèle ainsi que l’inférence).
  • Tests de performance sur des environnements réels ou de simulation avant mise en production, pour vérifier que les SIA sont capables d’interagir avec leurs environnements physiques.

Vient ensuite la phase de mise en production du modèle : déploiement au sein du hardware, inférence (percevoir, calculer, informer, agir) en temps réel & contrôle de processus, puis collecte de nouvelles données pour réalimenter le modèle (puis recommencer le cycle…).

Les indispensables fonctionnels et organisationnels

C’est cette approche technique qu’a utilisé Schneider Electric pour déployer un système de création et d’entrainement de ML et déployer environ 120 cas d’usage Métier dans plus de 40 sites de production et une vingtaine de sites de distribution. 

Mais comme l’ont rappelé à la fois Yoann Bersihand, de Schneider Electric, et Antonio Masto d’AWS, la technique n’est rien si elle ne s’appuie pas sur : 

• Une évaluation fine a priori des spécificités locales et organisationnelles  

• La prise en compte d’un ensemble de prérequis et compléments fonctionnels, organisationnels et tactiques

Ainsi, dans le cas de Schneider :

Une évaluation des spécificités locales et organisationnelles :

• Chaque usine a ses propres spécificités techniques, environnementales, règlementaires  
  Chaque usine abrite également une très grande diversité de Métiers  

• Nombreux défis de connexion du Edge vers le Cloud pour assurer la collecte des données, leur préparation et leur disponibilité

La prise en compte d’un ensemble de prérequis et compléments fonctionnels, organisationnels et tactiques :  

• Créer avant tout de la valeur : il est essentiel de commencer par se demander pourquoi démarrer une solution d’IA (le business case) plutôt que comment 

• Automatiser des processus métier nativement pertinents et efficients  

• Construire des fondations modernes s’appuyant sur une architecture Edge to Cloud simplifiée et adaptée aux spécificités des environnements locaux  

• Penser le passage à l’échelle dès le design de la solution, et notamment … 

• La disponibilité et la fiabilité  

• La sécurité et la souveraineté (lieu de stockage des données, exigences de conformité…) 

• La flexibilité et le choix (ex. :  du lieu de déploiement des différents composants  Edge ou Cloud) 

• Effectuer une transformation itérative : garder l’existant tout en ouvrant de nouvelles possibilités  

• Au-delà de l’adoption technique, mettre en avant l’humain et la valeur produite et penser la gestion du changement au niveau des personnes et des processus également.

Le cas d’usage de Schneider Electric

Les objectifs IA de Schneider sont de faire bénéficier ses clients des économies de CO2 et rendre l’énergie aussi intelligente que possible. 

Approche initiale

Ainsi, il y a 4 ans, Schneider s’est lancé dans un processus de transformation visant à devenir une entreprise IA driven. Pour cela, elle a mis en place un IA Hub visant à créer des modèles de ML puis des cas d’usage permettant de booster à l’IA  ses offres clients et intégrer de l’efficacité dans ses processus internes. 

Toutefois, les spécialistes IA maison également experts des cas d’usage Métier étaient relativement rares. Par conséquent, l’équipe en charge de gérer l’IA Hub et de concevoir les cas d’usage Métier se sont concentrés sur les cas d’usage globaux à gros impacts mais finalement peu adaptés aux besoins spécifiques de chaque usine. 

Or, ce sont les usines qui portent les coûts de run et build des solutions d’IA donc ce coût se devait d’être minium et de permettre à chaque usine de dégager rapidement une plus-value significative.

Évolution de l’approche initiale

Pour rendre son dispositif plus pertinent et peu coûteux, Schneider a donc décidé de : 

• S’appuyer sur un mix technologique reposant à la fois sûr des solutions open source et de services Cloud. 

• Démocratiser son environnement d’IA en permettant directement aux métiers dans les usines d’accéder aux solutions d’IA via une plateforme dédiée « Cloud to Edge » pour créer et entrainer des modèles d’IA à faire exécuter dans leur usine. 

• Mettre en place des équipes régionales expertes en IA et chargées de former les collaborateurs en usines aux outils et cas d’usage IA, pour leur redonner une pleine autonomie. 

Schneider a ainsi mis en place une solution GSC AI Engine en plusieurs couches :

• Connexion en local aux différentes machines pour collecter les données.  

• Puis envoi dans le cloud via un Gatewaty Edge unique à chaque usine.

• Création / entrainement des modèles via des applis développées en « no code / low code ». 

• Mise à disposition d’un AI appstore pour ensuite publier les applications ainsi créées.

• Déploiement des applis en local puis monitoring/ré-entraînement au besoin.

Les étapes du passage à l’échelle 

Schneider a commencé par déployer son environnement en Chine car elle y a trouvé un écosystème qui avait une vraie appétence pour l’innovation. Ce déploiement pilote lui a également permis de voir quel était le TCO le plus adapté au budget d’une usine.  

Au 2^e trimestre 2025, Schneider a ensuite lancé un déploiement mondial (Europe, Amérique du Nord, reste de l’Asie). Le facteur clé de succès de ce passage à l’échelle ? Le fait que chaque usine peut partager ses cas d’usage avec les autres usines à travers la plateforme centralisée et déployer en 2-3 jours les cas produits par d’autres (une fois les données nécessaires prêtes). 

Parmi les cas d’usage développés via ce dispositif, on peut citer : 

• Lecture d’étiquette / détection des changements de série (a permis de réduire le temps de vérification d’environ 1 minute à quelques secondes),

• Détection d’anomalie de qualité lors de l’assemblage,

• Automatisation : comptage de pièces, optimisation des flux,

• Sécurité : détection des absences de port de solutions de protection (EPI), détection de fumée (pour automatiser la demande de changement des filtres par ex),

• Maintenance prédictive.

En conclusion

Une approche reposant sur la formule « Démocratisation + déploiement simplifié Cloud to Edge (via l’automatisation, le « no code/low code », la puissance de compute du cloud…) » a permis :  

• Un déploiement d’un environnement d’IA en quelques mois (et pas années) 

• Des gains opérationnels d’efficacité, de qualité, de sécurité 

• Une transformation culturelle : culture IA + autonomie 

Et la sécurité dans tout ça ?

En analysant le dispositif déployé par Schneider on voit rapidement que les enjeux de sécurité se posent à différents endroits. D’autre part, certains sont directement liés aux composants de l’écosystème IA et d’autres aux éléments standards IT en entrée et sortie. 

Sécurité en local / edge :

• Contrôle de l’intégrité et disponibilité des données à collecter 

• Sécurité et disponibilité du canal d’acheminement de l’edge vers le cloud (et inversement) 

• Sécurité des composants IA embarqués dans le hardware (gestion des accès, intégrité des données…) 

Sécurité dans le cloud :

• Confidentialité – intégrité – disponibilité des données stockées avant traitement 

• Sécurité de la plateforme d’IA HUB : contrôles des accès, des vulnérabilités des composants open source et des services cloud, intégrité des applications stockées, maitrise de lieu de déploiement au regard des exigences règlementaires et des besoins de souveraineté  

• Sécurité du modèle d’IA créé : maitrise des traitements dont les procédures d’alimentation et d’entrainement et ré-entrainement, détection des biais, maitrise des accès, garantie de résilience, contrôle de la souveraineté du modèle… 

• Sécurité des applications (développées en no code / low code) : présence de vulnérabilités et respect des bonnes pratiques sécurité, gestion des accès dans ces applications, respect des exigences en cas de manipulations de données personnelles, risques associés aux décisions automatisées générées par les applications, sécurité des flux entrant/sortant vers d’autres applications…

Cet écosystème IA, à la fois centralisé et décentralisé, nécessite donc : 

• De définir les exigences aux failles et risques spécifiques aux SIA mais également  

• De faire évoluer les processus d’évaluation de la sécurité pour intégrer ces nouvelles exigences mais également ne pas freiner la promesse de déploiement d’un cas d’usage en 2-3 jours ni faire augmenter significativement le TCO pour chaque usine 

• De mettre à jour les processus de contrôle et d’audits manuels et automatisés pour vérifier le déploiement de ces exigences et le maintien en conditions opérationnelles de sécurité  

• D’adapter la gouvernance cyber pour intégrer à la fois les référents de la plateforme IA Hub, les membres de l’équipe IA centrale, ceux des équipes de formation et gestion du changement et les producteurs et consommateurs d’IA en local.