Tableau de bord/Chapter 6/1.5 — WO Intelligence features (AI Broker)
Chapter 6 · leçon 5 sur 7
L'intégration des capacités d'intelligence artificielle dans Maximo Manage a évolué pour offrir une maintenance plus prédictive et proactive. Au cœur de cette évolution se trouve le passage de l'ancien AI broker à la solution plus robuste et intégrée, Maximo AI Service. Cette architecture permet à Maximo Manage de tirer parti de modèles d'apprentissage automatique pour améliorer la gestion des ordres de travail et la fiabilité des actifs.
Maximo AI Service agit comme un pont entre les données opérationnelles de Maximo Manage et les algorithmes d'IA. Il fournit des modèles de template prédéfinis qui peuvent être configurés pour diverses applications, telles que la recommandation de codes de problème ou la détection d'ordres de travail similaires. Cette approche modulaire assure une flexibilité et une évolutivité pour les besoins d'intelligence artificielle.
Certavia B
A -- "Intègre" --> C
B -- "Configure via" --> D
B -- "Utilise" --> E
C -- "Fournit" --> F
D -- "Gère" --> F
G -- "Alimente" --> F
F -- "Génère" --> H
F -- "Génère" --> I
F -- "Génère" --> J
F -- "Génère" --> K
E -- "Connecte" --> C
classDef primary fill:#1D9E75,stroke:#178A66,stroke-width:2px,color:#FFFFFF
classDef secondary fill:#F1F5F9,stroke:#475569,stroke-width:2px,color:#0F172A
classDef tertiary fill:#60A5FA,stroke:#3B82F6,stroke-width:2px,color:#FFFFFF
classDef quaternary fill:#FDE68A,stroke:#FBBF24,stroke-width:2px,color:#0F172A
classDef quinary fill:#A78BFA,stroke:#8B5CF6,stroke-width:2px,color:#FFFFFF
classDef result fill:#34D399,stroke:#059669,stroke-width:2px,color:#FFFFFF
">
L'évolution des capacités d'intelligence artificielle dans Maximo est marquée par le remplacement de l'AI broker par Maximo AI Service. Cette transition, effective à partir du 1er août 2025, représente une amélioration significative en termes d'intégration, de fonctionnalités et de support. Comprendre les différences entre ces deux approches est crucial pour les administrateurs et les utilisateurs de Maximo.
Maximo AI Service est conçu comme un add-on intégré à Maximo Application Suite, offrant une expérience plus cohérente et des capacités étendues. Il est important de noter que les instances de l'AI broker doivent être désinstallées pour migrer vers Maximo AI Service et continuer à bénéficier des fonctionnalités d'IA.
| Caractéristique | AI broker (déprécié) | Maximo AI Service (actuel) |
|---|---|---|
| Introduction | Maximo 9.0 | Maximo Application Suite 9.1 |
| Statut | Déprécié (à partir du 1er août 2025) | Add-on intégré et supporté |
| Intégration | Solution autonome | Intégré à Maximo Application Suite |
| Déploiement | Ancienne méthode | Avec MAS 9.0 ou 9.1 (SaaS ou on-premises) |
| Fonctionnalités | Limitées (ex: codes de problème) | Assistant AI, recommandations de champs, ordres de travail similaires, stratégies de fiabilité |
| Gestion | Via des configurations spécifiques | Via l'application `AI configuration` dans Maximo Manage |
| Migration | Désinstallation requise pour passer à Maximo AI Service | Standard pour les nouvelles implémentations et migrations |
La mise en œuvre de Maximo AI Service dans un environnement Maximo Manage nécessite une série d'étapes de configuration et d'administration. Ces étapes garantissent que les fonctionnalités d'IA sont correctement intégrées et opérationnelles, permettant aux utilisateurs de bénéficier des recommandations intelligentes et de l'automatisation.
Le processus commence par la vérification des prérequis de déploiement, qui varient légèrement selon que Maximo AI Service est utilisé en mode SaaS ou on-premises. Une fois les prérequis satisfaits, l'administrateur système doit configurer les propriétés système essentielles dans Maximo Manage pour établir la connexion avec Maximo AI Service.
Un exemple concret serait la configuration pour les recommandations de codes de problème. L'administrateur créerait une configuration AI, sélectionnerait le modèle de template approprié pour les codes de problème, et s'assurerait que les données nécessaires sont préparées pour l'entraînement. Une fois le modèle entraîné, Maximo Manage pourrait alors suggérer des codes de problème pertinents lors de la création d'un ordre de travail, améliorant ainsi l'efficacité et la cohérence des données.
Le déploiement et l'utilisation d'une fonctionnalité d'intelligence artificielle dans Maximo Manage suivent un cycle de vie structuré, de la préparation initiale à l'opérationnalisation des recommandations. Ce cycle implique plusieurs étapes clés, depuis la configuration de l'environnement jusqu'à la gestion des modèles d'IA et l'intégration des résultats dans les processus métier quotidiens.
Chaque étape est cruciale pour garantir que les fonctionnalités d'IA, telles que l'assistant AI ou les recommandations de codes de problème, fonctionnent de manière optimale et apportent une valeur ajoutée significative à la gestion des actifs et des ordres de travail. La surveillance continue et l'ajustement des configurations sont également des aspects importants de ce cycle.
Les candidats peuvent confondre l'AI broker, l'ancienne solution d'IA introduite en Maximo 9.0, avec Maximo AI Service. Le piège réside dans le fait que l'AI broker est déprécié et sera remplacé par Maximo AI Service à partir du 1er août 2025. Il est crucial de comprendre que pour continuer à utiliser les fonctionnalités d'IA après cette date, il faut désinstaller l'AI broker et déployer Maximo AI Service 9.1. L'examen pourrait présenter des questions sur la configuration de l'AI broker comme si c'était la solution actuelle, alors que l'accent est mis sur Maximo AI Service.
Un piège courant est d'oublier ou de mal configurer les propriétés système critiques dans Maximo Manage pour l'intégration avec Maximo AI Service. Les propriétés `mxe.int.aibrokerapiurl` et `mxe.int.aibrokertenantid` sont absolument nécessaires pour établir la connexion. Une question d'examen pourrait décrire un scénario où les fonctionnalités d'IA ne fonctionnent pas et demander la cause, la réponse correcte étant souvent liée à une configuration incorrecte ou manquante de ces propriétés. Il est facile d'ignorer le suffixe `/ibm/aibroker/service/rest/api/v1` pour l'URL, ce qui entraînerait un échec de connexion.
Les candidats peuvent sous-estimer l'importance des modèles de template et la nécessité potentielle d'entraînement ou d'inférence pour certaines fonctionnalités d'IA. Toutes les fonctionnalités ne sont pas "prêtes à l'emploi" sans configuration supplémentaire. Par exemple, si l'on souhaite activer des recommandations de valeurs de champ autres que les codes de problème par défaut, il faut créer des composants d'intégration spécifiques. Le piège serait de croire que toutes les fonctionnalités d'IA sont activées simplement en déployant Maximo AI Service, sans passer par l'application `AI configuration` et la gestion des modèles.
L'AI broker, introduit dans Maximo 9.0, est déprécié et sera remplacé par Maximo AI Service à partir du 1er août 2025. Pour continuer à utiliser les fonctionnalités d'IA, il est impératif de désinstaller l'AI broker et de déployer Maximo AI Service 9.1.
Maximo AI Service offre plusieurs fonctionnalités clés, notamment l'assistant AI, des recommandations de valeurs de champ (comme les codes de problème pour les ordres de travail), la capacité à localiser des ordres de travail similaires, et des recommandations pour les stratégies de fiabilité.
Les deux propriétés système essentielles sont `mxe.int.aibrokerapiurl`, qui doit inclure le suffixe `/ibm/aibroker/service/rest/api/v1`, et `mxe.int.aibrokertenantid`, qui est l'identifiant unique du tenant associé à Maximo AI Service.
L'application `AI configuration` est utilisée par les administrateurs système pour créer et gérer les configurations des fonctionnalités d'IA. Elle permet de définir les paramètres, de sélectionner les modèles de template requis et de surveiller les processus d'entraînement ou d'inférence nécessaires pour les fonctionnalités d'IA.
Bonne réponse : B
Pourquoi cette question existe — STU §6.5 — la question vérifie le rôle architectural exact de l'AI broker au sein de la couche plateforme de Maximo Application Suite : c'est lui qui sélectionne le jeu de données d'entraînement, contrôle le jeu d'inférence, et définit la structure de données requise par le modèle d'IA, en amont du runtime qui exécute le modèle. En pratique, confondre AI broker et AI model runtime fait mal localiser où se fait la configuration des données versus l'exécution du modèle.
Le contexte théorique d'abord — Introduit avec MAS 9.0, l'AI broker est le composant de la couche plateforme qui orchestre la préparation des données pour les fonctionnalités d'IA de Manage : sélection du training data set, contrôle du jeu d'inférence, et définition de la structure de données nécessaire au modèle. Le AI model runtime, lui, exécute le modèle une fois les données préparées par le broker.
Ce que Maximo en fait — version opérationnelle — Dans la couche plateforme MAS > configurer l'AI broker pour pointer vers les object structures et saved queries fournissant les données d'entraînement > le broker définit la structure attendue par le modèle > au moment de l'inférence, le broker contrôle quel jeu de données est soumis au modèle exécuté par l'AI model runtime.
Exemple chiffré — Un AI broker configuré sur 1 object structure de work orders avec 3 attributs sélectionnés (description, failure code, asset) prépare un jeu d'entraînement cohérent, contre un risque d'erreur si ces 3 attributs n'étaient pas alignés avec la structure attendue par le modèle.
Analogie quotidienne — C'est comme un assistant qui prépare et formate les dossiers avant qu'un expert (le modèle) ne les analyse : il choisit quels dossiers envoyer et sous quel format, sans être lui-même celui qui rend l'expertise.
Pourquoi A est faux — Pattern D5 champ-frère : External Systems gère les intégrations MIF, sans rôle de sélection de données d'entraînement IA.
Pourquoi C est faux — Pattern D6 mauvaise-app : l'AI model runtime exécute le modèle une fois les données préparées, il ne sélectionne pas lui-même le training/inference set.
Pourquoi D est faux — Pattern D5 champ-frère : les saved queries sur object structures sont une source de données possible, mais ne constituent pas elles-mêmes le mécanisme de contrôle/sélection au niveau plateforme.
Bonne réponse : C
Pourquoi cette question existe — STU §6.5 — la question vérifie le composant exact d'intégration entre Maximo Manage et Maximo Monitor : l'Asset Data Dictionary, un référentiel de données et métadonnées qui facilite le partage et la synchronisation, par opposition à des composants plausibles liés à l'IoT mais sans ce rôle de synchronisation hiérarchique. En pratique, chercher cette synchronisation dans un outil IoT générique fait manquer le mécanisme réel d'intégration.
Le contexte théorique d'abord — L'Asset Data Dictionary est un référentiel partagé de données et de métadonnées qui facilite le partage et l'intégration de données entre Maximo Manage et d'autres applications, dont Maximo Monitor. Via des artefacts prédéfinis du framework d'intégration de Maximo Manage, il permet de synchroniser la hiérarchie système, les organisations, sites, assets et locations — manuellement, à intervalles planifiés, ou par événement.
Ce que Maximo en fait — version opérationnelle — Dans Maximo Manage > configurer les artefacts d'intégration liés à l'Asset Data Dictionary > définir le mode de synchronisation (manuel, planifié, ou événementiel) > les données de hiérarchie système et d'assets sont alors propagées vers Maximo Monitor, qui peut aussi servir de source pour un chargement initial unique vers Manage.
Exemple chiffré — Une synchronisation planifiée toutes les 4 heures via l'Asset Data Dictionary peut propager jusqu'à 1 200 enregistrements d'assets et locations en une seule exécution, contre un chargement initial unique de plusieurs dizaines de milliers d'enregistrements lors du premier déploiement.
Analogie quotidienne — C'est comme un carnet d'adresses centralisé qui synchronise automatiquement les contacts entre deux applications de messagerie différentes, plutôt que de devoir ressaisir chaque contact manuellement dans chaque outil.
Pourquoi A est faux — Pattern D2 inventé : « IoT Tool » n'est pas le nom officiel du composant de synchronisation de hiérarchie/asset entre Manage et Monitor.
Pourquoi B est faux — Pattern D2 inventé : « Batch Data Metrics » n'est pas un composant Maximo standard pour cette synchronisation.
Pourquoi D est faux — Pattern D5 champ-frère : un Edge Data Collector capte des données de capteurs sur le terrain, sans rôle de synchronisation de la hiérarchie système entre Manage et Monitor.
Bonne réponse : B
Pourquoi cette question existe — STU §6.5 — variante de reformulation (options réordonnées) de la question jumelle de cette leçon, testant le même rôle architectural de l'AI broker : sélection du training data set, contrôle du jeu d'inférence, et définition de la structure de données du modèle, au niveau de la couche plateforme de Maximo Application Suite.
Le contexte théorique d'abord — Introduit avec MAS 9.0, l'AI broker orchestre la préparation des données pour les fonctionnalités d'IA de Manage : sélection du training data set, contrôle de l'inference set, et définition de la structure de données nécessaire au modèle. L'AI model runtime exécute ensuite le modèle une fois les données préparées par le broker.
Ce que Maximo en fait — version opérationnelle — Configurer l'AI broker pour pointer vers les object structures fournissant les données d'entraînement > le broker définit la structure attendue par le modèle > à l'inférence, le broker contrôle quel jeu de données est soumis au modèle exécuté par l'AI model runtime.
Exemple chiffré — Un AI broker configuré sur 1 object structure de work orders avec 3 attributs sélectionnés prépare un jeu d'entraînement cohérent, contre un risque d'erreur si ces 3 attributs n'étaient pas alignés avec la structure attendue par le modèle.
Analogie quotidienne — C'est comme un assistant qui prépare et formate les dossiers avant qu'un expert (le modèle) ne les analyse, sans être lui-même celui qui rend l'expertise.
Pourquoi A est faux — Pattern D5 champ-frère : les saved queries sur object structures sont une source de données possible, mais ne constituent pas elles-mêmes le mécanisme de contrôle/sélection au niveau plateforme.
Pourquoi C est faux — Pattern D6 mauvaise-app : l'AI model runtime exécute le modèle une fois les données préparées, il ne sélectionne pas lui-même le training/inference set.
Pourquoi D est faux — Pattern D5 champ-frère : External Systems gère les intégrations MIF, sans rôle de sélection de données d'entraînement IA.
Bonne réponse : C
Pourquoi cette question existe — STU §6.5 — variante de reformulation de la question jumelle de cette leçon (le docx source signale explicitement ce doublon), testant le même composant d'intégration entre Maximo Manage et Maximo Monitor : l'Asset Data Dictionary, par opposition à des composants plausibles liés à l'IoT mais sans ce rôle de synchronisation hiérarchique.
Le contexte théorique d'abord — L'Asset Data Dictionary est un référentiel partagé de données et métadonnées facilitant le partage et l'intégration entre Maximo Manage et Maximo Monitor. Via des artefacts prédéfinis du framework d'intégration de Manage, il synchronise la hiérarchie système, organisations, sites, assets et locations — manuellement, à intervalles planifiés, ou par événement.
Ce que Maximo en fait — version opérationnelle — Dans Maximo Manage > configurer les artefacts d'intégration liés à l'Asset Data Dictionary > définir le mode de synchronisation > les données de hiérarchie système et d'assets sont propagées vers Maximo Monitor.
Exemple chiffré — Une synchronisation planifiée toutes les 4 heures via l'Asset Data Dictionary peut propager jusqu'à 1 200 enregistrements d'assets et locations en une seule exécution, contre un chargement initial unique de plusieurs dizaines de milliers d'enregistrements lors du premier déploiement.
Analogie quotidienne — C'est comme un carnet d'adresses centralisé qui synchronise automatiquement les contacts entre deux applications de messagerie différentes.
Pourquoi A est faux — Pattern D2 inventé : « IoT Tool » n'est pas le nom officiel du composant de synchronisation de hiérarchie/asset entre Manage et Monitor.
Pourquoi B est faux — Pattern D2 inventé : « Batch Data Metrics » n'est pas un composant Maximo standard pour cette synchronisation.
Pourquoi D est faux — Pattern D5 champ-frère : un Edge Data Collector capte des données de capteurs sur le terrain, sans rôle de synchronisation de la hiérarchie système entre Manage et Monitor.