L’IA dans la fabrication : pourquoi la qualité des données est déterminante pour le succès de l’intelligence artificielle

L’intelligence artificielle (IA) est désormais considérée comme une technologie clé de l’industrie 4.0.

Mais la pratique montre que seules des données propres et sémantiquement cohérentes permettent aux applications d’IA de générer une réelle valeur ajoutée dans les usines.

Lors d’une conférence à l’Industry Forward Expo, le Dr Ulrich Ochs, directeur général de FORCAM ENISCO, a expliqué pourquoi la qualité des données est la condition sine qua non pour une utilisation réussie des applications IA et comment les entreprises peuvent maîtriser la complexité des processus de production. Vous pouvez visionner la conférence ici. Principaux résultats et recommandations :

Intelligence artificielle : plus les processus et les systèmes sont complexes, plus la qualité des données est importante

L’intelligence artificielle est utilisée depuis longtemps dans de nombreux domaines, des applications d’IA basées sur la langue telles que ChatGPT, Perplexity ou Mistral aux systèmes d’assistance dans le fonctionnement des machines, en passant par les procédés d’imagerie.

Mais dans la production, les règles sont différentes de celles qui s’appliquent aux services Internet classiques.

Le Dr Ochs le décrit avec justesse :
« L’IA n’est pas la panacée qui peut résoudre tous nos problèmes à elle seule. »
Aujourd’hui, des modèles d’IA plus simples peuvent facilement stabiliser des états physiques ou reconnaître des modèles dans des données. Mais dès que des installations de production, des machines, des capteurs, des structures IoT et des usines entières entrent en jeu, la complexité augmente considérablement.

Plus les modèles de données, les processus et les systèmes sont complexes, plus il est difficile pour une IA de fournir des résultats cohérents, en particulier en temps réel.

Outils et applications d’IA en action : ce qui compte vraiment

Comment les entreprises qui souhaitent utiliser des applications basées sur l’IA dans leurs processus de production peuvent-elles procéder ?

Le Dr Ochs souligne que les équipes de production doivent d’abord définir le résultat souhaité :
« Il faut partir de l’objectif : que veux-je atteindre avec l’IA ? Ensuite, on peut réfléchir à rebours aux données nécessaires pour y parvenir. »

Les technologies d’IA ne peuvent traiter de manière ciblée et « intelligente » que les données disponibles dans leurs données d’entrée. La gestion systématique des données permet de mettre en place des solutions d’IA évolutives dans le cadre d’une exploitation industrielle.

Détection des anomalies dans la production : un cas d’utilisation fréquemment demandé

L’un des cas d’utilisation industriels les plus courants est la détection d’anomalies.

Un capteur fournit des valeurs mesurées issues du processus. Mais lors du passage par les réseaux, les protocoles, les étapes de transformation et les systèmes informatiques, des latences, c’est-à-dire des distorsions temporelles, apparaissent. Cela modifie le signal initialement propre.

Le Dr Ochs explique pourquoi cela est critique :
« L’IA a du mal à distinguer ce qui est dû à des latences en cas de distorsions du signal et ce qui est une véritable erreur dans le signal. »

La solution : une acquisition du signal aussi proche que possible de la machine.

Dialogues vocaux assistés par l’IA : un chat de production comme nouveau domaine d’application

Un autre exemple est le chat de production assisté par IA, un modèle linguistique qui fonctionne comme ChatGPT, mais qui accède spécifiquement aux données de production.

L’avantage :

• les employés peuvent poser des questions oralement grâce à la reconnaissance vocale
• Les systèmes d’IA y répondent en temps réel
• Des diagrammes, des tendances ou des informations sur l’état sont générés automatiquement

Les pannes et les dysfonctionnements peuvent être analysés plus rapidement
Mais ici aussi, sans données cohérentes, il n’y a pas de réponses fiables.

Une IA vraiment intelligente a besoin de sémantique : des modèles de données uniformes sont essentiels

Si une machine classe les pièces conformes comme « rendement », mais qu’une autre utilise le terme « pièce conforme », une IA ne relie pas automatiquement les deux termes différents à une valeur.

Si ces classifications ne sont pas clairement définies, cela empêche l’optimisation des processus de production, complique l’analyse et bloque l’utilisation des technologies d’IA sur plusieurs systèmes.

Ce n’est que lorsque toutes les machines et tous les systèmes informatiques utilisent la même sémantique que les systèmes d’IA peuvent déployer leur plein potentiel.

Deep learning, IoT et cloud – mais avec une structure, s’il vous plaît

Les entreprises industrielles modernes s’appuient sur les services cloud, les plateformes IoT et les algorithmes de deep learning. Mais sans modèles de données uniformes, la valeur ajoutée est perdue.

Le Dr Ochs résume la situation en ces termes :
« Il est important de rendre les données intelligentes : leur attribuer une signification le plus tôt possible et les distribuer à tous les systèmes informatiques en tant que source unique de vérité. »

L’intelligence artificielle devient ainsi une partie intégrante de l’ensemble des processus de l’entreprise, de la production à l’assurance qualité en passant par la maintenance.

Solutions d’IA dans l’industrie : repenser les structures organisationnelles

De nombreuses entreprises se demandent si elles doivent créer un nouveau poste, par exemple celui de gestionnaire de données.

Le Dr Ochs déclare à ce sujet :
« L’introduction et l’utilisation de l’IA ne relèvent ni exclusivement de l’informatique ni exclusivement de l’OT. Les deux domaines – l’informatique et l’OT – doivent travailler en étroite collaboration. »

L’évolution vers des usines basées sur l’IA n’est donc pas seulement un défi technologique, mais aussi un défi organisationnel.

Quatre recommandations pour l’IA dans la production

• Penser à partir de la fin

• Rester agile

• Rendre les données intelligentes

• Combler les lacunes dans les données

Conclusion :

l’IA dans la production nécessite des données propres, une structure claire et une sémantique uniforme.

L’intelligence artificielle offre un énorme potentiel en termes d’amélioration de l’efficacité, d’automatisation, de qualité et d’optimisation des processus dans les entreprises industrielles. Cependant, son succès dépend essentiellement de la saisie correcte des données, de leur signification sémantique et de leur utilisabilité inter-systèmes.

Avec des données propres, une structuration aussi simple que possible, un modèle sémantique clair et une équipe interfonctionnelle adaptée à la taille de l’entreprise, l’IA peut créer une nouvelle valeur ajoutée, comme la détection d’anomalies ou les chats de fabrication intelligents. Elle a alors tout ce qu’il faut pour devenir une technologie clé dans une infrastructure de fabrication moderne.