Sur l’IA industrielle, BMW repense l’analyse des crash tests

Automatiser l’analyse de données dans un cadre souverain

Le premier projet engagé par l’industriel porte sur l’introduction de l’IA générative dans le domaine des crash tests. Pour ces opérations, BMW s’appuie sur des simulations générant un grand volume de données : un pétaoctet.

Selon le DSI groupe du fabricant de véhicules, Franz Decker, ce cas d’usage souligne une transition dans l’industrie. Généralement axée sur l’amélioration de l’efficacité opérationnelle, l’IA a vocation à être exploitée directement dans la production et la R&D.

Mais pour encadrer de tels usages sur son cœur de métier, BMW en conditionne l’utilisation à un impératif de protection de ses données et donc de son savoir-faire industriel. La donnée associée constitue « le cœur de ce qui fait d’une BMW une BMW ».

Le constructeur, selon les mots de son DSI, fait en outre d’emblée le choix d’une application complexe de l’IA. Complexe, car mêlant science des matériaux et dynamique des fluides. Pourquoi ce périmètre ? Afin d’établir un socle technologique capable de faciliter le passage à l’échelle ultérieur sur d’autres processus d’ingénierie.

La simulation : un défi de volumétrie et de spécialisation

La donnée brute de simulation constitue l’actif central du cycle de développement des véhicules. BMW traite et archive des milliers de simulations chaque semaine. Mais pour analyser le pétaoctet de Data généré par les crash tests, les LLM généralistes ne sont pas adaptés.

Comme le précise Franz Decker, les modèles classiques échouent à inférer la physique sous-jacente aux schémas techniques et aux relevés de capteurs de force et de moment cinétique.

Le modèle n’est tout simplement pas entraîné pour construire une « vérité industrielle » basée sur des images de crash réel et des traces de capteurs physiques.

Le partenariat avec Mistral AI vise justement à surmonter ces limites en développant un modèle de fondation sur mesure et capable d’interpréter la science des matériaux sous contrainte dynamique.

In fine, la spécialisation d’un LLM ouvre la possibilité de transformer la donnée brute en indicateurs techniques directement exploitables par des humains pour des décisions – et de les intégrer dans les outils de conception existants.

Optimisation des cycles d’analyse : de 35 à 3 minutes par itération

L’implémentation d’un tel modèle a un impact direct sur le métier. Elle redéfinit l’activité des ingénieurs experts des crash tests en optimisant les phases critiques d’interprétation des résultats. Les mesures de performance communiquées par BMW font état d’un gain de 90%.

Plus simplement : là où un expert humain requiert 30 à 35 minutes pour analyser manuellement une simulation, le modèle réalise cette tâche en l’espace de 3 minutes. L’ajout de l’IA compresse donc le temps, mais pas seulement.

Au-delà de l’accélération de l’analyse, l’IA enrichit l’analyse en identifiant des « nuggets » d’information, c’est-à-dire des points de données atypiques situés hors du périmètre de recherche initial de l’ingénieur spécialisé.

En résumé, la capacité d’inférence du LLM permet de résoudre simultanément deux problèmes techniques là où l’humain n’en traitait qu’un seul par manque de temps. En dépit de ces résultats, le DSI signale que le modèle n’a pas vocation à se substituer à la simulation physique et à l’ingénieur.

L’IA agit comme un outil d’aide à la décision. En exploitant 20 ans d’historique de données, elle suggère des chemins d’optimisation préférentiels pour l’itération suivante et s’intègre ainsi au processus industriel de conception.

Un déploiement sur infrastructure managée

Comme le rappelait Franz Decker, en préambule, les données propriétaires du constructeur sont particulièrement sensibles. La gouvernance impose dès lors un modèle de déploiement garantissant l’étanchéité des données de R&D.

BMW a opté pour un entraînement et une exécution du modèle sur une infrastructure gérée par le groupe, c’est-à-dire opérée on-premise. Le DSI estime que le contrôle sur l’environnement de calcul assure la protection de la propriété intellectuelle face aux risques de fuite de données vers des modèles tiers.

Par ailleurs, l’IA est conçue pour être intégrée directement aux workflows existants, tels que les outils de CAD et les logiciels de simulation. L’intégration maintient la donnée en interne, mais permet aussi de créer une boucle de rétroaction continue et donc d’amélioration du LLM.

Pour mener ce projet complexe, Franz Decker défend le choix de Mistral AI et d’un co-développement technologique. Le DSI met en avant une vision partagée de l’ouverture technique et une capacité à traiter en profondeur des problèmes d’ingénierie complexes.

Du crash test à la robotique demain ?

Comme indiqué en préambule, la maîtrise de la simulation de crash doit servir de fondation à une stratégie de mise à l’échelle globale de l’IA au sein de BMW. Selon son patron des SI, les acquis techniques sont directement transposables à l’aérodynamisme, à la robotique industrielle et aux processus de production.

Pour réussir cette transposition, la technique ne suffit pas cependant. Sur la simulation, l’industriel signale une étape menée sur l’adoption, qui passe par une adhésion des experts métiers. Une telle adhésion requiert de la performance.

Sur ce point, le porte-parole de BMW déclare avoir pu s’appuyer sur des interprétations de graphiques et des synthèses techniques produites par l’IA, indiscernables d’un compte-rendu d’un ingénieur senior. Et c’est ce résultat qui a permis de convaincre des profils initialement sceptiques.

Sur la base de ce premier cas d’usage industriel transformé, Franz Decker estime avoir pu enclencher un effet d’entraînement auprès des métiers de l’ingénierie avec une demande pour les outils d’IA s’auto-alimentant.

L’ambition de BMW à présent est de stabiliser, d’ici un an, une chaîne de valeur intégralement pilotée par la donnée grâce à une plateforme technologique réutilisable pour l’ensemble des domaines techniques du groupe.