Maintenance prédictive par IA : au-delà du calendrier

Un code d'anomalie moteur brut vous indique que quelque chose s'est produit, pas quoi faire à ce sujet. Un gestionnaire de parc qui fixe un numéro de code a historiquement eu besoin soit d'en connaître la signification précise par cœur, soit de la chercher, puis d'évaluer séparément à quel point c'est réellement urgent : retirer le véhicule maintenant, ou le laisser terminer son itinéraire et le faire entretenir selon le calendrier normal. Ce jugement a traditionnellement dépendu de l'expérience d'un seul mécanicien plutôt que de critères cohérents et fondés sur des données.

C'est précisément l'écart que l'analyse des codes d'anomalie fondée sur l'IA est conçue pour combler. La Fault Code Enrichment de Geotab, bâtie sur une technologie de Noregon et présentée à Geotab Connect 2025, utilise l'IA pour classer les signaux d'anomalie entrants, en attribuant une cote de gravité et une action recommandée plutôt que de laisser un code brut à interpréter manuellement par quelqu'un.

Au-delà de la classification de la gravité, le système estime les effets potentiels en aval, ce en quoi une anomalie précise pourrait se transformer si elle n'est pas corrigée, ce qui est la partie qui permet réellement un modèle d'entretien prédictif plutôt que réactif. Une anomalie qui paraît mineure isolément mais qui présente une tendance connue à dégénérer en une défaillance plus importante et plus coûteuse est signalée différemment d'une anomalie qui est véritablement peu risquée à reporter.

Cette distinction est ce qui sépare la maintenance prédictive des deux modèles plus limités que les parcs ont traditionnellement utilisés : la maintenance purement réactive, réparer les choses après qu'elles brisent, et la maintenance préventive fondée sur le calendrier, faire l'entretien selon un calendrier fixe peu importe l'état réel du véhicule. La maintenance prédictive utilise des données en direct pour repérer les véhicules véritablement à risque avant qu'une défaillance ne survienne, plutôt que de deviner en fonction d'un intervalle générique ou d'attendre une panne.

Parallèlement à l'analyse des anomalies par IA, Geotab a présenté Work Order Management, un carrefour centralisé au sein de MyGeotab pour la planification, le suivi et la production de rapports sur les travaux d'entretien. C'est un ajout moins spectaculaire que la classification des anomalies pilotée par l'IA, mais il résout un problème réel et courant : des dossiers d'entretien éparpillés dans des applications déconnectées, des feuilles de calcul et des bons de travail papier qui ne communiquent pas avec les données de codes d'anomalie ni avec l'historique d'utilisation réel du véhicule.

Regrouper cela dans un seul système signifie qu'une recommandation issue d'un code d'anomalie et le bon de travail qui en découle se trouvent au même endroit que les données d'heures-moteur et de kilométrage du véhicule, ce qui est ce qui rend réellement les décisions d'entretien fondées sur les heures-moteur et signalées par l'IA pratiques à mettre en œuvre, plutôt que techniquement possibles mais dispersées sur le plan opérationnel entre trois outils différents.