Surmonter les goulots d'étranglement :la puissance de l'analyse dans le secteur manufacturier

Ruban Phukan, cofondateur et chef des produits et de l'analyse Officier chez Progress DataRPM, discute de la bataille séculaire contre les goulots d'étranglement et du rôle des prédateurs...

Ruban Phukan, cofondateur et directeur des produits et de l'analyse chez Progress DataRPM, évoque la bataille séculaire contre les goulots d'étranglement et le rôle de l'analyse prédictive dans la fabrication.

Les problèmes entourant les goulots d'étranglement dans la fabrication sont bien documentés. Qu'il s'agisse de retards de production, de stocks excédentaires, d'une pression accrue des clients et au-delà, les problèmes causés par une limitation soudaine et imprévue de la capacité peuvent être dévastateurs pour toute entreprise du secteur. Dans cet esprit, Manufacturing Global s'entretient avec Ruban Phukan, ancien scientifique des données de Yahoo et chef de file de Progress DataRPM, sur l'utilisation de modèles de maintenance prédictive et sur la manière dont ils peuvent aider à établir un environnement à l'épreuve des pannes.

Aller au cœur du problème

En tant qu'ancien membre de l'équipe d'analyse de données de Yahoo, Phukan connaît bien les complications entourant l'utilisation des mégadonnées. "J'ai fait partie de la première équipe de science des données qui a été créée chez Yahoo il y a de nombreuses années", dit-il. "Le grand apprentissage était que la science des données est très difficile à mettre à l'échelle, manuellement, pour les grandes organisations. Ce que nous avons réalisé, c'est que la seule façon de vraiment résoudre le problème de la science des données, d'une manière qui puisse ajouter de la valeur à une entreprise, est d'automatiser les processus qui sous-tendent cette analyse de données."

Après Yahoo, Phukan a lancé sa propre entreprise de moteurs de recherche verticaux, utilisant l'apprentissage automatique pour comprendre le comportement des utilisateurs, en particulier dans l'analyse prédictive. Après l'avoir vendu, il s'est lancé en affaires avec ses co-fondateurs actuels, où il reprend l'histoire de ProgressDataRPM et comment il fait des progrès pour, entre autres choses, s'attaquer aux goulots d'étranglement.

"Lorsque nous nous sommes réunis pour la première fois, nous avons réalisé qu'une énorme quantité de données numériques était générée, mais le problème est resté le même :il ne peut pas être résolu manuellement. Il n'y a tout simplement pas assez de data scientists. Même avec l'énorme quantité de données disponibles, le type de valeur que les entreprises en tiraient ne justifie pas le retour sur investissement », déclare-t-il.

"Nous avons donc commencé à nous dire :"Pouvons-nous créer une plate-forme qui rend les processus de science des données transparents et automatisés ?" Nous voulions que les entreprises puissent tirer parti des meilleures pratiques, les appliquer à leurs problèmes et les résoudre à grande échelle."

Progrès de l'apprentissage automatique

Grâce aux progrès de la capacité technologique de l'apprentissage automatique, Phukan et ses cofondateurs ont pu traiter le volume considérable de données et d'informations disponibles pour leurs clients d'une manière qui n'était pas possible auparavant. Surtout, pour les entreprises manufacturières, cela signifiait qu'elles pouvaient également avoir un impact positif sur des éléments tels que la chaîne de production.

« Par exemple, l'activation d'éléments tels que les capteurs nous aide à comprendre à un niveau très détaillé le fonctionnement normal d'une machine dans différentes conditions de fonctionnement et environnementales. Nous pouvons ensuite évaluer comment cela affecte la santé d'une machine et, par conséquent, ce que cela fait à la chaîne de production, en termes d'efficacité », nous dit-il.

En déployant une ferme d'usine automatisée qui ne nécessite pas que quelqu'un soit un expert en science des données, ProgressDataRPM aide essentiellement les grandes industries basées sur les actifs à résoudre deux problèmes :comment minimiser les temps d'arrêt imprévus et comment maximiser la qualité et l'efficacité de la sortie de leur des atouts. Tout cela se fait via son logiciel de prédiction des anomalies cognitives. Dès qu'il est connecté à des données basées sur des capteurs, il définit automatiquement les conditions de fonctionnement normales de la machine. Il recherche ensuite les éléments qui s'écartent de ces conditions et crée une alerte avant de prédire les problèmes potentiels qui pourraient survenir.

C'est cette capacité à prédire l'inconnu qui, selon Phukan, représente une rupture majeure par rapport aux processus traditionnels précédents. "Nous devons être en mesure d'examiner pourquoi des choses se sont produites dans le passé, mais, plus important encore, nous devons également prévoir des choses qui ne se sont pas produites", explique-t-il.

Impact sur la chaîne de montage

L'un des domaines clés que les entreprises manufacturières doivent examiner sont les processus qui ont un impact sur ce qui se passe sur la chaîne de production, en particulier le moment du contrôle qualité. "Nous avons travaillé avec un certain nombre de fabricants dans les secteurs de l'automobile et de la santé, par exemple, et l'un des plus grands défis auxquels ils sont confrontés est que le contrôle de la qualité a lieu à la fin du processus de fabrication. Ainsi, une fois qu'un lot complet d'un produit est fabriqué, les tests seront exécutés pour déterminer s'il est OK. Cela peut entraîner des taux de rebut pouvant atteindre 75 %", déclare Phukan.

Comme la plupart des règles de suite de tests ne peuvent être écrites qu'en fonction de l'expérience antérieure, lorsqu'un nouveau problème survient qui n'a pas été pris en compte, cela peut entraîner de graves problèmes tels que des rappels de produits. L'utilisation de plateformes d'analyse prédictive deviendra donc, selon Phukan, la norme. En effet, c'est quelque chose qu'il identifie déjà de plus en plus dans la fabrication.

"Lorsque les fabricants nous parlent, ils nous demandent s'ils peuvent utiliser l'apprentissage automatique pour déterminer, en cours de route, si un lot est défectueux. Ils savent que nous pouvons détecter les choses beaucoup plus tôt, ils peuvent donc arrêter le processus pour minimiser les coûts et les pertes."

A-t-il des exemples précis de cela en action? "Nous travaillons avec un grand fournisseur de télécommunications en France et ils ont eu un vrai défi avec leur décodeur, ce qui n'est pas quelque chose que vous supposeriez nécessitant une maintenance prédictive lourde. Le problème qu'ils avaient était que chaque fois que l'un d'entre eux échouait, ils devaient identifier le problème et le remplacer. Évidemment, cela coûte cher en temps et en argent. Il y a aussi un risque énorme de perdre des clients », dit-il.

"Nous avons identifié de manière proactive qu'un tiers de leurs boîtiers avaient un problème, ce qui signifiait que le service client pouvait appeler et dire aux gens de mettre à jour leur boîtier ou d'envoyer un remplacement avant qu'une panne ne se produise."

L'avenir de l'analyse des goulots d'étranglement

Les fabricants sont clairement de plus en plus conscients des avantages de la technologie cognitive axée sur la machine, qui leur permet d'identifier les anomalies et éventuellement de faire appel à un expert en la matière pour aider à déterminer les ramifications des découvertes de la machine.

En effet, Phukan explique comment AR, IoT, garanties, cloud computing hybride et blockchain joueront tous de plus en plus leur rôle, cependant, il détecte l'inconnu qui, selon lui, sera la clé. « La clé n'est pas ce qui est déjà connu; les experts du domaine peuvent faire un excellent travail pour gérer cela, mais le grand défi est l'inconnu et ce qui va frapper les entreprises ensuite. C'est ce que nous devons empêcher et c'est au cœur de ce qui va changer le jeu de la fabrication », conclut Phukan.