{"id":71795,"date":"2022-05-26T10:55:19","date_gmt":"2022-05-26T14:55:19","guid":{"rendered":"https:\/\/mayahtt.com\/?p=71795"},"modified":"2022-05-26T10:55:19","modified_gmt":"2022-05-26T14:55:19","slug":"services-danalyse-de-donnees-et-dintelligence-artificielle-pour-lindustrie-manufacturiere","status":"publish","type":"post","link":"https:\/\/www.mayahtt.com\/fr\/blog\/services-danalyse-de-donnees-et-dintelligence-artificielle-pour-lindustrie-manufacturiere\/","title":{"rendered":"Services d\u2019analyse de donn\u00e9es et d\u2019intelligence artificielle pour l\u2019industrie manufacturi\u00e8re"},"content":{"rendered":"

De nombreuses entreprises sont devenues \u00abriches en donn\u00e9es\u00bb au fil du temps, mais demeurent \u00abpauvres en connaissances\u00bb, car une grande partie des donn\u00e9es qu\u2019elles collectent ne sont pas utilis\u00e9es ni g\u00e9r\u00e9es. Comment les fabricants peuvent-ils mener \u00e0 bien leurs projets d\u2019IA avec efficacit\u00e9? Dans le pr\u00e9sent article de blogue, on aborde certains concepts cl\u00e9s de l\u2019IA industrielle en ce qui concerne l\u2019ing\u00e9nierie et la fabrication.<\/p>\n

Probl\u00e8mes courants li\u00e9s aux donn\u00e9es de fabrication<\/h2>\n

La conception d\u2019un pipeline de donn\u00e9es est primordiale. Tr\u00e8s souvent, il faut combiner des donn\u00e9es de sources multiples (p. ex., donn\u00e9es de t\u00e9l\u00e9m\u00e9trie, registres de planification des ressources de l\u2019entreprise et enregistrements vid\u00e9o) et enregistr\u00e9es \u00e0 des fr\u00e9quences diff\u00e9rentes (p.ex., millisecondes, secondes, heures, jours). En r\u00e8gle g\u00e9n\u00e9rale, les donn\u00e9es industrielles ne sont jamais propres. Pour compliquer davantage les choses, les causes profondes de l\u2019imperfection des donn\u00e9es sont difficiles \u00e0 distinguer. Il peut s\u2019agir de la d\u00e9rive ou du dysfonctionnement de l\u2019un des nombreux capteurs utilis\u00e9s. Elles peuvent aussi \u00eatre li\u00e9es \u00e0 une d\u00e9rive du processus ou \u00e0 des changements de mati\u00e8res premi\u00e8res, ce qui rend les pipelines de donn\u00e9es et les mesures de protection connexes vraiment essentiels. Pour tirer profit des avantages de AI Ops et MLOps dont tout le monde parle (ou r\u00eave, dans bien des cas), vous devez vous familiariser avec le terme \u00abconsignataire de donn\u00e9es\u00bb.<\/p>\n

La solution est simple: supposez que vos donn\u00e9es sont sales jusqu\u2019\u00e0 ce qu\u2019il soit prouv\u00e9 qu\u2019elles sont propres. Commencez par concevoir des pipelines de donn\u00e9es comprenant les mesures de protection appropri\u00e9es et par d\u00e9signerun consignataire de donn\u00e9es pour que les donn\u00e9es produites restent propres et puissent \u00eatre utilis\u00e9es en aval. Tant que cela n\u2019aura pas \u00e9t\u00e9 fait, vous ne pourrez pas fournir des mod\u00e8les d\u2019IA qui donnent constamment des r\u00e9sultats de qualit\u00e9 qui s\u2019approchent des indices de performance recherch\u00e9s par vos experts en science des donn\u00e9es.<\/p>\n

Mod\u00e8les d\u2019intelligence artificielle et difficult\u00e9s li\u00e9es \u00e0 la fabrication en discontinu<\/h2>\n

La conception de mod\u00e8les d\u2019IA qui fournissent constamment de bonnes pr\u00e9dictions est difficile, surtout dans le domaine de la fabrication en discontinu. Vous devez d\u2019abord \u00e9tablir une tra\u00e7abilit\u00e9 automatis\u00e9e des donn\u00e9es de fabrication, et ce, \u00e0 chaque \u00e9tape du processus de fabrication. Si l\u2019ordre de traitement est involontairement modifi\u00e9 parun technicien ou un \u00e9l\u00e9ment robotique, les mod\u00e8les d\u2019IA ne peuvent pas faire de d\u00e9ductions ou de pr\u00e9dictions fiables si les donn\u00e9es ne sont pas \u00e9galement r\u00e9organis\u00e9es.<\/p>\n

La conception de mod\u00e8les d\u2019IA est un peu plus facile dans le domaine de la fabrication en continu, mais n\u00e9cessite toujours une transformation. Les mod\u00e8les peuvent aussi changer dynamiquement au fil du temps (p.ex., lorsque la vitesse du processus n\u2019est pas constante en raison de courroies transporteuses ou de fours dont les temps d\u2019exposition varient). Vous pouvez g\u00e9n\u00e9ralement effectuer une analyse automatis\u00e9e du d\u00e9calage des donn\u00e9es pour obtenir des entr\u00e9es exactes dont l\u2019horodatage diff\u00e8re en fonction de l\u2019emplacement du capteur dans la cha\u00eene de fabrication en continu. M\u00eame si cela peut \u00eatre fait un peu plus facilement que dans le cas de la fabrication en discontinu, ce n\u2019est pas aussi trivial que d\u2019autres applications d\u2019IA.<\/p>\n

Approche \u00ab Industrie 4.0 \u00bb<\/h2>\n

La fabrication guid\u00e9e par les donn\u00e9es peut et doit s\u2019\u00e9tendre au-del\u00e0 des \u00e9quipes internes. Malgr\u00e9 les incitatifs financiers contradictoires qui peuvent emp\u00eacher le partage complet des donn\u00e9es, votre r\u00e9ussite en mati\u00e8re d\u2019IA peut d\u00e9pendre de certaines donn\u00e9es, comme les donn\u00e9es sur les propri\u00e9t\u00e9s des mati\u00e8res premi\u00e8res qui vous sont envoy\u00e9es par vos principaux fournisseurs. Une solide compr\u00e9hension de cette r\u00e9alit\u00e9 vous permet de vous concentrer sur l\u2019exploration des avantages mutuels du partage des donn\u00e9es et de la coop\u00e9ration. Les discussions sur le partage des donn\u00e9es sont de plus en plus ouvertes lorsque les avantages commerciaux mutuels sont clairs et bien fond\u00e9s.<\/p>\n

Port\u00e9e \u00e9tendue des donn\u00e9es<\/h2>\n

Un autre aspect du partage des donn\u00e9es est l\u2019acquisition de donn\u00e9es sur les produits apr\u00e8s leur exp\u00e9dition. Les \u00e9quipes d\u2019ing\u00e9nieurs ont tout int\u00e9r\u00eat \u00e0 ce que les syst\u00e8mes qu\u2019ils ont con\u00e7us produisent plus de donn\u00e9es pouvant r\u00e9ellement \u00eatre utilis\u00e9es, car ces donn\u00e9es les aideront \u00e0 concevoir les syst\u00e8mes de la prochaine g\u00e9n\u00e9ration. En raison de cette \u00e9volution perturbatrice de la fabrication, les \u00e9quipes de conception doivent porter leur attention sur les donn\u00e9es concernant l\u2019avenir des produits (lorsqu\u2019ils seront utilis\u00e9s 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\u2019\u00e9quipement en tant que service, avec des accords de niveau de service sur le rendement de ces actifs. Cette approche change la fa\u00e7on dont les clients per\u00e7oivent le produit et offre une nouvelle perspective aux ing\u00e9nieurs et fabricants, dont le r\u00f4le en mati\u00e8re de rendement du produit ne s\u2019arr\u00eate plus \u00e0 la livraison.<\/p>\n

Mise en \u0153uvre de l\u2019intelligence artificielle: causes des \u00e9checs et solutions<\/h2>\n

Les \u00e9checs de mise en \u0153uvre de l\u2019IA s\u2019expliquent g\u00e9n\u00e9ralement par troisraisons:<\/p>\n