Transformer les opérations critiques grâce à l’IA : retours d’expérience et perspectives

23 juin 2026 — 08:00 - 08:40
Salle de conférences 2

Data, IA & analytiqueSimulation & Jumeaux numériquesManufacturing Engineering

Description

L'industrie lourde a consacré deux décennies à sa transformation numérique : déploiement de plateformes cloud, montée en charge des pipelines de données et expérimentation du machine learning à l'échelle de milliers d'actifs et de sites industriels. Les fondations sont solides, les enseignements approfondis, et le secteur se trouve aujourd'hui à un tournant décisif. Cette session conjointe entre SLB et Geminus AI propose un regard sans détour sur le parcours de l'IA, son état actuel et ses perspectives — non seulement dans le secteur pétrolier et gazier, mais plus largement dans l'ensemble des opérations critiques tous secteurs confondus. Amanda Fagnou, Directrice Marketing et Stratégie, Digital & Integration chez SLB, ouvrira la session en partageant le retour d'expérience de son groupe : comment SLB a déployé le numérique à grande échelle sur l'ensemble de ses opérations mondiales, les avancées majeures réalisées en matière de maintenance prédictive et d'optimisation de la production, ainsi que les enseignements déterminants tirés autour de la qualité des données, de la conduite du changement et de l'intégration interdisciplinaire — autant d'éléments qui façonnent le prochain chapitre. Chad Harkness, Directeur Général Énergie chez Geminus AI, s'appuiera sur ce socle pour dessiner les contours de la prochaine frontière : comment l'IA fondée sur la physique comble le déficit de données industrielles là où le machine learning conventionnel a échoué, en quoi un flux de travail industrialisé — de la formulation du problème jusqu'au réentraînement des modèles — transforme en profondeur la relation entre l'opérateur et l'IA, et ce qu'implique réellement une plateforme qui comprend la physique plutôt que de se contenter d'apprendre des motifs récurrents. La session explorera comment l'expertise métier encodée, la quantification de l'incertitude associée à chaque recommandation et l'orchestration agentique de données multi-sources rapprochent chaque jour davantage les opérateurs de leur meilleure performance possible.
*/