L'intelligence artificielle (IA) transforme rapidement notre environnement, et le secteur manufacturier ne fait pas exception. Tout comme pour le Big Data il y a quelques années, les gros titres et les solutions promettant de révolutionner aussi bien les lignes de production que les chaînes d'approvisionnement se multiplient.

Le potentiel d'innovation est bien réel, mais la réalité est plus nuancée. L'IA ne peut pas tout faire (pour l'instant), surtout si elle n'est pas mise en œuvre correctement. Alors, comment aborder ce type de projet et quels sont les points de vigilance ?

Dans cet article, nous avons rassemblé des réflexions et des informations pratiques basées sur notre récente table ronde sur l'IA avec des experts du secteur. Nous vous aiderons à dépasser les promesses et les titres accrocheurs pour identifier ce qui compte vraiment, et comment y parvenir.

‍

‍Identifier les bons cas d'usage

Vous savez pertinemment que l'IA a le potentiel de transformer votre usine, mais par où commencer ? La clé est de débuter avec les bons cas d'usage : ceux qui correspondent à vos objectifs et défis spécifiques.

Avant de vous lancer dans un projet d'IA, posez-vous les questions suivantes :

• Quels sont vos principaux points de douleur ?
  Êtes-vous confronté à des problèmes de contrôle qualité, à des goulots d'étranglement dans la production, à des coûts opérationnels élevés ou à un manque de compétences ?
• Que souhaitez-vous accomplir grâce à l'IA ?
  Visez-vous une efficacité accrue, une amélioration de la qualité des produits, une réduction des déchets ou une meilleure prise de décision ?

Une fois vos objectifs clairement définis, vous pouvez explorer les nombreux cas d'usage de l'IA pour le secteur manufacturier. Voici quelques exemples concrets pour stimuler votre réflexion :

• Maintenance prédictive : analyser les données des capteurs pour prédire les pannes potentielles, planifier la maintenance de manière proactive et éviter des temps d'arrêt coûteux.
• Assurance qualité : détecter les défauts et anomalies en temps réel grâce à des systèmes de vision par ordinateur afin de garantir une qualité constante et réduire le taux de rebut.
• Optimisation des processus : analyser les données de production pour ajuster les paramètres de processus, accroître l'efficacité et limiter le gaspillage.
• Détection d'anomalies : identifier les schémas inhabituels signalant un dysfonctionnement de l'équipement ou une faille de sécurité, afin de résoudre les problèmes avant qu'ils ne s'aggravent.

‍

Trouver les bonnes données

Une fois vos objectifs fixés, il est temps de s'intéresser au carburant de tout moteur d'IA : les données.  

S'il y a bien un point sur lequel nous insistons, avec nos partenaires d'intégration, c'est que la performance des algorithmes d'IA dépend directement de la qualité des données utilisées pour leur entraînement. D'après notre expérience, la qualité et la disponibilité des données font malheureusement défaut dans la plupart des projets.  

Les données doivent être fiables (le calibrage et le contexte sont ici essentiels) et cohérentes. Par exemple : la précision d'un capteur est importante, mais si le flux de données vers votre ERP ou votre rapport BI comporte des erreurs de conversion ou d'autres anomalies, le simple remplacement des capteurs ne suffira pas.

Ne vous contentez pas de collecter des données, assurez-vous également de capturer les métadonnées nécessaires pour fournir un contexte à vos algorithmes d'IA. Cela peut inclure des informations sur les réglages des machines, les conditions d'exploitation ou des facteurs externes susceptibles d'influencer vos données. Enfin, vous avez besoin d'un certain niveau de maturité des données au sein de votre organisation, par exemple grâce à un centre d'excellence dédié aux données.  

Il est difficile de donner des conseils généraux ici, car la « bonne » donnée dépendra de votre cas d'usage. Cependant, vous pouvez commencer par examiner votre historien de données et vous poser les questions suivantes concernant la qualité et l'accessibilité des données:

• Vos données sont-elles précises et fiables ?
• Disposez-vous de suffisamment de données historiques pour entraîner efficacement vos modèles ?
• Capturez-vous les points de données et les métadonnées appropriés pour fournir un contexte à vos algorithmes d'IA ?
• Votre équipe peut-elle accéder facilement aux données dont elle a besoin ?
• Vos données sont-elles cloisonnées dans divers systèmes (décentralisés) ?
• Avez-vous mis en place des processus pour garantir la sécurité et l'intégrité des données ?

‍

Trouvez la bonne équipe

Une fois vos cas d'usage de l'IA prêts et vos données préparées, il est temps de réunir les bonnes personnes pour transformer ces visions d'intelligence artificielle en réalité.

Constituer une équipe IA performante implique souvent de combler le fossé entre l'informatique (IT) et les opérations (OT). Nous constatons que cette distance se réduit au sein des grandes multinationales, mais de nombreuses organisations disposent encore de deux équipes distinctes qui ont des objectifs, des préoccupations et une terminologie distincts.  

Pour y parvenir, vous devrez constituer une équipe pluridisciplinaire qui possède non seulement le savoir-faire technique requis, mais qui sait également communiquer efficacement et comprendre les points de vue de chacun. Voici les profils à inclure :

• Les data scientists peuvent analyser et concevoir des modèles permettant de révéler des tendances et des informations cachées.
• Les ingénieurs procédés apportent une connaissance approfondie de vos lignes de production et de vos processus.
• Les spécialistes IT et OT collaborent pour faire le pont entre vos systèmes existants et les technologies d'IA modernes – nous y reviendrons plus tard.
• Les chefs de projet assurent le bon déroulement des opérations en coordonnant les tâches, en gérant les délais et les budgets, et en maintenant une communication efficace.

Une fois l'équipe idéale constituée, vous devrez veiller à ce que tout le monde travaille en harmonie. D'après notre expérience, voici quelques pistes pour y parvenir.

• Faites en sorte que tout le monde parle le même langage.
  ‍Vous pouvez prendre cela au pied de la lettre : sur certains projets, nous avons dû établir des lexiques pour définir les termes et concepts clés.
• Dans la mesure du possible, profitez-en pour décloisonner les services afin que les représentants des différents services apprennent à communiquer entre eux.
• Organisez des ateliers ou des sessions de formation pour favoriser une compréhension mutuelle.
  Assurez-vous que chacun connaisse les objectifs des autres.
• Adaptez et faites évoluer votre technologie et votre équipe.
  L'IA évolue constamment, et vous devriez en faire autant. N'ayez pas peur de créer de nouveaux rôles, d'ajuster les responsabilités ou de faire appel à un expert externe à mesure que votre périmètre et vos besoins changent.

‍

Combler le fossé

Bien sûr, il reste un aspect important que nous n'avons pas vraiment abordé jusqu'ici : la gestion de l'existant. Dans un monde idéal, tous les projets partiraient d'un atelier flambant neuf équipé des capteurs et du matériel les plus récents, mais nous savons tous que les projets de modernisation sont bien plus courants.  

De nombreuses usines dépendent encore de réseaux isolés avec des équipements obsolètes qui échangent des données localement, et les connecter aux technologies d'IA peut s'avérer complexe. Vous serez probablement confronté à des silos de données, à des préoccupations de sécurité et à des problèmes de compatibilité, mais c'est loin d'être impossible. Voici quelques pistes pour vous aider :

• N'essayez pas de refondre l'ensemble de votre système du jour au lendemain, mais procédez par étapes.
  Identifiez les sources de données les plus critiques pour vos cas d'usage en IA et concentrez-vous sur leur intégration en priorité. Atteindre un objectif est gratifiant et motivera votre équipe à continuer d'innover.
• Rapprocher une partie de la puissance de traitement de l'IA de vos machines grâce à l'informatique en périphérie peut vous aider à surmonter les limitations de transfert de données et les problèmes de latence.
• Envisagez une approche de cloud hybride pour bénéficier de flexibilité, d'évolutivité et de rentabilité pour vos applications.  
• Veillez à garder un œil sur la cybersécurité lors de la connexion d'appareils existants à des réseaux modernes afin de protéger vos données et d'empêcher tout accès non autorisé.
• Sans vouloir nous vanter, un partenaire expérimenté peut faire toute la différence.
  N'hésitez pas à contacter des experts pour demander conseil ou orientation.

‍

Faites travailler l'IA pour vous

L'IA a le pouvoir de transformer vos opérations de fabrication, mais seulement si vous l'abordez de manière stratégique. En identifiant les bons cas d'usage, en garantissant des données de haute qualité, en constituant une équipe collaborative et en intégrant soigneusement l'IA à vos systèmes existants, vous pouvez dépasser le stade du simple effet de mode et libérer la véritable valeur de l'IA pour votre entreprise.

‍