Les fabricants du secteur aéronautique/défense sont, à juste titre, prudents lorsqu'il s'agit d'adopter l'IA générative. Qu'il s'agisse d'avions, de satellites, de drones, de navires militaires ou de chars d'assaut, les équipements produits sont extrêmement coûteux et soumis à des spécifications strictes en matière militaire, de pouvoirs publics, et de sécurité des données.

Néanmoins, l’IA générative gagne du terrain de manière importante dans ce secteur et sera à terme utilisée pour diverses avancées en matière de productivité et d’innovation.

Voici un récapitulatif des questions les plus fréquentes que se posent les fabricants industriels concernant l’orientation de leurs initiatives en matière d’IA générative, les efforts à privilégier à l’avenir, ainsi que les précautions et préparatifs à prendre.

Q : En quoi l’IA générative est-elle pertinente pour le secteur de l’aéronautique et de la défense ?

R : Les cas d’utilisation typiques de l’IA générative, tels que la création de contenu textuel, audio ou visuel, ou l’utilisation de chatbots en temps réel pour répondre aux questions, peuvent ne pas sembler immédiatement applicables à un secteur qui produit des équipements coûteux, complexes, hautement personnalisés et sensibles en matière de sécurité. Les avions commerciaux coûtent des dizaines de millions de dollars. Les satellites coûtent au moins 1 million de dollars pièce. Selon un récent rapport du Congressional Research Service, les destroyers navals peuvent coûter environ 2,2 milliards de dollars chacun.

Et toutes ces machines doivent répondre à des exigences strictes en matière de qualité et de fiabilité, sans parler des spécifications militaires, des réglementations gouvernementales, et des protections des données propriétaires ou confidentielles. Le potentiel d’hallucinations ou de fuites de données sensibles de l’IA générative peut sembler inacceptable pour les entreprises du secteur de l’aéronautique et les prestataires du secteur de la défense.

Toutefois, à mesure qu'elle gagnera en maturité, l'IA générative offrira de nombreux avantages potentiels, allant de l'aide à la conception d'équipements à l'amélioration de la maintenance prédictive et du service après-vente.

Q : Par où devrais-je commencer ?

R : Le domaine le plus populaire de l’IA générative aujourd’hui semble être la conception d’équipements. Déjà, 41 % des organisations du secteur de l’aéronautique et de la défense récemment interrogées par Capgemini déclarent piloter l’IA générative dans la modélisation 3D afin d’accélérer la conception, d’optimiser les pièces sur le plan aérodynamique et de réduire les coûts.

(Il convient de noter qu’il existe une différence subtile entre le « design génératif », une méthode déjà utilisée, et le « design d’IA générative », qui va plus loin en utilisant des réseaux neuronaux profonds et des données issues de conceptions antérieures.)

Il suffit de regarder le Goddard Space Flight Center de la NASA, où Ryan McClelland, ingénieur de recherche au centre, a fait parler de lui en 2023 en utilisant une IA générative disponible dans le commerce pour concevoir des pièces spécialisées qu’il appelle des « structures évoluées ». En une fraction du temps nécessaire à un humain, cette IA peut concevoir des pièces bien plus légères que les composants traditionnels. « Vous pouvez réaliser la conception, l’analyse et la fabrication d’une pièce prototype, et l’avoir entre les mains en seulement une semaine », affirme McClelland. La NASA prévoit d’utiliser ces structures évoluées dans de futures missions.

Les chercheurs de Boeing étudient également comment les modèles d’IA générative pourraient optimiser la conception des appareils, selon Todd Citron, directeur de la technologie de Boeing. « [L’IA] peut intégrer davantage de complexité dans son cerveau électronique qu’un humain ne le peut ; elle peut optimiser dans un espace plus vaste », a-t-il expliqué lors d’une récente conférence. « Si vous examinez les structures optimisées par le Machine Learning, elles ont tout simplement une apparence intrinsèquement différente. Elles ressemblent presque à un vaisseau spatial extraterrestre, car elles n’ont pas cette structure régulière qui permet à un humain de réaliser plus facilement une conception. »

41 % des entreprises du secteur de l’aéronautique et de la défense récemment interrogées par Capgemini déclarent piloter l’IA générative dans la modélisation 3D afin d’accélérer la conception, d’optimiser les pièces sur le plan aérodynamique et de réduire les coûts.

Entre-temps, les fabricants d’avions commerciaux pourraient utiliser l’IA générative pour adapter plus facilement et plus efficacement la conception et la fabrication aux besoins d’opérateurs spécifiques, selon Raman Ram, responsable de la pratique aéronautique et défense d’EY America.

« Si l’avion est destiné à une compagnie aérienne axée sur le coût total de possession (TCO), je pourrais vouloir inclure des éléments spécifiques qui maximisent le TCO », explique-t-il. « Mais une autre compagnie aérienne pourrait vouloir optimiser les décaissements et accorder moins d’importance au TCO. »

Q : Que se passe-t-il si nous utilisons déjà des jumeaux numériques pour la conception de produits ?

R : L’IA générative pourrait réduire le temps et le coût nécessaires à la création de jumeaux numériques utilisés pour simuler des systèmes destinés au développement de produits et à la maintenance prédictive.

« L’IA traditionnelle reste très manuelle, et la création d’un jumeau numérique est un processus extrêmement manuel », a déclaré Rishi Ranjan, fondateur et PDG de l’éditeur de logiciels GridRaster, à Aviation International News. Les entreprises pourraient à terme utiliser des grands modèles de langage pour éliminer une grande partie de ce travail manuel de [codage].

« Les grands modèles d’IA… peuvent examiner des données textuelles et des données d’image, puis commencer à vous aider à créer automatiquement un jumeau numérique pour celles-ci », explique Ranjan. Il prédit que les entreprises pourraient à terme créer des jumeaux numériques pour une fraction du coût actuel.

En savoir plus sur les Jumeaux digitaux

Pour en savoir plus sur les jumeaux numériques, consultez « Comment les jumeaux façonnent l’avenir de l’entreprise » et « Jumeaux numériques à l’œuvre : 8 exemples ».

Q : Où ailleurs devrions-nous anticiper des applications de l'IA générative ?

R : Il existe quatre autres cas d’utilisation probables de l’IA générative dans l’aérospatiale/la conception :

Modernisation des processus et systèmes de fabrication. Les opérations de fabrication dans les secteurs de l’aéronautique et de la défense sont entravées par le code logiciel hérité encore utilisé dans les systèmes embarqués, selon Ram d’EY. « Ce code hérité a été développé par différents fournisseurs et a été progressivement mis en place au fil des ans », ce qui complique l’intégration. L’IA générative pourrait servir de traducteur.

« Un moteur interactif reposant sur un modèle de base sous-jacent pourrait, par exemple, reprendre le code existant d’un module d’évitement des collisions et le remanier dans un langage de programmation moderne », explique-t-il, ce qui facilite son intégration.

L’IA générative offre également aux fabricants de l’aéronautique et de la défense la possibilité de connecter des processus de production actuellement cloisonnés par ligne d’équipement ou par usine.

En utilisant l’IA générative pour faire le lien entre les différents environnements techniques, elles pourraient optimiser la planification organisationnelle, gérer les exceptions, et réagir plus rapidement à des situations qui, autrement, entraîneraient un ralentissement ou un problème de qualité. Cela pourrait également aider à prévoir de tels problèmes.

Assurance qualité. L’IA générative pourrait aider les systèmes de contrôle qualité à détecter des défauts, des irrégularités ou des variations au cours de la production. Les algorithmes peuvent être entraînés à analyser des images ou des données afin d’identifier les problèmes, améliorant ainsi la précision et la fiabilité de la détection des défauts, tout en réduisant le temps nécessaire aux inspections manuelles. Une fois un problème identifié, l’IA générative pourrait fournir aux techniciens des instructions détaillées sur la manière d’y remédier.

Maintenance et réparation. Les fabricants utilisent depuis longtemps les données des capteurs, les outils d’analyse et l’IA pour prévoir à quel moment une maintenance est nécessaire ou des pièces sont sur le point de tomber en panne, afin d’éviter des pannes longues à réparer. L’IA générative peut améliorer cette approche de maintenance en créant automatiquement du texte ou des images fournissant des instructions étape par étape, y compris des listes des pièces de rechange nécessaires.

Un tel système permettrait au personnel de maintenance de consacrer davantage de temps à l’exécution des tâches plutôt qu’à la préparation des instructions – améliorant ainsi la productivité et réduisant les coûts, selon Capgemini.

En outre, les ateliers de maintenance et de réparation aérospatiales ne peuvent aujourd’hui pas estimer avec précision le délai d’exécution pour un moteur, explique Ram, ce qui entraîne des retards frustrants pour les opérateurs qui doivent remettre cet appareil en service.

Mais en utilisant des données historiques et l'IA générative, les ateliers de réparation pourraient fournir des devis plus précis. Un chatbot, par exemple, pourrait indiquer aux techniciens à quoi s'attendre, afin que l'atelier de réparation puisse fournir des devis précis et améliorer la satisfaction client. Par exemple, « cela pourrait vous indiquer que ces six pièces doivent généralement être remplacées à cet intervalle précis sur ce type particulier de moteur, et qu'il faut généralement 73 jours pour obtenir ces pièces », explique Ram.

Appels d’offres et documentation contractuelle. Les contrats publics nécessitent beaucoup de temps et de dépenses pour leur préparation, car ils sont très détaillés et personnalisés. Les prestataires peuvent utiliser l’IA générative pour automatiser au moins certaines parties du processus et créer des premières ébauches à partir de modèles, de documents historiques ou de prompts spécifiques fournis par des responsables des Achats, selon un rapport de l’AI Institute de Deloitte.

L’IA aide à extraire les clauses et exigences pertinentes des précédents appels d’offres, contrats et autres documents, que les ressources humaines peuvent ensuite adapter pour le contrat final. De même, l’IA générative pourrait aider à rédiger de la documentation technique, ce qui permettrait de gagner du temps et de l’argent, selon Accenture.

Rendre les données satellite plus utiles grâce à l'IA générative

Bien que cela sorte du domaine de la production. La NASA, en partenariat avec IBM et Clark University, a développé un modèle fondamental géospatial qui aidera les entreprises à tirer davantage parti des données satellite dont elles disposent.

À titre de contexte, les entreprises utilisent les données provenant de divers satellites à de nombreuses fins différentes : pour suivre les tendances météorologiques, par exemple, ou pour documenter les effets environnementaux tels que la perte du couvert forestier en Amazonie.

Des sociétés tierces spécialisées dans l’analyse de données satellitaires, telles que LiveEO, proposent des produits qui aident les entreprises à se conformer au Règlement européen contre la déforestation et la dégradation des forêts, qui vise à interdire les produits de base liés à la déforestation et à la dégradation des forêts.

Mais il faut souvent beaucoup de temps et d’efforts pour transformer des données satellitaires brutes en quelque chose qu’une entreprise peut réellement utiliser.

Publié l’année dernière, le modèle est entraîné sur une année de données provenant d’un satellite de la NASA, et peut être utilisé pour transformer les données satellitaires en cartes personnalisées haute résolution des inondations, des incendies et d’autres caractéristiques du paysage. Le modèle représente une avancée majeure, car il permettra aux pouvoirs publics, aux entreprises et aux chercheurs d’utiliser les données satellitaires plus rapidement, plus facilement et à moindre coût.

“Cela permet aux entreprises de réduire les coûts de développement de jeux de données d’entraînement destinés à des applications spécialisées”, déclare Manil Maskey, chercheur scientifique senior et chef de projet à la NASA. “La partie la plus difficile est déjà faite pour elles. Le modèle a déjà appris à partir des données [fondamentales].”

Les utilisations prévues comprennent l’estimation des risques liés au climat pour les cultures, les bâtiments et d’autres infrastructures ; la surveillance des forêts dans le cadre de programmes de compensation carbone ; et le développement de modèles prédictifs afin de contribuer à concevoir des moyens de s’adapter au changement climatique. Ces informations peuvent éclairer les décisions en matière d’assurance et de gestion des risques.

« Tout le monde se rue sur ces modèles fondamentaux parce qu'ils apportent tellement de valeur », déclare Hamed Alemohammad, professeur à l'université Clark, qui a participé au projet. « En cas d'incendie de forêt, les entreprises peuvent utiliser les données satellite pour déterminer ce qui a été endommagé, plutôt que d'envoyer quelqu'un sur place pour le vérifier », explique-t-il. Cela pourrait également servir à déterminer les conditions météorologiques, ce qui est important, entre autres, pour les secteurs de l'aviation, des transports et du transport maritime, selon lui.

Q : Que dois-je faire maintenant pour préparer une initiative d’IA générative ?

A: Mettez de l’ordre dans vos données et votre gouvernance des données. La plupart des fabricants de l’aéronautique et de la défense en sont « encore à leurs balbutiements en matière de qualité et de gouvernance des données », explique Ram d’EY. « Nous manquons encore de systèmes fiables de données de référence et d’une source unique et fiable d’information. »

Ajoutez à cela le fait que ces entreprises ont beaucoup de données propriétaires à protéger, tout comme leurs fournisseurs. Cela engendre beaucoup de scepticisme à l'égard de la collaboration et du partage des données, ce qui entraîne un manque de transparence.

« Nous n'avons même pas de visibilité sur la nomenclature au-delà du premier niveau, déclare Ram. Si l'on considère les principaux fabricants, les deux tiers de leurs coûts sont déterminés par leur base fournisseurs, et une part importante de cette base fournisseurs est constituée de fournisseurs disposant de leur propre propriété intellectuelle. Les fabricants principaux n'ont pas cette visibilité, et cela redescend en cascade à travers tous les niveaux. »

Si vous ne disposez pas de suffisamment de données techniques, ou si celles dont vous disposez sont de mauvaise qualité ou désorganisées, l’IA générative ne peut pas faire grand-chose. Si vos fournisseurs de composants et de sous-systèmes ne partagent pas leurs données, la conception globale de votre aéronef ou votre jumeau numérique sera incomplet.

Une question étroitement liée est la sécurité des données, qui revêt une importance capitale dans ces secteurs. Les sous-traitants de la défense doivent respecter certaines exigences réglementaires en matière de sécurité afin de pouvoir ne serait-ce que soumissionner à des contrats publics. Compte tenu des signalements d’utilisateurs de ChatGPT divulguant par inadvertance des données propriétaires, cette préoccupation est valable.

De manière générale, les exigences réglementaires conduisent davantage d'entreprises à adopter la confiance zéro, qui nécessite une technologie connectant différentes sources de données et gérant les droits d'accès.

D'autre part, les entreprises souhaitent parfois partager des données afin d'améliorer les modèles pour l'ensemble du secteur. Cependant, la plupart ne disposent pas de la gouvernance nécessaire pour le permettre. Les entreprises du secteur de l'aéronautique et leurs fournisseurs, par exemple, ont un intérêt commun à développer de nouveaux matériaux composites à la fois légers et durables, qu'elles peuvent toutes utiliser. Mais ces données peuvent être mêlées à des données propriétaires concernant leur recette secrète. Sans une bonne gouvernance des modèles, les entreprises ne peuvent pas partager des données destinées à être utilisées dans de grands modèles de langage tout en protégeant leur propriété intellectuelle.

Lorsqu'elles font appel à des modèles fournis par des tiers, les entreprises doivent également disposer d'un moyen de permettre à ces tiers de mettre à jour en continu leurs grands modèles de langage (LLM). Les entreprises qui utilisent des modèles tiers devront trouver un moyen de partager ces informations de manière sécurisée.

Q : Y a-t-il d’autres facteurs susceptibles de ralentir l’adoption de la GenAI ?

A: Les exigences strictes en matière d’audit et de conformité nécessiteront une certaine planification et supervision. Les contrats des pouvoirs publics imposent un certain niveau de traçabilité des données et/ou exigent l’audit de certains processus.

Dans un système d'inspection qualité, par exemple, l'IA générative pourrait aider à détecter un problème, tel qu'un composant dépassant une tolérance spécifiée, et même recommander des corrections potentielles. Mais si une traçabilité ou un audit est requis, les entreprises doivent s'assurer qu'un collaborateur humain qualifié valide.

Même dans les processus non audités, une personne devrait superviser l’IA générative afin d’apporter du contexte. Par exemple, si un chatbot fournit des instructions à un technicien effectuant une réparation, il peut inclure des actions impossibles à réaliser. « Parce qu’un modèle d’IA générative ne comprend pas le processus qui corrige la cause profonde ni les personnes qui sont les opérateurs, il risque de ne pas tenir compte de limitations potentielles, telles que des mouvements irréalisables ou des espaces inaccessibles », indique un récent rapport de BCG. « Par conséquent, une évaluation de la qualité est toujours nécessaire pour garantir que la mesure corrective recommandée est réalisable. »

Q : Quelles sont les perspectives de l'IA générative dans ce secteur ?

R : La complexité et la nature prudente du secteur de l’aéronautique et de la défense feront que ce secteur adoptera l’IA générative plus lentement que d’autres secteurs. Parallèlement, ils doivent relever des défis liés aux données et à l’intégration.

Cependant, la pénurie persistante de professionnels du savoir et l'accent marqué mis sur la qualité pourraient accélérer l'adoption de l'IA générative. Pour les entreprises qui lancent des initiatives d'IA générative, cela pourrait permettre de concevoir les équipements plus rapidement et plus efficacement, de rendre la production plus efficiente et d'accélérer la maintenance tout en réduisant ses coûts, ce qui pourrait améliorer la rentabilité.