Exploiter les données et l'IA pour transformer la fabrication : surmonter les défis du secteur

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

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

Même un coup d'œil superficiel montre clairement que, de toutes les industries secouées par la transformation numérique, peu ont été transformées plus visiblement et dramatiquement ces dernières années que la fabrication. Ce parcours, des lignes de production intensives en main-d'œuvre de Henry Ford aux environnements de plus en plus sans gens des usines modernes, a été fortement accéléré par l'avènement du Big Data. Récolter l'information des opérations de fabrication, équipements et machines, patterns de ventes et fluctuations de la demande permet aux leaders de stratégiser pour une plus grande efficacité, production et sécurité. La vision Industrie 4.0 d'usines intelligentes qui tournent avec un minimum d'input humain tout en produisant une productivité, rentabilité et fiabilité plus élevées est énormément attractive, mais réaliser cet objectif apporte des défis tout aussi importants qui doivent être surmontés.

La vague de données

Déjà en 2018, le leader du conseil et services d'externalisation Capgemini a identifié la fabrication comme ayant parmi le potentiel le plus considérable pour l'amélioration opérationnelle par le Big Data, allant jusqu'à dire que son adoption est vitale pour le succès continu des affaires. « Avec l'analytique Big Data n'étant plus une option « nice to have », les entreprises doivent identifier les bonnes opportunités pour améliorer l'efficacité de l'usine et générer des insights », a dit Capgemini dans un billet de blog de novembre 2018. « L'analytique big data fournirait alors l'avantage concurrentiel dont les entreprises ont besoin pour réussir dans un environnement de plus en plus complexe. »

Avec d'immenses volumes de données — une masse qui augmente exponentiellement pour les opérations utilisant la technologie propulsée par l'Internet des Objets (IoT) et les vitesses de transfert gigabit-par-seconde de la 5G — vient une complexité immense. Non seulement les organisations doivent cibler la valeur d'un large ensemble de données, mais elles doivent transformer cette valeur naissante en insights actionnables avant qu'elles ne soient remplacées par des données plus récentes et plus pertinentes. Souvent, les données brutes doivent être mariées avec la télémétrie d'autres systèmes pour que leur valeur soit extraite, et ce savoir-faire à un niveau humain est difficile à obtenir.

Le cas pour l'IA

Partout dans le monde, les data scientists formés sont en forte demande et courte offre et, même avec une flotte d'analystes de données de haut niveau, la vraie valeur des données d'une organisation est verrouillée derrière le temps long pour des analyses compliquées à être entreprises, la probabilité d'erreur humaine, et le besoin de stratégies d'implémentation de données profondément considérées. Le besoin d'immédiateté et de précision, particulièrement avec l'écart de compétences en données répandu, peut être répondu par une autre technologie émergente : l'intelligence artificielle (IA).

Ses calculs et analyses algorithmiques adaptables aux besoins d'opérations spécifiques produisent des résultats qui sont à la fois plus précis et rapidement disponibles, permettant aux entreprises de transformer ces données en actions informées qui améliorent l'efficacité et la productivité, échelonnent les opérations à la demande en temps réel et améliorent la sécurité, déracinant les problèmes posés par un manque d'expertise tout en construisant de la valeur. Elle peut même attraper les problèmes avant qu'ils ne surviennent via la maintenance prédictive, quelque chose qui nécessiterait une force de travail considérable et une allocation de temps sans la promesse de précision que l'IA fournit.

« La maintenance prédictive est un domaine où l'IoT, le Big Data et l'analytique font un impact significatif », dit Debbie Heaton-Bowen, Partenaire chez Oliver Wight EAME. « Bien qu'elle ait originé dans les années 1990, l'avènement de la technologie avancée a signifié que les capacités de maintenance prédictive ont récemment été « superchargées », particulièrement dans le secteur manufacturier avec les usines intelligentes devenant une réalité. Les temps d'arrêt non planifiés et la mauvaise maintenance peuvent coûter des millions aux entreprises, mais les capteurs IoT peuvent détecter quand une machine a besoin d'un check-up, prévenant le développement d'une faute plus sérieuse qui causerait une disruption coûteuse. Non seulement la maintenance prédictive identifie les erreurs manquées par l'œil humain, mais elle prend aussi des décisions purement pilotées par les données pour améliorer la durée de vie des machines, baisser les coûts de service et augmenter l'efficacité opérationnelle pour des profits plus sains. »

Ailleurs, la robotique est une autre tendance dans l'industrie qui montre un promesse considérable, et l'IA est vitale à leur proposition de valeur quand déployée à travers les processus de fabrication. « Quand intégrées correctement, ces unités robotiques peuvent amplifier les compétences et forces des gens pour augmenter l'efficacité du lieu de travail et améliorer l'expérience employé », dit Prasad Satyavolu, CDO de la Fabrication et Logistique chez le leader des services IT Cognizant. « Elles sont déjà déployées à travers les organisations manufacturières, de l'insertion d'amortisseurs ou la coupe de viande sur une chaîne de montage traditionnelle, aux drones agissant comme les yeux des agents de sécurité patrouillant une vaste cour de conteneurs. Ce faisant, la nouvelle race de co-équipiers autonomes libère les humains pour s'attaquer à des travaux à plus haute valeur. Des chercheurs du MIT ont trouvé que les équipes homme-robot travaillant pour BMW étaient environ 85 % plus productives que les humains ou robots travaillant seuls. » L'IA peut ainsi simultanément combler les écarts de compétences et maximiser le temps disponible pour les travailleurs qualifiés pour se concentrer sur des tâches où ils peuvent ajouter plus de valeur.

Les défis de l'adoption de l'IA

Malgré les opportunités claires qu'elle présente, le cabinet de conseil en management McKinsey note que l'adoption de l'IA a été notablement lente dans l'industrie manufacturière. « Alors que les technologies IA ont fait des améliorations tangibles aux chaînes d'approvisionnement et fonctions administratives, elles ont jusqu'ici eu une présence maigre en production », dit McKinsey, notant que cette adoption lente a été déclenchée en partie par une forte dépendance à l'expertise et aux main-d'œuvre qualifiées, ce qui est quelque peu ironique étant donné la capacité de l'IA à rediriger cette expertise vers des processus moins répétitifs. La dépendance aux main-d'œuvre qualifiées en soi est une cause pour accélérer l'intégration de l'IA dans l'industrie.

« Puisque les variations dans les qualifications des opérateurs peuvent affecter non seulement la performance mais aussi les profits, la capacité de l'IA à préserver, améliorer et standardiser la connaissance est d'autant plus importante », dit McKinsey. « De plus, puisque elle peut prendre des décisions complexes de set-point opérationnel par elle-même, l'IA est capable de livrer de manière fiable une sortie prévisible et cohérente dans des marchés qui ont de la difficulté à attirer et retenir les talents d'opérateurs. »

Avec cette dépendance au capital humain, beaucoup d'usines dépendent de machines héritées qui précèdent même l'internet, et celles introduites dans les deux dernières décennies nécessitent quelque mesure de modification pour les rendre compatibles avec la technologie de récolte de données d'aujourd'hui. Pendant ce temps, les questions de sourcing des ensembles de données les plus impactants, comment les interpréter au mieux et implémenter les résultats varient non seulement par entreprise mais par départements et équipes aussi.

Le cabinet de recherche NelsonHall note que l'adoption de MES (Manufacturing Execution Systems) augmente cette complexité davantage. Les MES ont permis aux entreprises de digitaliser leurs opérations et d'accéder aux données plus facilement pendant des années, mais la personnalisation profonde de chaque MES d'installation signifie que la compatibilité et l'intégration avec d'autres technologies, comme le logiciel d'analytique qui collecte et analyse les données de myriades de sources, est un défi considérable. « La difficulté que les MES apportent est qu'ils sont difficiles et coûteux à mettre à niveau, donné le niveau de personnalisation », dit NelsonHall. « Aussi, les MES gouvernent la production d'une usine, donc ce sont des systèmes critiques et nécessitent donc un développement et implémentation rigoureux, tests, et déploiement. En d'autres termes, ils sont comparables aux applications mainframe : tant qu'ils tournent, personne ne veut vraiment les toucher trop profondément. » Contourner ce problème est donc souvent fait par l'ajout de systèmes complémentaires, comme ceux fournis par Dassault, Siemens, PTC et autres, ajoutant encore plus de complexité où de nombreux opérateurs cherchent à rationaliser et affiner leur infrastructure tech pour augmenter la flexibilité et l'agilité.

S'attaquer à l'hydre des défis

Clairement, les défis de réussir à exploiter les ensembles de données manufacturières sont énormes : stratégie, télémétrie, intégration, expertise, et infrastructure héritée doivent chacun être adressés pour faciliter un passage sans heurt à l'Industrie 4.0. L'IA seule, hélas, ne peut pas résoudre les maux de tête de l'implémentation réussie des technologies basées sur les données qui mèneront la fabrication vers l'Industrie 4.0. L'IoT industriel, la robotique, les jumeaux numériques, et la maintenance prédictive ont tous rapidement gagné en traction comme puissants outils de modernisation pour la fabrication, chacun rendu possible par le Big Data et l'IA, mais comme leurs prédécesseurs, ils nécessitent chacun une considération stratégique considérable pour être vraiment réussis. Le toucher humain, et l'alignement opérationnel, sont clés.

« Une stratégie de transformation pilotée par les données réussie doit considérer une vue exhaustive de divers facteurs incluant la culture organisationnelle, les clients, les employés, et la technologie. Cela ne peut pas être atteint par des initiatives isolées, et a besoin plutôt d'un focus concentré, d'une planification à moyen et long terme, de parrainage, et d'investissement directement des leaders d'entreprise », dit Rohit Gupta, VP et Responsable de la Fabrication, Logistique, Énergie et Services Publics chez Cognizant. « Les fabricants doivent évaluer leur niveau actuel de maturité digitale, comprendre les défis métier et techniques, et clairement envisager une feuille de route pour prospérer dans ce paradigme digital. Cela doit être une approche itérative, travaillant vers le développement d'une fondation qui peut soutenir une croissance scalable et durable et construire des 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 nommer que quelques-uns ont fait beaucoup pour combler les écarts technologiques et stratégiques des entreprises et puissances manufacturières cherchant à faire le saut vers le futur intelligent. Après tout, les écosystèmes tech d'aujourd'hui sont prédiqués sur un focus plus grand sur l'externalisation et la connaissance que l'expertise externe est souvent supérieure dans un espace tech qui devient plus granulaire jour après jour. La fabrication est profondément complexe et une taille unique ne pourra jamais convenir à tous, mais tirer parti de l'expertise des leaders à travers les espaces données et IA est sûr de surmonter les défis posés et de débloquer l'énorme potentiel de l'Industrie 4.0.