Table des Matières
Une première équipe data industrielle doit rester petite et centrée sur un seul problème de l'usine : un ingénieur d'usine qui porte ce problème, un data engineer qui rend exploitables les données de l'historian, du laboratoire et de la maintenance, et un data scientist qui construit et teste les modèles, avec l'appui à temps partiel de l'OT et de l'informatique. Ajoutez ingénieurs ML et data scientists une fois un modèle utilisé au quotidien.
Points clés
- Le travail sur les données domine les premiers projets. Les data scientists interrogés par Anaconda en 2020 déclaraient passer 45 % de leur temps à charger et nettoyer des données (InfoWorld), et RAND conclut qu'un produit d'IA demande « plus qu'une simple équipe de data science » (RAND).
- L'ingénieur qui porte le problème compte autant que le data scientist. Les data scientists sont « rarement experts des sujets pour lesquels ils construisent leurs modèles » (RAND).
- Commencez centralisé et appuyez-vous sur les équipes existantes. Selon Microsoft, les organisations en début d'adoption de l'IA gagnent à avoir une équipe centralisée, qui évolue ensuite vers un rôle de conseil (Microsoft).
- Confiez à l'équipe un seul problème pendant au moins un an. RAND recommande cet engagement avant de lancer tout projet d'IA.
- Combinez recrutement, formation et partenaires. Dans l'enquête 2025 du WEF auprès des employeurs, 85 % prévoyaient de donner la priorité à la montée en compétences et 70 % comptaient recruter du personnel aux compétences nouvelles (WEF).
Pourquoi constituer une équipe plutôt qu'acheter des projets ?
Un fournisseur peut construire un modèle. Il faut quand même quelqu'un pour en être responsable quand la charge change ou que le contrat prend fin. Des chercheurs de Google ont écrit qu'il est courant de subir des « coûts de maintenance continus massifs dans les systèmes de ML réels » (Sculley et al., 2015). Des recommandations conjointes menées par la CISA demandent aux exploitants de connaître la capacité actuelle de leur organisation à maintenir un système d'IA dans leur environnement OT avant d'en adopter un (CISA et al., 2025).
La connaissance des données est l'autre raison. RAND note que, sans bonne documentation, le départ d'un data engineer peut signifier que « personne ne sait quels jeux de données sont fiables » (RAND). Dans une usine, cette connaissance porte sur les noms de tags, les instruments remplacés, l'horodatage des analyses de laboratoire et les arrêts cachés dans l'historian. Elle doit rester en interne.
De quels rôles une première équipe data industrielle a-t-elle besoin ?
Une étude sur le machine learning dans les industries de procédés décrit l'équipe d'un projet de capteur logiciel comme composée d'un tableautiste, d'un ingénieur procédés, d'un ingénieur contrôle-commande et d'un chef de projet, l'ingénieur procédés rédigeant la charte du projet (Lawrence et al., 2024). Une équipe data y ajoute les personnes qui transforment les données de l'usine en modèles et les maintiennent en service.
| Rôle | Ce qu'il fait dans une usine | Origine habituelle | Quand |
|---|---|---|---|
| Responsable métier (ingénieur procédés, maintenance ou qualité) | Définit la décision et le KPI, explique les tags et les événements, juge les résultats | Votre propre personnel | Dès le premier jour |
| Data engineer | Extrait les données de l'historian, du LIMS, de la GMAO et de l'ERP ; les nettoie, aligne les horodatages, construit des pipelines reproductibles | Recrutement, ou reconversion de personnel informatique ou d'automatisme | Dès le premier jour |
| Data scientist | Construit les modèles et les teste face à une référence | Recrutement, ou un partenaire au début | Dès le premier jour |
| Ingénieur OT ou automaticien | Accès aux données du DCS, du SCADA et de l'historian ; règles réseau et de sécurité des procédés | Votre propre personnel, à temps partiel | Dès le premier jour, à temps partiel |
| Informatique et sécurité | Serveurs, comptes, sauvegardes, revue de sécurité | Votre propre personnel, à temps partiel | Dès le premier jour, à temps partiel |
| Ingénieur ML (MLOps) | Déploie, surveille et réentraîne les modèles en production | Recrutement, ou un partenaire | Quand un premier modèle passe en pilote |
| Sponsor | Fixe les priorités, protège le temps et le budget de l'équipe | Un directeur d'usine ou d'exploitation | Dès le premier jour |
Les recommandations de Microsoft pour un centre d'excellence IA d'entreprise y ajoutent des spécialistes de la gouvernance, de la sécurité et de l'exploitation de l'IA, aux côtés de responsables métier qui identifient les cas d'usage et évaluent les résultats (Microsoft). Une première équipe d'usine n'aura pas tous ces profils. Couvrez les rôles manquants à temps partiel, avec l'informatique et l'OT, ou par un partenaire.
Le responsable métier n'est pas facultatif. RAND constate que les data scientists ont besoin d'experts métier pour expliquer ce que signifient les données et quels champs sont peu fiables, et 10 de ses 50 interlocuteurs industriels citent le manque de compréhension du domaine comme cause d'échec (RAND).
Pourquoi recruter un data engineer avant un deuxième data scientist ?
L'essentiel du travail initial porte sur les données. Dans l'enquête Anaconda de 2020, les data scientists déclaraient passer 19 % de leur temps à charger des données et 26 % à les nettoyer (InfoWorld). L'un des interlocuteurs de RAND résume : « 80 % de l'IA, c'est le sale boulot du data engineering », et 30 sur 50 ont évoqué des problèmes persistants de qualité des données (RAND).
Les données d'usine ajoutent leur propre travail. Les données procédé sont « souvent abondantes mais pauvres en information » à cause des perturbations, des valeurs aberrantes et des valeurs manquantes, et les prélèvements qualité faits une fois par poste de 8 heures ou une fois par jour doivent être alignés avec des données procédé enregistrées bien plus souvent (Lawrence et al., 2024). Les historiques de maintenance sont souvent du texte libre dans la GMAO, et certains dossiers sont encore sur papier. Notre guide sur les capteurs logiciels montre la part d'un projet de modélisation consacrée à l'alignement temporel.
Le déploiement est le manque suivant. Google Cloud note que les data scientists « ne sont pas forcément des ingénieurs logiciels expérimentés capables de construire des services de niveau production » (Google Cloud). Les interlocuteurs de RAND recommandaient de recruter des ingénieurs ML pour construire l'infrastructure de déploiement (RAND).
Pensez à la fidélisation. RAND rapporte que beaucoup de data engineers visent un poste de data scientist, ce qui entraîne un fort turnover dans certaines organisations. Donnez au poste une perspective de carrière et faites de la documentation une partie du travail.
Où placer l'équipe dans l'organisation ?
| Rattachement | Points forts | Risques |
|---|---|---|
| Direction informatique ou digitale | Serveurs, sécurité, accès à l'ERP, gouvernance informatique | Loin de l'usine ; accès OT plus difficile ; projets choisis pour la technologie |
| Exploitation ou ingénierie procédés | Proche des problèmes et des opérateurs | Perçue comme l'outil d'un seul site ; faible sur l'infrastructure et la sécurité |
| Équipe centrale au service de plusieurs sites | Un seul jeu d'outils et de standards ; compétences rares partagées | Devient un goulot d'étranglement ; ses membres perdent le contact avec les sites |
| Profils data intégrés à chaque site | Rapide, proche des utilisateurs | Outils en double ; personnes isolées, difficiles à fidéliser |
Selon Microsoft, les entreprises en début de parcours IA « gagnent à avoir un CoE centralisé pour consolider l'expertise et les pratiques fondamentales », puis évoluent vers un rôle de conseil à mesure que l'adoption mûrit. Microsoft conseille aussi de s'appuyer sur les équipes existantes et de ne créer une équipe IA autonome que si celles-ci ne peuvent pas soutenir l'adoption de l'IA (Microsoft). Pour une entreprise industrielle, une lecture pratique est une petite équipe centrale, rattachée à un responsable qui a autorité à la fois sur l'exploitation et sur l'informatique, et dont les membres passent régulièrement du temps sur site.
Gardez ensemble ceux qui construisent. Sculley et al. attribuent des problèmes d'intégration à des rôles de « recherche » et d'« ingénierie » trop séparés, et suggèrent de réunir les deux dans la même équipe (Sculley et al., 2015). Il en va de même pour les profils data et les ingénieurs OT : les recommandations menées par la CISA préconisent la collaboration pluridisciplinaire et la formation des équipes OT à interpréter et valider les résultats de l'IA (CISA et al., 2025). Notre article sur la place de l'IA dans le modèle de Purdue traite du volet réseau.
Recruter, former ou passer par un partenaire ?
En général, les trois. Les recommandations de Microsoft sur l'adoption de l'IA préconisent de combiner formation, recrutement et partenariats (Microsoft).
Le marché de ces compétences est concurrentiel. Le Future of Jobs Report 2025 du WEF, fondé sur une enquête auprès de plus de 1 000 employeurs, place l'IA et le big data en tête des compétences à la plus forte croissance, et les spécialistes du big data parmi les métiers à la plus forte croissance. Parmi les employeurs interrogés, 63 % voient le manque de compétences comme un obstacle majeur à leur transformation (WEF).
L'Algérie dispose d'une nouvelle filière locale : l'École nationale supérieure d'intelligence artificielle (ENSIA), créée en 2021, a diplômé 105 étudiants en juin 2026 après cinq années de formation (Radio Algérie). Les diplômés apportent les méthodes ; la connaissance de l'usine vient de vos ingénieurs.
- Recrutez pour le data engineering et la data science, là où il vous faut ces compétences à plein temps.
- Formez les ingénieurs et le personnel d'automatisme ou informatique qui connaissent déjà vos systèmes, et réservez une part de leur temps au travail sur les données.
- Passez par un partenaire pour le premier projet, l'ingénierie ML ou des modèles spécialisés. Inscrivez le transfert de compétences dans le contrat, et vérifiez comment le partenaire accédera à vos données OT et les utilisera, comme le recommandent les lignes directrices menées par la CISA. Notre guide de sélection d'un fournisseur liste les questions à poser.
Que doit faire l'équipe pendant sa première année ?
- Choisir un problème durable. RAND recommande d'engager chaque équipe sur un même problème pendant au moins un an ; un projet qui ne mérite pas cet engagement ne mérite probablement pas d'être lancé (RAND).
- Évaluer la maturité. Une évaluation de maturité IA montre si l'historian, les tags et les enregistrements peuvent soutenir le problème.
- Définir l'indicateur et la référence. La règle n° 2 des Rules of Machine Learning de Google est : « Commencez par concevoir et mettre en place des indicateurs. » Comparez avec une règle ou un calcul avant de construire un modèle.
- Construire un accès aux données reproductible. Une extraction scriptée depuis l'historian, le LIMS et la GMAO, avec un dictionnaire de données pour chaque tag utilisé.
- Garder le premier modèle simple. La règle n° 4 de Google est : « Gardez le premier modèle simple et soignez l'infrastructure. »
- Mener le pilote avec les utilisateurs. Le machine learning « est souvent accueilli avec prudence par les utilisateurs finaux », et les impliquer tôt renforce leur confiance (Paleyes et al., 2022).
- Passer la main avec un responsable. Surveillance, critère de réentraînement et repli, comme décrit dans pourquoi les projets d'IA industrielle échouent.
- Seulement ensuite, choisir le deuxième problème. Réutiliser les pipelines et la documentation du premier.
Budgétez le temps de l'équipe comme un poste à part entière ; voir le coût d'un projet d'IA industrielle.
Quelles erreurs ralentissent une nouvelle équipe data ?
- Ne recruter que des data scientists. Personne ne prend en charge les pipelines de données ni le déploiement.
- Changer de priorités toutes les quelques semaines. RAND constate que des projets peuvent alors être abandonnés avant de montrer des résultats, et que beaucoup de dirigeants s'attendent à des projets d'IA de quelques semaines au lieu de plusieurs mois.
- Courir après le dernier outil. RAND décrit des échecs où l'équipe technique essaie de nouveaux modèles alors que des outils éprouvés conviendraient mieux. La règle n° 1 de Google est : « N'ayez pas peur de lancer un produit sans machine learning. »
- Tenir l'équipe loin de l'usine. Elle interprète mal les tags et construit des outils que les opérateurs ignorent.
- Tout sous-traiter. Si le partenaire part avec la connaissance, vous repartez de zéro.
Ce que nous avons observé chez KABAS AI
Nos deux projets publiés relèvent de la R&D en formulation, mais ils montrent la place des équipes du client dans le travail. Chez ENAD Shymeca, la mise en œuvre de Virtual Lab a commencé par une phase de découverte au cours de laquelle les ingénieurs de KABAS ont travaillé avec l'équipe R&D du client sur les processus de travail et les structures de données, suivie de la migration des données historiques de formulation et de la formation du personnel R&D. Préserver le savoir avant le départ en retraite de chercheurs expérimentés faisait partie des préoccupations du client. Chez ADFC, des décennies d'expérience en formulation étaient dispersées entre formats et emplacements, et les structurer en un référentiel réutilisable faisait partie du projet.
Deux leçons valent pour une équipe data. Les experts métier du client font partie de l'équipe, ils ne sont pas un public. Et les données structurées et la documentation sont un actif qui doit rester chez le client.
Par où commencer ?
Désignez le sponsor, le responsable métier et le premier problème avant de recruter. Notre équipe conseil réalise des évaluations de maturité et l'identification de cas d'usage, et notre équipe data science peut prendre en charge la préparation des données, le développement de modèles et le MLOps pendant que votre équipe acquiert ces compétences. Contactez-nous pour parler de votre situation.
Sources
- Ryseff, De Bruhl et Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, RAND, 2024
- Lawrence et al., Machine learning for industrial sensing and control: A survey and practical perspective, Control Engineering Practice, 2024 (arXiv 2401.13836)
- Microsoft, Establish an AI Center of Excellence, Cloud Adoption Framework
- Microsoft, Plan for AI adoption, Cloud Adoption Framework
- Google Cloud, MLOps: Continuous delivery and automation pipelines in machine learning
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- InfoWorld, For data scientists, drudgery is still job one (enquête Anaconda 2020 State of Data Science)
- CISA, ASD's ACSC et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, 3 décembre 2025
- Forum économique mondial, The Future of Jobs Report 2025
- Radio Algérie, Baddari préside la cérémonie de sortie de deux promotions de l'ENSIA et de l'ENSM, juin 2026
- Google for Developers, Rules of Machine Learning
- Paleyes, Urma et Lawrence, Challenges in Deploying Machine Learning: a Survey of Case Studies, ACM Computing Surveys, 2022 (arXiv 2011.09926)
Questions fréquentes
Combien de personnes faut-il pour une première équipe data industrielle ?
Un petit noyau suffit pour démarrer : un ingénieur qui porte le problème de l'usine, un data engineer et un data scientist, avec l'appui à temps partiel de l'OT et de l'informatique. Ajoutez des ingénieurs ML et d'autres data scientists une fois qu'un premier modèle est utilisé au quotidien et que le travail dépasse ce que le noyau peut absorber.
Faut-il recruter d'abord un data scientist ou un data engineer ?
Dans la plupart des usines, les premiers mois servent à extraire les données de l'historian, du système de laboratoire et de la GMAO, puis à les rendre cohérentes. Les personnes interrogées par RAND décrivent le data engineering comme l'essentiel du travail et notent qu'un produit d'IA demande plus qu'une équipe de data science. Si vous ne pouvez recruter qu'une personne, assurez-vous que l'équipe dispose dès le départ de compétences en data engineering.
Nos ingénieurs procédés peuvent-ils devenir data scientists ?
Certains le peuvent, et ils apportent la connaissance de l'usine qui manque en général aux data scientists. Former le personnel existant, recruter et travailler avec des partenaires sont des voies complémentaires. Les ingénieurs qui passent à la data ont toutefois besoin de temps protégé de leurs tâches d'exploitation, sinon la formation ne se traduit pas en projets.
L'équipe data doit-elle dépendre de l'informatique ou de l'exploitation ?
Aucune des deux ne fonctionne bien seule. L'informatique apporte l'infrastructure et la sécurité, l'exploitation apporte les problèmes et les utilisateurs. Les recommandations de Microsoft pour les débuts de l'adoption de l'IA privilégient une équipe centralisée qui s'appuie sur les équipes existantes. Dans une usine, cela donne une petite équipe centrale rattachée à un responsable qui a autorité sur les deux, et dont les membres passent régulièrement du temps sur site.
Combien de temps avant qu'une nouvelle équipe data produise des résultats ?
Comptez en mois, pas en semaines. RAND constate que les dirigeants s'attendent souvent à des projets d'IA de quelques semaines au lieu de plusieurs mois, et recommande d'engager chaque équipe sur un même problème pendant au moins un an. Un premier modèle peut être mis en pilote dans l'année si les données sont accessibles, mais la valeur durable de l'équipe réside dans les pipelines de données, la documentation et les compétences qu'elle construit.



