Quel défi ou quel problème concret souhaitiez-vous résoudre avec votre projet ?
V-ZUG reçoit chaque année des milliers de rapports de maintenance contenant des informations précieuses pour l’assurance qualité. Jusqu’à présent, seuls environ 40 à 60% des cas pouvaient être attribués à des tickets Jira existants via des catégories d’erreurs prédéfinies. La partie restante devait être interprétée manuellement à partir de textes non structurés relatifs aux clients et aux services – un processus qui se révélait long et subjectif.
Grâce à l’IA, nous automatisons cette interprétation directement à partir des textes libres. Opérationnel depuis septembre 2025, le système est parfaitement intégré et affiche un taux de concordance de plus de 90% avec les experts humains.
Avantage supplémentaire : aujourd’hui, environ 90% des interventions de maintenance peuvent être rattachées à un problème connu. Cela rend les analyses détaillées fastidieuses largement superflues et permet de suivre les cas pertinents presque en temps réel, ce qui se traduit par un gain de temps considérable dans l’analyse des données de terrain.
Pourquoi avez-vous choisi précisément cette technologie ou cette application ? Et quel rôle votre prestataire de services a-t-il joué dans ce choix ?
Nous misons sur des grands modèles de langage (LLM) capables de classer des données aussi bien sans exemples (zero-shot) qu’à partir d’exemples validés via la génération augmentée par récupération (few-shot). C’est essentiel, car de nouvelles catégories de problèmes apparaissent sans cesse. En tant que prestataire de services, Substring a assuré la mise en œuvre technique : la classification basée sur un LLM, le portail dédié à la validation et à la gestion des catégories de problèmes, ainsi que l’intégration dans la business intelligence existante de V-ZUG.
Selon vous, quels sont les facteurs clés qui garantissent une collaboration fructueuse ?
Trois facteurs ont été déterminants : premièrement, une implication étroite des utilisateurs finaux dès le début. Deuxièmement, une approche « human-in-the-loop » qui instaure la confiance tout en améliorant continuellement l’IA. Troisièmement, une intégration pragmatique dans les processus et systèmes existants, plutôt que la mise en place d’une solution isolée.
Y a-t-il eu, au cours du projet, des développements ou des découvertes auxquels vous ne vous attendiez pas ?
Ce qui nous a surpris, c’est le portail. Conçu à l’origine comme un simple outil de validation, il est aujourd’hui bien plus que cela. La surveillance des performances, la gestion de la catégorisation automatisée et les fonctionnalités facilitant le quotidien, telles que les signets et les instructions, en font un outil de travail indispensable au quotidien. La leçon à retenir : un bon projet d’IA nécessite non seulement un bon modèle, mais aussi des outils adaptés et conviviaux pour l’accompagner.
Trois points Ă retenir ?
- Le « human-in-the-loop » n’est pas un compromis, mais un gage de qualité. Les données validées permettent d’améliorer le système tout en mesurant ses performances.
- La capacité « zero-shot/sans exemple » est essentielle pour l’évolutivité, car les nouvelles catégories doivent être immédiatement exploitables.
- Le principal levier ne réside pas dans le modèle lui-même, mais dans son intégration dans les processus existants et dans son acceptation par les utilisateur/rice