De nombreuses entreprises sont devenues «riches en données» au fil du temps, mais demeurent «pauvres en connaissances», car une grande partie des données qu’elles collectent ne sont pas utilisées ni gérées. Comment les fabricants peuvent-ils mener à bien leurs projets d’IA avec efficacité? Dans le présent article de blogue, on aborde certains concepts clés de l’IA industrielle en ce qui concerne l’ingénierie et la fabrication.
Problèmes courants liés aux données de fabrication
La conception d’un pipeline de données est primordiale. Très souvent, il faut combiner des données de sources multiples (p. ex., données de télémétrie, registres de planification des ressources de l’entreprise et enregistrements vidéo) et enregistrées à des fréquences différentes (p.ex., millisecondes, secondes, heures, jours). En règle générale, les données industrielles ne sont jamais propres. Pour compliquer davantage les choses, les causes profondes de l’imperfection des données sont difficiles à distinguer. Il peut s’agir de la dérive ou du dysfonctionnement de l’un des nombreux capteurs utilisés. Elles peuvent aussi être liées à une dérive du processus ou à des changements de matières premières, ce qui rend les pipelines de données et les mesures de protection connexes vraiment essentiels. Pour tirer profit des avantages de AI Ops et MLOps dont tout le monde parle (ou rêve, dans bien des cas), vous devez vous familiariser avec le terme «consignataire de données».
La solution est simple: supposez que vos données sont sales jusqu’à ce qu’il soit prouvé qu’elles sont propres. Commencez par concevoir des pipelines de données comprenant les mesures de protection appropriées et par désignerun consignataire de données pour que les données produites restent propres et puissent être utilisées en aval. Tant que cela n’aura pas été fait, vous ne pourrez pas fournir des modèles d’IA qui donnent constamment des résultats de qualité qui s’approchent des indices de performance recherchés par vos experts en science des données.
Modèles d’intelligence artificielle et difficultés liées à la fabrication en discontinu
La conception de modèles d’IA qui fournissent constamment de bonnes prédictions est difficile, surtout dans le domaine de la fabrication en discontinu. Vous devez d’abord établir une traçabilité automatisée des données de fabrication, et ce, à chaque étape du processus de fabrication. Si l’ordre de traitement est involontairement modifié parun technicien ou un élément robotique, les modèles d’IA ne peuvent pas faire de déductions ou de prédictions fiables si les données ne sont pas également réorganisées.
La conception de modèles d’IA est un peu plus facile dans le domaine de la fabrication en continu, mais nécessite toujours une transformation. Les modèles peuvent aussi changer dynamiquement au fil du temps (p.ex., lorsque la vitesse du processus n’est pas constante en raison de courroies transporteuses ou de fours dont les temps d’exposition varient). Vous pouvez généralement effectuer une analyse automatisée du décalage des données pour obtenir des entrées exactes dont l’horodatage diffère en fonction de l’emplacement du capteur dans la chaîne de fabrication en continu. Même si cela peut être fait un peu plus facilement que dans le cas de la fabrication en discontinu, ce n’est pas aussi trivial que d’autres applications d’IA.
Approche « Industrie 4.0 »
La fabrication guidée par les données peut et doit s’étendre au-delà des équipes internes. Malgré les incitatifs financiers contradictoires qui peuvent empêcher le partage complet des données, votre réussite en matière d’IA peut dépendre de certaines données, comme les données sur les propriétés des matières premières qui vous sont envoyées par vos principaux fournisseurs. Une solide compréhension de cette réalité vous permet de vous concentrer sur l’exploration des avantages mutuels du partage des données et de la coopération. Les discussions sur le partage des données sont de plus en plus ouvertes lorsque les avantages commerciaux mutuels sont clairs et bien fondés.
Portée étendue des données
Un autre aspect du partage des données est l’acquisition de données sur les produits après leur expédition. Les équipes d’ingénieurs ont tout intérêt à ce que les systèmes qu’ils ont conçus produisent plus de données pouvant réellement être utilisées, car ces données les aideront à concevoir les systèmes de la prochaine génération. En raison de cette évolution perturbatrice de la fabrication, les équipes de conception doivent porter leur attention sur les données concernant l’avenir des produits (lorsqu’ils seront utilisés par les acheteurs). Par exemple, de nombreux fabricants de machines lourdes, dont John Deere et Caterpillar, ne vendent plus simplement des tracteurs. Ils fournissent de l’équipement en tant que service, avec des accords de niveau de service sur le rendement de ces actifs. Cette approche change la façon dont les clients perçoivent le produit et offre une nouvelle perspective aux ingénieurs et fabricants, dont le rôle en matière de rendement du produit ne s’arrête plus à la livraison.
Mise en œuvre de l’intelligence artificielle: causes des échecs et solutions
Les échecs de mise en œuvre de l’IA s’expliquent généralement par troisraisons:
- Les pipelines de données ne sont pas assortis de mesures appropriées de protection des données d’entrée (p.ex., contre les données sales ou dérivantes, les mauvaises unités d’ingénierie, ou le nettoyage, le réétalonnage ou le remplacement des capteurs).
- Les paramètres techniques avec lesquels les algorithmes d’IA ont été formés ne sont pas adéquatement liés aux résultats commerciaux recherchés.
- Le résultat de la prédiction de l’IA n’est pas communiqué correctement à la personne ou au système dans la boucle et est mal interprété.
Les solutions sont simples, mais nécessitent un effort concerté en faveur de la transformation numérique:
- Prenez le temps de bien concevoir vos pipelines de données et nommez un consignataire de données qui en assurera la maintenance et la mise à jour.
- Définissez vos paramètres commerciaux dès le départ, en vous assurant d’établir une relation de cause à effet avec les paramètres techniques, ou au moins de bien comprendre la raison pour laquelle les paramètres techniques de l’IA sont différents des paramètres commerciaux et seulement indirectement liés à ceux-ci.
- Indiquez la valeur de prédiction ou de contrôle du projet aussitôt que possible aux parties prenantes et destinataires afin de garantir que l’utilisation et la distribution des données d’IA sont adaptées au bon format et à la bonne fréquence.
Potentiel de l’intelligence artificielle en matière d’ingénierie
L’apprentissage par renforcement à partir de modèles d’ingénierie de simulation au niveau du système pour les opérations en aval est très prometteur. On s’attend à ce que ce sujet demeure d’actualité à la lumière de la tendance actuelle à la mise en oeuvre d’IA et d’apprentissage automatique (MLOps) infonuagiques et à la vision industrielle basée sur l’IA.
Êtes-vous prêtà vous tourner vers l’avenir grâce à une IA industrielle mise en oeuvre avec succès? Communiquez avec un expert de MayaHTT dès aujourd’hui.