L'IA lit les schémas électriques et désigne la pièce à contrôler

---
title: "Assistant de maintenance : diagnostic d'une panne à partir des schémas électriques"
---
flowchart TB
  n_phone["Diagnostic · Machine 01"]
  n_agent["Agent IA · Le modèle de langage choisit l'outil à chaque étape"]
  n_graph["Graphe des renvois · Pages où apparaît un composant ou un fil"]
  n_ocr["Lecture des repères · Le texte du folio et sa position"]
  n_pannes["Notices et pannes · Chaque entrée cite sa page"]
  subgraph n_folios["Schémas électriques"]
    n_f14["Folio 14 · commande des résistances"]
    n_f12["Folio 12 · sécurités de chauffe"]
    n_f5["Folio 5 · puissance"]
  end
  n_phone <-- "panne décrite, puis pièces à contrôler" --> n_agent
  n_agent <-- "pages d'un composant ou d'un fil" --> n_graph
  n_agent <-- "zoom sur la zone utile" --> n_f14
  n_agent <-- "lecture des repères de la zone" --> n_ocr
  n_agent <-- "zoom à l'arrivée du fil" --> n_f12
  n_agent <-- "pannes connues" --> n_pannes

Donnez un schéma électrique de plusieurs pages au meilleur modèle de vision du marché, et demandez-lui ce qui alimente la bobine d’un contacteur : il répondra avec assurance, et il se trompera souvent.

J’ai construit un assistant de diagnostic pour des techniciens de maintenance, à partir des seules documentations constructeur. Ici, la connaissance n’est pas dans le texte : elle est dans le schéma.

Le pilote est volontairement limité à une famille de machines : 5 PDF de qualité variable, 357 pages, dont environ 150 pages de schémas électriques.

Pourquoi les IA échouent sur les schémas

• La résolution : une page de schéma dépasse ce que les modèles de vision acceptent en entrée. Elle est réduite avant l’analyse, et les petits repères (références de composants, numéros de bornes) deviennent illisibles. Certains modèles compressent même les images : ils ne lisent plus, ils inventent.
• La nature des fichiers : textes hétérogènes et pivotés à 90°, schémas rastérisés (jusqu’à 79 images incrustées sur une seule page), plans vectoriels sans aucun caractère extractible.
• La connectivité : un composant vit sur plusieurs pages. Sa bobine est au folio 5, ses contacts au folio 12, reliés par des renvois normalisés. Suivre un circuit exige de naviguer entre les folios, précisément le point faible des modèles de vision.

Mon approche : préparer les données

• Tri et redressement automatiques des 357 pages, avec détection de l’orientation.
• OCR sur chaque page de schéma : le texte et sa position sont fournis au modèle à côté de l’image.
• Notices structurées : conversion en texte propre, et base de pannes où chaque entrée cite sa page source.
• Graphe des renvois entre folios : une question sur un composant ramène automatiquement toutes les pages où il apparaît.
• Connectivité ancrée sur les numéros de fils imprimés.
• Découpage et zoom à la demande.

Pas de RAG, pas de base de données, pas de réentraînement du modèle : uniquement un traitement automatisé des données, dont l’IA se sert dynamiquement grâce à des appels d’outils.

L’application a été testée sur plusieurs modèles pour trouver le meilleur compromis entre coût, vitesse et qualité : entre 0,01 et 0,20 $ par question, pour un temps de réponse de 20 secondes à une minute. Le pire cas, une chaîne d’alimentation complète à travers de nombreux folios, a été résolu en 5 minutes, là où le même modèle sans préparation des données abandonnait.

L’évaluation d’abord

Avant de commencer, j’ai écrit 30 questions réelles de maintenance, avec leurs réponses attendues et leurs pages sources. Chaque étape n’a été ajoutée que si l’évaluation prouvait qu’elle manquait.

Le système de départ obtenait 73 % ; la préparation complète l’amène à 95 %, et surtout à 100 % sur les questions de continuité entre folios, celles des diagnostics les plus difficiles (contre 58 % au départ).

J’ai aussi jeté du travail : les chaînes électriques précalculées ont échoué à ma propre évaluation, leur volume noyait le modèle sous les données. Le modèle retrace donc le circuit à la volée.

Pour qualifier le comportement, j’ai ajouté 30 questions inédites : pièges, hors sujet, demandes dangereuses. Résultat : 30 sur 30.

Le verdict du terrain

Deux techniciens de maintenance seniors, habitués à ces machines, ont testé l’application et ses réponses :

« Franchement, c’est pas mal ! »

« Ouais, carrément bon. »

Et sur un parc entier ?

Le cas réel derrière ce pilote se compte en centaines de machines et en milliers de PDF. Ce qui rend la méthode viable à cette échelle, c’est le métier : un technicien pose une question pour une machine donnée. L’espace de recherche utile reste donc petit, même quand le parc est grand. La préparation des données se fait machine par machine, et chaque ensemble se déploie indépendamment.

Ce que j’en retiens

Les IA lisent mal les schémas parce qu’on les leur donne mal. L’IA n’est pas magique, c’est de l’ingénierie.