Relever le défi de la fabrication grâce aux données et à l'IA

La fabrication devrait faire des progrès considérables grâce au Big Data et à l'IA, mais les défis complexes de l'industrie ont ralenti l'adoption...

« Dans le secteur de la fabrication, vous êtes sous pression pour améliorer continuellement la qualité tout en réduisant les coûts et en augmentant la productivité », déclare SAS, leader des logiciels et solutions d'analyse. Cela reste plus vrai que jamais à l'ère numérique, et les progrès technologiques ont conspiré pour relever le défi plus efficacement que jamais.

Même un coup d'œil rapide montre clairement que, de toutes les industries qui seront secouées par la transformation numérique, peu ont été transformées de manière plus visible et spectaculaire ces dernières années que la fabrication. Ce voyage, des chaînes de production à forte intensité de main-d'œuvre d'Henry Ford aux environnements de moins en moins humains des usines modernes, a été fortement accéléré par l'avènement du Big Data. La collecte d'informations sur les opérations de fabrication, les équipements et les machines, les modèles de vente et les fluctuations de la demande permet aux dirigeants d'élaborer des stratégies pour une efficacité, une production et une sécurité accrues. La vision de l'industrie 4.0 d'usines intelligentes qui fonctionnent avec un minimum d'intervention humaine tout en offrant une productivité, une rentabilité et une fiabilité accrues est extrêmement attrayante, mais la réalisation de cet objectif entraîne des défis tout aussi importants qui doivent être surmontés.

La vague de données

En 2018, le principal fournisseur de services de conseil et d'externalisation Capgemini a identifié la fabrication comme ayant l'un des potentiels d'amélioration opérationnelle les plus considérables grâce au Big Data, allant jusqu'à dire que son adoption est vitale pour la réussite continue de l'entreprise. "L'analyse du Big Data n'étant plus une option" agréable à avoir ", les entreprises doivent identifier les bonnes opportunités pour améliorer l'efficacité de l'usine et générer des informations", a déclaré Capgemini dans un article de blog de novembre 2018. "L'analyse des mégadonnées fournirait alors l'avantage concurrentiel dont les entreprises ont besoin pour réussir dans un environnement de plus en plus complexe."

Avec de vastes volumes de données - une masse qui augmente de façon exponentielle pour les opérations utilisant la technologie alimentée par l'Internet des objets (IoT) et les vitesses de transfert en gigabit par seconde de la 5G - s'accompagne d'une immense complexité. Non seulement les organisations doivent se concentrer sur la valeur d'un vaste ensemble de données, mais elles doivent transformer cette valeur naissante en informations exploitables avant qu'elles ne soient remplacées par des données plus récentes et plus pertinentes. Souvent, les données brutes doivent être mariées à la télémétrie d'autres systèmes pour que leur valeur soit extraite, et ce savoir-faire au niveau humain est difficile à trouver.

Le cas de l'IA

Partout dans le monde, les spécialistes des données formés sont très demandés et peu nombreux et, même avec une flotte d'analystes de données de haut niveau, la véritable valeur des données d'une organisation est bloquée par le long délai nécessaire pour entreprendre des analyses complexes, la probabilité d'erreur humaine , et la nécessité de stratégies de mise en œuvre des données mûrement réfléchies. Le besoin d'immédiateté et de précision, en particulier avec le manque généralisé de compétences en matière de données, peut être répondu par une autre technologie émergente :l'intelligence artificielle (IA).

Ses calculs et analyses algorithmiques adaptés aux besoins d'opérations spécifiques donnent des résultats à la fois plus précis et rapidement disponibles, permettant aux entreprises de transformer ces données en actions éclairées qui améliorent l'efficacité et la productivité, adaptent les opérations à la demande en temps réel et améliorent la sécurité, le déracinement les problèmes posés par le manque d'expertise tout en créant de la valeur. Il peut même détecter les problèmes avant qu'ils ne surviennent grâce à la maintenance prédictive, ce qui nécessiterait une main-d'œuvre et une allocation de temps considérables sans la promesse de précision que fournit l'IA.

"La maintenance prédictive est un domaine où l'IoT, le Big Data et l'analyse ont un impact significatif", déclare Debbie Heaton-Bowen, partenaire chez Oliver Wight EAME. "Bien qu'elle soit née dans les années 1990, l'avènement de la technologie de pointe a signifié que les capacités de maintenance prédictive ont récemment été" suralimentées ", en particulier dans le secteur manufacturier, les usines intelligentes devenant une réalité. Les temps d'arrêt imprévus et un mauvais entretien peuvent coûter des millions aux entreprises, mais les capteurs compatibles IoT peuvent détecter quand les machines ont besoin d'un contrôle, empêchant le développement d'un défaut plus grave qui entraînerait une interruption coûteuse. Non seulement la maintenance prédictive identifie les erreurs manquées par l'œil humain, mais elle prend également des décisions basées uniquement sur les données pour améliorer la durée de vie des machines, réduire les coûts de service et augmenter l'efficacité opérationnelle pour des bénéfices plus sains."

Ailleurs, la robotique est une autre tendance de l'industrie très prometteuse, et l'IA est essentielle à leur proposition de valeur lorsqu'elle est déployée dans les processus de fabrication. « Lorsqu'elles sont correctement intégrées, ces unités robotiques peuvent amplifier les compétences et les forces des personnes pour accroître l'efficacité sur le lieu de travail et améliorer l'expérience des employés », déclare Prasad Satyavolu, CDO de la fabrication et de la logistique chez le leader des services informatiques Cognizant. « Ils sont déjà déployés dans des organisations de fabrication, depuis l'insertion d'amortisseurs ou la découpe de viande sur une chaîne de montage traditionnelle, jusqu'aux drones agissant comme les yeux des agents de sécurité patrouillant dans un vaste parc à conteneurs. Ce faisant, la nouvelle race de collaborateurs autonomes libère les humains pour assumer un travail de plus grande valeur. Des chercheurs du MIT ont découvert que les équipes homme-robot travaillant pour BMW étaient environ 85 % plus productives que les humains ou les robots travaillant seuls. L'IA peut ainsi simultanément combler les lacunes en matière de compétences et maximiser le temps disponible pour que les travailleurs qualifiés se concentrent sur les tâches où ils peuvent ajouter plus de valeur.

Les défis de l'adoption de l'IA

Malgré les opportunités évidentes qu'elle présente, le cabinet de conseil en gestion McKinsey note que l'adoption de l'IA a été particulièrement lente dans l'industrie manufacturière. "Alors que les technologies d'IA ont apporté des améliorations tangibles aux chaînes d'approvisionnement et aux fonctions administratives, elles ont jusqu'à présent été peu présentes dans la production", déclare McKinsey, notant que cette adoption lente a été déclenchée en partie par une forte dépendance à l'expertise et à une main-d'œuvre compétente, ce qui est quelque peu ironique étant donné la capacité de l'IA à rediriger cette expertise vers des processus moins répétitifs. La dépendance à l'égard d'une main-d'œuvre qualifiée est en soi une cause d'accélération de l'intégration de l'IA dans l'industrie.

"Étant donné que les variations des qualifications des opérateurs peuvent affecter non seulement les performances mais aussi les bénéfices, la capacité de l'IA à préserver, améliorer et normaliser les connaissances est d'autant plus importante", déclare McKinsey. "De plus, étant donné qu'elle peut prendre elle-même des décisions complexes en matière de points de consigne opérationnels, l'IA est en mesure de fournir de manière fiable des résultats prévisibles et cohérents sur des marchés qui ont du mal à attirer et à retenir les talents des opérateurs."

Parallèlement à cette dépendance au capital humain, de nombreuses usines s'appuient sur des machines héritées d'avant même Internet, et celles introduites au cours des deux dernières décennies nécessitent certaines modifications pour les rendre compatibles avec la technologie de collecte de données d'aujourd'hui. Pendant ce temps, les questions relatives à la recherche des ensembles de données les plus percutants, à la meilleure façon de les interpréter et de mettre en œuvre les résultats varient non seulement d'une entreprise à l'autre, mais également d'un département et d'une équipe à l'autre.

La société de recherche NelsonHall note que l'adoption de MES (Manufacturing Execution Systems) augmente encore cette complexité. Le MES permet aux entreprises de numériser leurs opérations et d'accéder plus facilement aux données depuis des années, mais la personnalisation approfondie du propre MES de chaque installation signifie la compatibilité et l'intégration avec d'autres technologies, telles que le logiciel d'analyse qui rassemble et analyse les données provenant d'une myriade de sources, est un défi considérable. « La difficulté apportée par le MES est qu'il est difficile et coûteux de le mettre à niveau, compte tenu du niveau de personnalisation », déclare NelsonHall. «De plus, le MES régit la production d'une usine, ce sont donc des systèmes critiques et nécessitent donc un développement et une mise en œuvre rigoureux, des tests et un déploiement. En d'autres termes, elles sont comparables aux applications mainframe :tant qu'elles fonctionnent, personne ne veut vraiment les toucher trop profondément. Le contournement de ce problème se fait donc souvent par l'ajout de systèmes complémentaires, tels que ceux fournis par Dassault, Siemens, PTC et autres, ajoutant encore plus de complexité là où de nombreux opérateurs cherchent à rationaliser et à alléger leur infrastructure technologique pour augmenter la flexibilité et l'agilité. .

S'attaquer au défi de l'hydre

De toute évidence, les défis liés à l'exploitation réussie des ensembles de données de fabrication sont énormes :la stratégie, la télémétrie, l'intégration, l'expertise et l'infrastructure héritée doivent chacune être abordées pour faciliter une transition transparente vers l'industrie 4.0. Malheureusement, l'IA seule ne peut pas résoudre les maux de tête liés à la mise en œuvre réussie des technologies basées sur les données qui propulseront la fabrication vers l'Industrie 4.0. L'IdO industriel, la robotique, les jumeaux numériques et la maintenance prédictive ont tous rapidement gagné en popularité en tant qu'outils de modernisation puissants pour la fabrication, chacun rendu possible par le Big Data et l'IA, mais comme pour leurs ancêtres, ils nécessitent chacun une réflexion stratégique considérable pour réussir véritablement. La touche humaine et l'alignement opérationnel sont essentiels.

« Une stratégie de transformation réussie basée sur les données doit tenir compte d'une vue complète de divers facteurs, notamment la culture organisationnelle, les clients, les employés et la technologie. Cela ne peut être réalisé par des initiatives isolées, et nécessite plutôt une concentration, une planification à moyen et long terme, un parrainage et un investissement directement de la part des chefs d'entreprise », déclare Rohit Gupta, vice-président et responsable de la fabrication, de la logistique, de l'énergie et des services publics chez Cognizant. « Les fabricants doivent évaluer leur niveau actuel de maturité numérique, comprendre les défis commerciaux et techniques et envisager clairement une feuille de route pour prospérer dans ce paradigme numérique. Il doit s'agir d'une approche itérative visant à développer une base capable de soutenir une croissance évolutive et durable et de renforcer les capacités de données au sein de l'organisation avec des jalons clairs."

L'aide extérieure est un énorme accélérateur, et SAS, McKinsey et Capgemini, pour n'en citer que quelques-uns, ont beaucoup fait pour combler les lacunes technologiques et stratégiques des entreprises et des puissances manufacturières qui cherchent à faire le saut vers un avenir intelligent. Après tout, les écosystèmes technologiques d'aujourd'hui reposent sur une plus grande concentration sur l'externalisation et la connaissance que l'expertise externe est souvent supérieure dans un espace technologique qui devient plus granulaire de jour en jour. La fabrication est profondément complexe et une taille unique ne peut jamais convenir à tous, mais tirer parti de l'expertise des leaders dans les domaines des données et de l'IA est sûr de surmonter les défis posés et de libérer l'énorme potentiel de l'industrie 4.0.