Les petits fabricants gagnent en efficacité grâce à l'intelligence artificielle

L'intelligence artificielle est largement reconnue comme un aspect crucial de ce que l'on appelle généralement l'industrie 4.0. Bien que personne ne sache encore comment l'intelligence artificielle sera intégrée dans la prochaine phase de la révolution industrielle, la plupart s'accordent à dire qu'elle permettra une plus grande connectivité entre les personnes, les machines et les technologies de l'information, permettant aux fabricants de mieux optimiser les processus et de prévoir les problèmes.

Comment les petits et moyens fabricants (SMM), qui n'ont généralement pas le temps ou le capital qu'il faudrait pour tester les technologies émergentes, sont-ils censés évaluer l'impact de l'intelligence artificielle sur leur organisation - et jouer un rôle dans leur préparation à l'Industrie 4.0 ?

Attendre que le secteur manufacturier décide, pour ainsi dire, n'est certainement pas une option. Un retard d'un, deux ou cinq ans peut entraîner le dépassement d'un fabricant. Il est temps d'agir, mais la voie à suivre n'est pas claire.

Une façon de résoudre ce problème consiste à évaluer l'intelligence artificielle à travers une transformation en cours que de nombreux SMM ont déjà adoptée :la production au plus juste.

Mettre le « continu » dans l'amélioration continue avec l'intelligence artificielle

L'idée d'amélioration continue est au cœur de la philosophie Lean. C'est un engagement pour un changement continu. Pour faire du lean, une volonté de changement doit être maintenue à tout moment afin que lorsqu'une opportunité d'amélioration est identifiée, elle puisse être rapidement mise en œuvre.

Les améliorations Lean procèdent par des interventions. Si un problème est identifié, disons dans un processus, le travail est interrompu. Les membres de l'équipe sont appelés à observer, à tirer des conclusions, à porter des jugements et éventuellement à prendre des mesures qui s'attaquent à la cause du problème. Cette opération intermittente est le mode de fonctionnement du Lean, bien que son rythme d'arrêt-démarrage semble fondamentalement en contradiction avec l'idée d'amélioration continue. C'est ce qui est actuellement faisable, ou du moins humainement possible.

Maintenant, et si vous n'aviez pas à arrêter le travail pour effectuer une opération Lean ? Et si vous pouviez faire l'essentiel du processus Lean fondamental (observer, tirer des conclusions, émettre des jugements, prendre des mesures) pendant que le travail était en cours, rendant le processus Lean plus continu ? C'est l'une des principales promesses de l'intelligence artificielle pour les opérations de fabrication de toute échelle.

Où les opérations Lean peuvent commencer avec l'intelligence artificielle

L'intelligence artificielle est un vaste domaine qui comprend un large éventail de technologies, allant des algorithmes capables d'apprendre à partir d'ensembles de données aux robots qui ressemblent à quelque chose d'une histoire de science-fiction.

En ce qui concerne les petits fabricants, le type d'intelligence artificielle dont ils devraient principalement s'occuper est une sous-discipline appelée apprentissage automatique. Comme le définit Amit Mangani dans son « A Primer on Machine Learning : »

Mangani poursuit en décrivant quatre types d'apprentissage automatique, qui pourraient tous avoir des applications pour la production au plus juste. Cela suppose toutefois qu'un petit fabricant soit prêt à investir dans la puissance de calcul pour mettre les données requises à disposition pour l'analyse informatique :

1. Apprentissage automatique supervisé
2. Apprentissage automatique non supervisé
3. Apprentissage automatique semi-supervisé
4. Apprentissage automatique renforcé

Explorons chacune de ces quatre opportunités pour appliquer le machine learning à la production au plus juste ci-dessous :

1. Apprentissage automatique supervisé

Dans l'apprentissage automatique supervisé, les algorithmes analysent les données entrantes, en attribuant des étiquettes à toute donnée répondant à des critères prédéfinis. Les fabricants au plus juste pourraient utiliser une telle technique pour automatiser le contrôle qualité des pièces complexes, par exemple, en supposant que les données pertinentes des pièces pourraient être enregistrées et mises à la disposition de l'algorithme.

2. Apprentissage automatique non supervisé

Avec l'apprentissage automatique non supervisé, il n'y a pas de réponses prédéfinies qu'un algorithme peut utiliser pour trier les données. Au contraire, l'algorithme doit observer et évaluer les données au fur et à mesure qu'elles s'accumulent, en identifiant des modèles et en créant des étiquettes émergentes. Ce type d'apprentissage automatique pourrait être utilisé par les fabricants au plus juste pour surveiller une machine de production - ou une série de machines en réseau - pour détecter un comportement inhabituel et ainsi anticiper un dysfonctionnement.

3. Apprentissage automatique semi-supervisé

Comme son nom l'indique, le machine learning semi-supervisé mélange des approches supervisées et non supervisées. Dans un scénario semi-supervisé, il existe des étiquettes pour les données. D'autres critères sont également développés par l'algorithme au fil du temps avec l'aide d'une supervision humaine. Un scénario semi-supervisé pourrait être utile pour optimiser la production répétitive de pièces, éliminant potentiellement à la fois les déchets de pièces et de processus.

4. Apprentissage automatique de renforcement

Dans un scénario de renforcement, un algorithme projette quelle action, parmi un ensemble d'actions possibles, se traduira par la récompense la plus élevée. Les SMM engagés dans un processus de transformation Lean pourraient utiliser ce type d'apprentissage automatique pour évaluer les différentes voies vers les changements orientés processus qu'ils envisagent.

L'apprentissage automatique peut compléter la production au plus juste

En se concentrant sur l'apprentissage automatique, on peut commencer à voir comment il existe des applications pour l'intelligence artificielle qui sont utiles et accessibles pour la plupart des fabricants, quelle que soit leur taille. Dans certains cas, des pièces du puzzle peuvent déjà être disponibles sous la forme de données collectées par des capteurs de machine déjà installés, l'infrastructure informatique (IT) et opérationnelle (OT) existante.

Alors que les SMM commencent à envisager des applications pour l'intelligence artificielle, il est important de se rappeler qu'aucun de ces scénarios ne menace automatiquement la disponibilité d'emplois pour les humains. Au contraire, ces idées peuvent être poursuivies d'une manière complémentaire à un processus Lean d'autonomisation des travailleurs en donnant aux employés l'accès à des informations en temps réel et à de meilleurs outils pour la résolution et l'exécution des problèmes sur le terrain.

Une analogie utile est la technologie actuelle des capteurs automobiles, qui complète la conscience et les perceptions des conducteurs humains. Non seulement cette technologie améliore la sécurité, mais elle contribue également à réduire les frictions dans l'ensemble du système de conduite en alignant le comportement de chacun sur la route. De cette façon, la technologie de sécurité automobile n'exclut personne de l'équation de la conduite - elle rend la conduite plus sûre et plus efficace.

Si nous adoptons cette perspective, l'intelligence artificielle peut être considérée comme un outil de plus dans la boîte à outils Lean, même si elle a le potentiel d'être très puissante.