Pourquoi les fabricants devraient-ils adopter l'IA et le Big Data ?

Manufacturing Global s'entretient avec les dirigeants d'EY, Infor et GE Digital pour aller au fond de cette question

Alors que la volonté de transformer numériquement l'industrie manufacturière a été un sujet de conversation au cours de la dernière décennie, les événements récents n'ont fait qu'accroître le besoin d'agilité, d'évolutivité et de résilience que l'industrie 4.0, les capacités de fabrication intelligentes peuvent fournir. Entretien avec Cobus Van Heerden, Senior Digital Product Manager chez GE Digital, Mark Powell, Partner, EY (UKI Consulting) et Phil Lewis, Vice President, Solution Consulting EMEA chez Infor Manufacturing Global examine comment les technologies qui exploitent l'IA et le Big Data peuvent aider les fabricants à débloquer une visibilité opérationnelle en temps réel pour améliorer la fiabilité et les performances des processus.

Quelles sont les applications actuelles de l'intelligence artificielle (IA) et du Big Data dans l'industrie manufacturière ?

CVH : L'IA industrielle utilise une combinaison de technologies d'IA ciblées, de données, de physique et de connaissances approfondies du domaine pour résoudre les principaux défis commerciaux industriels. L'IA traditionnelle imite l'intelligence humaine, tandis que l'IA industrielle s'appuie sur elle pour débloquer des informations et déterminer les connaissances causales dans des environnements industriels à enjeux élevés, dynamiques et variables. Dans l'industrie manufacturière, l'IA industrielle peut être utilisée pour détecter et prévoir les principaux problèmes de processus et d'actifs afin d'aider les entreprises à optimiser leurs opérations, y compris la capacité, la qualité et les structures de coûts.

PL : Les définitions des manuels de l'IA ou du Big Data passent à côté du fait que les industries diffèrent et auront des demandes radicalement différentes pour la technologie. Il s'agit de l'application d'une technologie donnée à un problème spécifique auquel une entreprise peut être confrontée. Ce problème peut être un « standard de l'industrie » ou quelque chose qui survient dans la configuration de la technologie. Mais il y a le plus de valeur dans l'application d'outils tels que le Big Data et l'IA aux 10 % critiques d'une entreprise qui est vraiment idiosyncratique. Nous classons cela comme une répartition 60/30/10 et c'est ainsi que nous cherchons à appliquer ces technologies pour générer une valeur maximale.

Pour les fabricants qui souhaitent adopter l'Industrie 4.0, les capacités de fabrication intelligentes, pourquoi les fabricants devraient-ils utiliser l'IA et le Big Data pour le faire ?

CVH : La fabrication intelligente déploie des analyses industrielles avancées pour prédire les performances futures des actifs et des processus à l'aide de données en temps réel et historiques et en optimisant en boucle fermée. Cela implique l'utilisation de l'IA et de l'apprentissage automatique pour permettre aux ingénieurs de procédés de combiner des données entre des sources de données industrielles et d'identifier rapidement les problèmes, de découvrir les causes profondes des problèmes dans l'usine, de prédire les performances futures des actifs et d'automatiser les actions que les employés peuvent prendre pour améliorer la qualité. , la productivité et les opérations.

MP : La numérisation oblige les fabricants à repenser leurs chaînes d'approvisionnement. Par exemple, la plupart des entreprises utilisent des données internes pour suivre les équilibres entre l'offre et la demande et il leur est difficile de prévoir les événements externes ayant une incidence sur leurs chaînes d'approvisionnement. En utilisant des techniques d'IA qui comprennent des ensembles de données externes non structurées, telles que les médias sociaux et d'autres données sur les événements, les fabricants peuvent planifier les perturbations de la chaîne d'approvisionnement beaucoup plus tôt.

En outre, les fabricants peuvent utiliser l'IA et le Big Data pour créer des répliques numériques de leurs opérations de fabrication et exploiter les possibilités de transformation de la réduction du temps de cycle de production, de l'augmentation de la capacité de fabrication et de la prévision des activités de maintenance non planifiées, etc.

PL : Certaines des statistiques sur les enfants d'affiches pour l'IA et le Big Data exigent simplement de l'attention. Récemment, Siemens a automatisé l'une de ses usines en Allemagne, avec 75 % des processus numérisés ou ayant une automatisation accrue. Productivité améliorée de 1 400 %. Cela change la donne pour toute entreprise. Cela signifie que de nombreux fabricants étudient maintenant la manière dont ils intègrent l'IA et le Big Data dans leurs projets d'avenir.

Quelle est la meilleure stratégie pour les fabricants qui s'efforcent de réaliser la valeur de l'IA et du Big Data dans leurs opérations ?

CVH : Les ingénieurs de processus ont une expertise exceptionnelle dans le domaine pour assembler des modèles de processus - ou Process Digital Twins - et être capables d'interpréter les modèles. C'est la base pour améliorer l'avantage concurrentiel et le succès avec l'analyse. Pour piloter l'analyse et améliorer les processus, les fabricants doivent mettre en place une stratégie qui peut aligner l'expertise du domaine sur cinq capacités :Analyse - l'identification automatique des causes premières accélère l'amélioration continue; Surveillance - les alertes précoces réduisent les temps d'arrêt et le gaspillage ; Prédiction – les actions proactives améliorent la qualité, la stabilité et la fiabilité ; Simulation – les simulations hypothétiques accélèrent la prise de décisions précises à moindre coût; et Optimisation – des points de consigne de processus optimaux améliorent le débit à une qualité acceptable jusqu'à 10 %.

Tous les ingénieurs de procédés peuvent et doivent développer des capacités d'analyse et d'apprentissage automatique pour rester compétitifs. Au fil du temps, les ingénieurs peuvent passer de petits projets à des projets pilotes à une optimisation multi-usines avec une application approfondie de l'analyse. Leur expertise approfondie du domaine fournit une base pour la modélisation des processus et le développement des analyses qui changent la donne dans des applications très spécifiques.

Plus important encore, commencez par l'analyse. « Trystorm » certains projets; mettez vos idées intuitives à l'épreuve et mettez les données et les analyses derrière elles. N'attendez pas pour devenir un expert en science des données. Ce n'est pas nécessaire. Tirez parti d'outils d'analyse industrielle éprouvés et faciles à utiliser, alimentés par votre expertise dans le domaine. Cela entraînera rapidement de grandes améliorations.

PL : Les entreprises - y compris les fabricants - ont tendance à évaluer les projets numériques en mettant l'accent sur le client, la chaîne d'approvisionnement, l'efficacité interne ou les personnes - ce sont les quatre principaux moteurs de toute incursion dans le numérique. Celles-ci sont souvent organiques et découlent d'une attitude continue «comment pouvons-nous faire mieux». Cette situation a été accélérée par les préoccupations liées à la concurrence, car les entreprises craignent désormais d'être laissées pour compte par la concurrence et les entrants perturbateurs. Il y a une peur palpable d'être numériquement pertinent et cela encourage beaucoup d'investissements.

Cependant, il convient de noter que de nombreux fabricants ont déjà investi massivement dans la technologie (avant même que COVID n'impose le passage à la numérisation), le premier point de définition est donc d'aligner l'IA et le Big Data sur la technologie existante. Lorsque les entreprises évaluent leur technologie utilisée aujourd'hui, elles doivent garder à l'esprit non seulement une perspective à court terme pour savoir si la technologie gérera les processus actuels, mais également si elle fournit une plate-forme pour l'avenir ? Cette dernière perspective est fondée sur des données. Les deux éléments sont tout aussi importants, mais la seconde « perspective de la plate-forme » exige le Big Data. Il ne suffit plus de choisir une plate-forme qui prend simplement en charge/modifie les processus en cours - il doit y avoir des capacités futures intégrées.

Il faut ensuite s'assurer que cette technologie est déployée de la meilleure façon possible. Cela nécessite un paysage d'applications ouvert et basé sur le cloud afin qu'une entreprise puisse saisir de nouvelles opportunités telles que le Big Data ou l'IA sans avoir à passer par un processus d'intégration et de boulonnage fastidieux. Cela rend une organisation plus agile, en se concentrant sur l'application créative de la technologie aux besoins de l'entreprise, comme l'identification de nouvelles opportunités de revenus.

Quels sont les défis liés à l'adoption de l'IA et de l'analyse du Big Data dans les opérations de fabrication ?

CVH : Les fabricants sont mis au défi de réduire les déchets, les coûts et les risques tout en répondant à la demande des clients. La combinaison de l'IA et des données permet d'accélérer la numérisation grâce à des solutions basées sur l'analyse qui permettent aux employés de disposer de données contextuelles afin que les personnes, les actifs et les processus fonctionnent ensemble efficacement.

Un autre défi pour les entreprises ne fait que commencer. Ils veulent en savoir plus sur la façon d'utiliser l'analytique dans leurs opérations, mais ne voient pas cela comme un travail pour leur main-d'œuvre actuelle. Heureusement, les solutions d'IA industrielle peuvent aider et ne nécessitent pas que les ingénieurs de processus soient des scientifiques des données.

MP : Le principal défi de l'adoption de l'IA se résumera à la capacité des fabricants à établir un alignement au sein de l'organisation sur certains des domaines à forte valeur ajoutée où l'IA aura un impact. Par exemple, utiliser l'apprentissage automatique et la vision par ordinateur pour prévoir et identifier les défauts des équipements avant qu'ils ne surviennent, réduisant ainsi les temps d'arrêt de la production et les coûts de maintenance. Un autre défi consiste à établir une culture d'intégration de l'IA dans leurs processus grâce à une culture de test et d'apprentissage.

Pendant trop longtemps, les organisations ont parlé de devenir "axées sur les données" et cela n'a généralement pas fonctionné aussi bien qu'on l'avait espéré. Les fabricants doivent adopter une approche différente qui commence par comprendre où la valeur peut être générée à partir de nouvelles informations, puis se concentrer sur les données nécessaires pour générer les informations qui peuvent ensuite générer de la valeur commerciale. Les organisations doivent devenir "axées sur les informations et les données" et pas simplement "axées sur les données".

PL : Il s'agit de la façon dont les attitudes envers les données ont changé. Autrefois considéré comme un mal nécessaire, il est aujourd'hui l'atout numéro un d'une entreprise. Cela conduit généralement à une obsession pour les étiquettes de données volumineuses, mais c'est ce que vous faites avec les données qui compte - en utilisant les goûts de l'IA / BI / IoT, etc. pour transformer ces données en un atout vraiment précieux. L'industrie automobile en est le parfait exemple :elle utilise et vend les données produites par une voiture. Fait intéressant, nous tenons maintenant presque le « cloud » pour acquis – si nous avions répondu à cette question il y a 24 mois, le cloud aurait été la première considération, mais c'est maintenant un enjeu de table. Il ne s'agit plus de savoir si une entreprise passera au cloud, mais plutôt de savoir quel type de cloud/cloud utiliser ? - Nous sommes allés bien au-delà de la conversation sur l'infrastructure - le comment et dans le quoi - et dans le pourquoi une entreprise cherche à adopter le numérique.

L'intelligence artificielle (IA) et le Big Data sont-ils les moteurs de la quatrième révolution industrielle (Industrie 4.0) ?

CVH :  La combinaison de l'IA industrielle et des données produit ce que nous appelons un jumeau numérique de processus qui aide les fabricants à dépanner rapidement les performances des processus de fabrication continus, discrets ou par lots en extrayant des informations à partir des données de capteur et de production disponibles. Cette technologie, qui utilise l'analyse prédictive, permet aux utilisateurs d'analyser des scénarios d'exploitation, de qualifier l'impact que les changements opérationnels auront sur les indicateurs de performance clés et d'identifier les causes de variation des performances. Les jumeaux numériques inspirent l'amélioration continue, un objectif clé de l'avenir de l'industrie en se basant sur les données historiques ainsi qu'en temps réel pour avancer rapidement.

PL :  Nous constatons des augmentations quotidiennes des utilisations de l'IA/ML - l'optimisation des stocks, la maintenance, des processus financiers plus rapides sont tous des domaines clés que nous voyons apparaître à plusieurs reprises. Pour que cela continue et que le retour sur investissement se poursuive, l'IA doit être intégrée et prête à fonctionner avec d'autres systèmes, plutôt qu'un boulon, ou les entreprises sont confrontées à un projet d'intégration lourd et coûteux. En ce qui concerne la prochaine technologie spécifique, cela dépend vraiment de la maturité de l'entreprise ou du projet individuel - les entreprises arrivent tout juste au point d'un tissu numérique plutôt qu'un tas de projets numériques. Le travail prescriptif, piloté par l'IA et alimenté par des masses de données de capteurs, est très prometteur pour les marchés B2B/industriels et nous voyons des premiers tournages très encourageants dans la maintenance des actifs et le service sur le terrain.