Productivité : des outils pour doper la performance

L’Intelligence Artificielle (IA) s’invite dans les ateliers. Nourris aux données issues des machines, les algorithmes peuvent faire gagner ces quelques points de productivité qui font toute la différence.

Les technologies d’IA suscitent un intérêt croissant dans les usines. Après l’apparition de multiples applications pour la maintenance préventive, au cours des derniers mois, des progrès significatifs sont attendus dans le domaine de la production industrielle. Ainsi, Stéphane Lannuzel, chief digital officer sur les opérations de production de L’Oréal témoigne :  « Nous utilisons ces outils pour identifier les paramètres qui influent le plus la fabrication. Jusqu’à présent, nous nous appuyions sur les connaissances de quelques personnes pour optimiser la qualité de notre production. Avec l’IA, nous avons toujours besoin de ces experts, mais nous allons « augmenter » leurs compétences. »

Cette optimisation de la qualité de la production est tout aussi accessible pour des sociétés qui n’ont ni la culture data, ni les moyens d’embaucher des datascientists. C’est le cas de Farinia Group qui réunit des PME spécialisées dans la fonderie, la forge et l’usinage. L’industriel a doté des forges de nombreux capteurs afin de glaner un maximum de données de fonctionnement, collectées via la gestion des processus industriels et complétées avec des informations comme le type d’huile utilisée, les membres de l’équipe, les horaires de travail… C’est cet ensemble hétérogène qui alimente un algorithme d’IA épaulant les ingénieurs procédés ou les ingénieurs en amélioration continue pour optimiser l’utilisation des moyens de production.

Pollen Metrology, Optimistik, MondoBrain ou encore Wizata proposent des solutions qui mettent le machine learning à la portée des ingénieurs, sans nécessiter le recours à un datascientist. Cependant, la mise en œuvre de ces solutions se heurte toujours à un obstacle de taille : la donnée. Mathieu Cura, le cofondateur d’Optimistik, souligne que l’industrie croule sous les données non exploitées. «  Beaucoup d’entre elles sont éparpillées dans les systèmes d’information, qu’il s’agisse des systèmes de contrôle-commande, de gestion des procédés industriels, de supervision, des systèmes qui récupèrent des données d’automatismes et de capteurs mais aussi des progiciels où l’on trouve l’ordonnancement ou les recettes. » Il faut encore ajouter les logiciels des laboratoires de contrôle qualité, où sont stockés les résultats d’analyse, des données extrêmement précieuses pour les algorithmes, de même que tous les contrôles réalisés par les opérateurs dans l’atelier et bien souvent consignés sur des fiches papier ou des feuilles Excel.

Cette phase de collecte, de structuration et d’agrégation des données représente le plus gros travail de ce type de projet et conditionne largement sa réussite. «  Nous passons un temps fou à collecter et à extraire de la donnée, s’amuse Georges-Eric Moufle, industrial innovation senior manager chez Airbus Helicopters. Notre projet devait prendre six mois, il a duré un an. Et j’ai utilisé la solution d’IA MondoBrain pendant une heure pour aboutir au résultat escompté… »

Autre point délicat, l’explicabilité. En marketing, une approche de type « boîte noire » est acceptable, car il est possible de démontrer l’efficacité d’un algorithme par un simple test A/B (une comparaison entre deux groupes de clients). Dans le secteur industriel en revanche, il serait impensable d’imposer les préconisations d’un modèle de machine learning aux ingénieurs procédés sans pouvoir expliquer par exemple pourquoi l’algorithme suggère telle température pour un bain d’acide ou telle vitesse de rotation pour un tour. Le logiciel doit pouvoir justifier le fait de jouer sur tel ou tel critère et démontrer les gains ou les pertes associés à ces décisions. (…) Une autre caractéristique clé de ces solutions d’IA réside dans leurs capacités collaboratives. Les propositions émises par le modèle de machine learning doivent pouvoir être diffusées et expliquées aux ingénieurs qui vont devoir les mettre à exécution. C’est, pour certains, une condition sine qua non à l’acceptation de l’outil par les équipes de production. (…)

Le point fort de tous ces modèles émergents d’IA tient dans leur capacité à s’appliquer à des secteurs d’activité et à des procédés très diversifiés, qu’il s’agisse de processus continus, semi-continus, discrets ou avec des traitements par lots. Du géant des cosmétiques jusqu’à la forge la plus traditionnelle, l’IA peut désormais s’infiltrer chez tous les industriels en quête de compétitivité !

Article à lire dans Industrie et Technologies, 03/2019.