machine-learning-process-engineer

Comment tirer parti de l’IA pendant la pandémie de COVID-19 ?

Mars 2020 a marqué le début d’une situation totalement inédite.

Cette période peut être divisée en trois phases. Tout d’abord, un arrêt soudain de l’économie et donc un arrêt d’une grande partie de la fabrication (à l’exception des besoins essentiels comme l’énergie ou l’agroalimentaire). Cela a été suivi d’une phase de reprise de production minimale. On estime que l’industrie française a chuté à moins de 50 % de ce que l’on appelle la « production normale » en avril et mai 2020. Enfin, nous avons assisté à une reprise et un retour à des niveaux de production stables. Cependant,on estime que ces volumes sont 10 % inférieurs, en moyenne, que les volumes normaux historiques. 

Comme la plupart des aspects notre vie quotidienne, l’avenir à court terme reste très incertain. La normalité reste perturbée par les restrictions du couvre-feu, ou même par les mesures de confinement, en France, en Espagne, en Italie et dans de nombreux autres pays. Les États-Unis ont connu trois pics significatifs de cas de COVID-19 alors que les États s’efforçaient d’établir des protocoles cohérents. 

Aujourd’hui, la question que je me pose est de savoir comment les nouvelles technologies numériques (en particulier l’intelligence artificielle) auraient dû ou auraient pu nous aider depuis le début de la crise de la COVID-19 ?

Comment l’IA pourrait aider les fabricants pendant la pandémie de COVID-19

Pour répondre à cette question, définissons tout d’abord ces technologies. Il est important de comprendre comment nous définissons l’intelligence artificielle (IA) et comment elle s’applique à l’industrie. Selon Luc Julia, l’IA n’existe pas. À ce jour, aucun système informatique n’est capable d’intelligence cognitive identique à celle des êtres humains et il est peu probable que les ordinateurs atteignent ce niveau d’intelligence cognitive dans les ordinateurs avant très longtemps.

Au lieu de cela, nous utilisons l’IA comme terme générique pour toutes les applications informatiques qui utilisent des systèmes de Machine Learning pour remplacer ou augmenter les tâches humaines. Julia préfère la notion d’intelligence augmentée. Étant donné que différents programmes sont conçus pour remplacer différents types de tâches humaines, il existe en fait plusieurs familles d’IA, chacune d’entre elle utilise des technologies spécifiques pour fonctionner correctement. 

Types d’IA pour la fabrication

Cognilytica a identifié sept modèles d’IA. Voici trois exemples pertinents utilisés dans la fabrication :

  1. Les systèmes autonomes, capables de s’adapter par l’apprentissage et l’évolution des situations, visent à réduire les efforts humains.
    • Dans l’industrie, les systèmes autonomes comprennent : L’analyse prédictive, qui aide les équipes, dans leur prise de décision, à planifier la configuration de la maintenance et/ou de la production.
  2. La reconnaissance visuelle, qui se compose de modèles de produits pour le tri et la classification des anomalies (cette application de l’IA est souvent celle présentée dans les médias par la reconnaissance faciale en particulier, d’où la confusion lors de la présentation d’autres types d’applications de l’IA).
    • interagissant avec les humains, tout comme les assistants vocaux qui peuvent aider à la formation ou à l’exécution
    • les systèmes de recommandation, d’accès aux objectifs, qui trouvent la meilleure solution à un problème
    • la détection des modèles et des anomalies, qui permet d’identifier les bonnes et les mauvaises pratiques, en utilisant par exemple des données textuelles ou vocales
  3. L’hyper-personnalisation traite chaque individu comme un être unique, ce qui permet, par exemple, de produire un produit particulier pour un client spécifique.
    • Par exemple, une chaussure de sport fabriquée individuellement à la demande ou des choix de conception spécifiques du client fabriqués au moment de la commande

Utilisateurs de l’IA et du Machine Learning dans la fabrication

Pour devenir une technologie efficace pour les fabricants, l’IA et le Machine Learning nécessitent des données et des utilisateurs. Les données sont mises à la disposition de l’IA grâce à la nouvelle infrastructure essentielle : la plateforme IoT industrielle, qui permet la collecte, la centralisation, la protection, la préparation et l’accès aux données à tous les utilisateurs, via des connecteurs à d’autres systèmes ou plus simplement des applications avec IA intégrée. 

Il existe même de nouvelles carrières spécialisées dans l’IA qui deviendront progressivement des compétences acquises pour les équipes de production.

La nouvelle mission des scientifiques des données est de créer des outils adaptés à des cas d’utilisation particuliers en concevant des programmes informatiques à l’aide d’algorithmes d’IA.

À ne pas confondre avec un analyste de données chargé d’utiliser les applications existantes pour tirer parti de l’IA. Ou avec l’architecte de données dont la mission est de préparer des données pour l’IA à partir de collectes brutes sur des machines ou des systèmes informatiques. 

Avant tout, l’IA est devenue de plus en plus accessible grâce à l’arrivée d’applications avec IA intégrée qui permettent à tout le monde d’en bénéficier sans avoir à développer et coder, nettoyer et préparer des données (automatisation des informations dans le lac de données de la plateforme IIoT), ni devenir un statisticien expert. Les ingénieurs deviendront des analystes naturels (scientifiques des données citoyens), renforcés par des applications assistantes, tout comme dans notre vie nous sommes assistés par les applications de nos smartphones (applications génériques faciles à utiliser, comme les applications de smartphone telles que Maps ou Waze, mais qui utilisent beaucoup de technologies telles que le GPS, l’IoT, les mégadonnées et l’IA).

La valeur de l’IA

L’impact de l’IA et son déploiement progressif dans les usines permettront d’augmenter la productivité en résolvant des problèmes complexes, en aidant les équipes ou en automatisant les tâches. Mais une autre caractéristique fondamentale de cette technologie est la virtualisation et, par conséquent, son accessibilité instantanée et permanente sur les plateformes IoT qui fonctionnent comme des réseaux collaboratifs. 

La crise aiguë de la COVID-19 a révélé la nécessité d’adopter ces solutions. Nous avons interrogé les industriels sur les plus grands défis organisationnels pendant la crise de la COVID-19 et la majorité a répondu avoir réagi en gelant les budgets. Puisque les industriels sont censés faire plus avec moins, l’accès à des rapports automatisés et à des informations exploitables devient de plus en plus essentiel. Les plateformes IIoT de RSI alimentées par l’IA peuvent souvent rapidement générer un retour sur investissement qui surpasse le coût.

Braincube est un outil qui tient ses promesses parce qu’il fournit davantage qu’il ne coûte.

— Laurent Sellier, COO de SmurFIT Kappa Europe Paper & Board

Alors que les cols bleux sont revenus dans les usines, les cols blancs, pour leur part, sont plus souvent restés en télétravail. Et lorsque les équipes de production étaient déjà équipées de systèmes d’IA, les usines ont pu en bénéficier indépendamment (contrôle des processus, maintenance ou qualité prédictive, optimisation logistique)  le personnel d’assistance technique ou le personnel de projet a pu continuer à proposer des actions d’amélioration continue et de résolution des problèmes grâce à l’utilisation de leurs données disponibles. 

Bien entendu, la surveillance quotidienne de la production a été facilitée grâce à l’automatisation des rapports et les réunions virtuelles basées sur des tableaux de bord connectés. Non seulement, les usines qui s’étaient déjà lancées dans une transformation numérique par l’intégration d’applications avec IA incorporée ont pu continuer à fonctionner et à progresser, mais elles ont également découvert de nouvelles pratiques et changé la façon dont elles fonctionnent collectivement. 

Chez Braincube, nous avons pu mesurer ce phénomène selon deux critères objectifs : une augmentation de plus de 80 % de l’utilisation de nos outils depuis mai 2020 et des demandes de déploiement plus rapide de la part des clients pendant le processus d’intégration.

En résumé

Pour conclure, cette crise de la COVID-19 agit comme un grand révélateur pour notre société. Nous découvrons, entre autres, des villes moins polluées, l’importance économique des infrastructures de réseau (Internet et mobile), la fragilité de certains secteurs et la grande résilience d’autres, l’état réel de notre système de santé, l’irrationalité de la prise de décision politique (qui devrait utiliser des données autres que des sondages !) et enfin la nécessité de se transformer pour se renforcer. 

Les technologies virtuelles sont accessibles avec des niveaux d’investissement nettement inférieures aux technologies matérielles. Et, puisque c’est en période de crise que nous nous transformons le plus, poussés par la pression de la situation, il devient essentiel d’élaborer une nouvelle vision et une feuille de route qui permettront le déploiement de nouvelles utilisations à forte valeur ajoutée, le plus rapidement possible. L’IA ne doit pas être considérée comme la solution (c’est une nouvelle technologie disponible parmi d’autres) : il faut plutôt considérer la COVID-19 comme l’occasion de poser les bonnes questions.

machine-learning-ai

Importance de la légitimation de l’IA

Les équipes de production utilisent des outils analytiques optimisés par l’IA dans une plateforme IIoT pour accéder aux données qui peuvent répondre à leurs questions ou leur formuler des recommandations au bon moment. Mais dans quelle mesure ces solutions d’IA sont-elles légitimes ? Comment les industriels peuvent-ils s’assurer que les modifications de paramètres suggérées par l’IA sont les « meilleures » ? Le p.-d.g. de Braincube, Laurent Laporte, évoque l’importance de la légitimation de l’IA dans l’industrie.

ai-vs-machine-learning-vs-data-science

L’IA par rapport au Machine Learning et la science des données

La popularité de l’intelligence artificielle (IA), de l’apprentissage automatique et de la science des données s’est développée dans la fabrication à partir de la poursuite de l’usine connectée et de l’industrie 4.0. Mais cette croissance rapide est également venue de la confusion. Comprenez les principales différences, leur intersection et les cas d’utilisation de chacune.

4 façons d’utiliser le Machine Learning

Continuer à trouver de nouveaux moyens d’améliorer les opérations nécessite une créativité, une capacité et un accès accrus aux données essentielles. Les industriels utilisent le Machine Learning pour identifier les opportunités d’amélioration du KPIs à n’importe quelle phase du processus de fabrication. Apprenez à utiliser le Machine Learning pour relever certains des plus grands défis auxquels les industriels sont confrontés.

Transformez vos données.
Accélérez vos performances.

Parler avec un expert