En 1916, la Minnesota Mining and Manufacturing Company, ou 3M, a ouvert son premier laboratoire de recherche, un espace de la taille d'un placard dans son usine de papier de verre de St. Paul. Une série d'incidents survenus au cours des 14 premières années d'existence de l'entreprise – dont une expédition de papier de verre gâchée par le renversement d’une caisse d'huile d'olive qui a révélé la mauvaise qualité du papier – a incité William McKnight, directeur général de l'époque, à créer un espace pour tester les produits afin d'améliorer le contrôle de la qualité.
L'influence de McKnight a grandi (il devient président du conseil d'administration de 3M en 1949), tout comme la ferveur pour la qualité. Au fil des ans, chez 3M, des scientifiques entrepreneurs ont tout transformé : des idées folles aux incidents tels que l'expédition du papier de verre, en passant par des expériences ratées, pour aboutir à des produits devenus incontournables, tels que le ruban adhésif Scotch et les notes Post-it.
Avec l’aimable autorisation de Wired
La qualité reste une facette intrinsèque de la culture chez 3M. Stimulée par le succès du laboratoire, 3M a considérablement développé ses installations de recherche. Près de 6 % du chiffre d'affaires de l'entreprise est désormais consacré à la recherche et au développement. À St. Paul, où près de 12 000 employés se réunissent pour créer et lancer de nouveaux produits et améliorer les anciens, des milliers de chercheurs et de scientifiques dans les laboratoires de l'entreprise s'efforcent d'enrichir le pipeline de l'innovation.
L'un des sujets les plus importants sur le campus de 3M est le machine learning. Grâce au machine learning sur Amazon Web Services (AWS), 3M améliore des produits qui ont fait leurs preuves, comme le papier de verre, et stimule l'innovation dans de nouveaux domaines, comme les soins de santé. Ce qui témoigne peut-être de l'efficacité de ces programmes, c'est que les produits de moins de cinq ans contribuent encore à environ 30 % du chiffre d'affaires de l'entreprise ; et 3M lance environ 1 000 nouveaux produits chaque année.
« Il n'y a pas beaucoup d'entreprises qui peuvent combiner la richesse de notre base matérielle et la capacité numérique pour créer quelque chose de vraiment nouveau », indique Hung Brown Ton, architecte en chef au laboratoire des systèmes de recherche d'entreprise de St. Paul. « C'est ce qui est passionnant pour nous : tirer parti de ces nouvelles capacités du cloud comme le machine learning. »
Révision d'un produit centenaire grâce au machine learning
Depuis qu'elle a surmonté les innombrables obstacles de la fabrication du papier de verre à ses débuts, 3M n'a cessé d'améliorer la capacité abrasive de son produit classique. Toutefois, jusqu'à l'introduction récente des techniques de machine learning dans le flux du développement des produits, le processus était extrêmement long.
Le grain de sable idéal (qui est en fait un matériau synthétique appelé Cubitron) est celui qui coupe le mieux et dure le plus longtemps. Traditionnellement, pour arriver à cet idéal, un technicien de 3M inspectait un CT-scan de chaque feuille de papier afin d'évaluer le nombre de grains sur une feuille. Ensuite, le technicien testait chaque échantillon contre une surface rugueuse pour mesurer son efficacité et essayer de corréler cette efficacité avec le pourcentage de grains.
« Cela implique un long processus de développement, qui prend des semaines », constate Brown Ton, alors que son équipe et lui collaborent avec des chercheurs scientifiques qui développent les nouveaux échantillons et produits abrasifs (dont le produit encore appelé familièrement papier de verre).
Grâce au machine learning sur AWS, que les équipes de Brown Ton ont commencé à mettre en œuvre il y a un peu moins d'un an, le processus est désormais beaucoup plus rapide et précis. L'équipe de 3M teste actuellement des modèles qui utilisent l'entraînement d’images traditionnel et exploite également les réseaux neuronaux sur Amazon SageMaker. Bien que le technicien continue de tester les échantillons, les modèles accélèrent considérablement l'analyse des images et aident à sélectionner les meilleures options. Ces modèles de machine learning permettent aux chercheurs d'analyser comment de légers changements de forme, de taille et d'orientation peuvent améliorer l'abrasivité et la durabilité. Ces suggestions façonnent ensuite le processus de fabrication.
Compte tenu de la quantité de données générées par ces scans et ces tests (environ 750 Go pour une feuille de la taille d'une paume de main), l'équipe a d'abord épuisé les puissants ordinateurs portables de l'ingénierie qu'elle avait achetés pour effectuer les analyses. « Il était donc parfaitement logique de transférer cette capacité vers le cloud », explique Brown Ton, « car nous étions fortement freinés par la puissance de calcul de n'importe quel ordinateur portable ou de bureau conventionnel que nous pouvions acheter. Aujourd'hui, le processus dans AWS est beaucoup plus efficace – et c'est un plaisir de passer notre temps à comprendre les abrasifs au lieu d'attendre que les données soient collectées et que les tests soient terminés. »
Convertir des rames de texte non structuré en codes facturables
Tandis que le papier de verre est un produit de base de 3M, l'entreprise manufacturière s'est étendue à de nouveaux domaines, dont les soins de santé. 3M a fondé sa filiale Health Information Systems (HIS) en 1983, peu de temps après le développement du premier grand système de dossiers médicaux informatisés (EHR). Aujourd'hui, 96 % des hôpitaux utilisent des EHR, contre une petite poignée il y a dix ans, et HIS a vu dans toutes ces données l'occasion de créer quelque chose de nouveau : un ensemble de produits de codage médical basé sur le machine learning.
Pour pouvoir facturer ses services aux assureurs, un prestataire de soins de santé doit traduire les EHR en codes de facturation appropriés. Les erreurs dans ce processus sont courantes et peuvent entraîner des retards de paiement ou une surfacturation, ce qui constitue une fraude. Aux États-Unis, la plupart des hôpitaux le gèrent à l’aide des outils de traitement du langage naturel (NLP) de HIS, qui utilisent le machine learning sur AWS.
David Frazee, directeur du laboratoire de recherche et présent chez 3M depuis 14 ans, était auparavant CTO de HIS. Il a déclaré que le processus traditionnel de détermination des codes de facturation nécessitait que des personnes, connues sous le nom de codeurs, examinent chaque enregistrement et, en fonction de leurs connaissances et de leur expérience, choisissent le bon code parmi les 141 000 possibilités. « Trois semaines plus tard, vous pouviez donner exactement les mêmes dossiers au même codeur et avoir au final un code différent », confie Frazee.
Depuis avril 2016, HIS a combiné cette expertise humaine imparfaite avec des modèles de machine learning pour réduire les erreurs dans le processus. La plus grande partie d'un EHR n'est pas structurée – comme le dit Frazee, même le gribouillis d'un médecin sur une serviette de table peut être qualifié de dossier – donc le simple fait de faire comprendre aux modèles ce qu’est un dossier est un exploit.
À cette fin, les linguistes apprennent au modèle NLP à analyser les dossiers confus – par exemple, savoir qu'une note de médecin décrivant une partie du corps comme « froide » ne signifie pas que le patient a un rhume. Les codeurs approuvent (ou non) la décision du modèle. Leur évaluation est renvoyée au modèle, afin qu'il puisse l'améliorer au tour suivant. Le modèle, qui traite quotidiennement trois millions de documents, apprend rapidement et, dans de nombreuses procédures, sélectionne le bon code environ 98 % du temps. Le modèle lui-même fonctionne sur des instances Amazon EC2 et S3 très puissantes.
Frazee et Brown Ton voient tous deux le machine learning sur AWS se développer dans toute l'entreprise dans les années à venir.
« Le projet de R&D sur les abrasifs est, à mon avis, très représentatif de l'avenir de la rencontre entre la science des matériaux et la science des données de 3M », annonce Frazee. « Nous sommes l'une des meilleures entreprises de fabrication de matériaux au monde, mais nous n'avons pas tiré parti de notre grande quantité de données sur nos matériaux. »
« Et si vous pensez aux données agrégées dans le cloud, collectées par l'IoT et traitées par le machine learning – tout en tirant parti de la modélisation, de la simulation et de la capacité à visualiser de grandes quantités de données – toutes ces choses convergent pour nous », ajoute Brown Ton. « Continuer à tirer parti de ces nouvelles capacités cloud qui évoluent rapidement est vraiment passionnant pour nous et nos clients. »