Pourquoi les fabricants doivent adopter l'IA et le Big Data pour un avantage concurrentiel

Manufacturing Global s'entretient avec des dirigeants d'EY, Infor et GE Digital pour comprendre pourquoi l'adoption de l'intelligence artificielle et du Big Data est devenue cruciale pour l'industrie manufacturière.

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

CVH : L'IA industrielle combine des technologies d'IA ciblées, des données, la physique et une expertise sectorielle approfondie pour résoudre les principaux défis business de l'industrie. Contrairement à l'IA traditionnelle qui imite l'intelligence humaine, l'IA industrielle s'appuie sur celle-ci pour débloquer des insights et déterminer des connaissances causales dans des environnements industriels à haut risque, dynamiques et variables. Dans la fabrication, l'IA industrielle permet de détecter et prédire les problèmes clés des processus et des actifs pour aider les entreprises à optimiser leurs opérations : capacité, qualité et structures de coûts.

PL : Les définitions académiques de l'IA ou du Big Data manquent l'essentiel : les industries diffèrent et ont des besoins radicalement différents pour ces technologies. Il s'agit d'appliquer une technologie donnée à un problème spécifique que l'entreprise rencontre. Ce problème peut être « standard pour l'industrie » ou surgir de la configuration technologique. Mais la plus grande valeur réside dans l'application d'outils comme le Big Data et l'IA aux 10 % critiques de l'activité qui sont vraiment uniques. Nous classons cela selon une répartition 60/30/10, qui guide notre application de ces technologies pour générer un maximum de valeur.

Pourquoi les fabricants devraient-ils utiliser l'IA et le Big Data pour adopter l'Industrie 4.0 ?

CVH : La fabrication intelligente déploie des analyses industrielles avancées pour prédire la performance future des actifs et des processus en utilisant des données en temps réel et historiques, et optimiser en boucle fermée. Cela implique l'utilisation de l'IA et du machine learning pour permettre aux ingénieurs processus de combiner des données provenant de sources industrielles variées, d'identifier rapidement les problèmes, de découvrir les causes racines dans l'usine, de prédire la performance future des actifs et d'automatiser les actions que les employés peuvent entreprendre pour améliorer la qualité, la productivité et les opérations.

MP : La numérisation force les fabricants à repenser leurs chaînes d'approvisionnement. Par exemple, la plupart des entreprises utilisent des données internes pour suivre l'équilibre offre-demande, mais il leur est difficile de prévoir les événements externes impactant leurs chaînes d'approvisionnement. En utilisant des techniques d'IA qui comprennent des ensembles de données externes non structurés — réseaux sociaux, données événementielles —, les fabricants peuvent anticiper les perturbations de la chaîne d'approvisionnement bien plus tôt.

De plus, les fabricants peuvent utiliser l'IA et le Big Data pour créer des répliques numériques de leurs opérations manufacturières et exploiter des possibilités transformatrices : réduction des temps de cycle en production, augmentation de la capacité manufacturière, prédiction des maintenances non planifiées, etc.

PL : Certaines statistiques emblématiques de l'IA et du Big Data imposent l'attention. Récemment, Siemens a automatisé l'une de ses usines en Allemagne, avec 75 % des processus numérisés ou dotés d'une automatisation accrue. La productivité a bondi de 1 400 %. C'est un changement de paradigme pour toute entreprise. Cela pousse de nombreux fabricants à étudier comment intégrer l'IA et le Big Data dans leurs plans futurs.

Quelle est la meilleure stratégie pour les fabricants cherchant à réaliser la valeur de l'IA et du Big Data ?

CVH : Les ingénieurs processus possèdent une expertise sectorielle exceptionnelle pour construire des modèles de processus — ou Jumeaux Numériques de Processus — et les interpréter. C'est le fondement pour améliorer l'avantage concurrentiel et réussir avec l'analytics. Pour piloter l'analytics et améliorer les processus, les fabricants devraient élaborer une stratégie alignant l'expertise sectorielle sur cinq capacités : Analyse — identification automatique des causes racines pour accélérer l'amélioration continue ; Surveillance — alertes précoces pour réduire les temps d'arrêt et le gaspillage ; Prédiction — actions proactives pour améliorer la qualité, la stabilité et la fiabilité ; Simulation — simulations « what-if » pour accélérer des décisions précises à moindre coûts ; et Optimisation — points de consigne optimaux pour améliorer le débit jusqu'à 10 % tout en maintenant une qualité acceptable.

Tous les ingénieurs processus peuvent et doivent développer des compétences en analytics et machine learning pour rester compétitifs. Avec le temps, ils peuvent passer de petits projets à des pilotes, puis à l'optimisation multi-usines avec une application approfondie de l'analytics. Leur expertise sectorielle fournit le socle pour modéliser les processus et développer les analytics qui changent la donne dans des applications très spécifiques.

Surtout, commencez avec l'analytics. « Trystormez » quelques projets : mettez vos idées intuitives à l'épreuve et appuyez-les sur des données et de l'analytics. N'attendez pas de devenir expert en data science. Ce n'est pas nécessaire. Exploitez des outils d'analytics industriels éprouvés, faciles à utiliser, alimentés par votre expertise sectorielle. C'est ce qui générera de grandes améliorations rapidement.

PL : Les entreprises — fabricants inclus — évaluent souvent les projets numériques sous l'angle de quatre moteurs principaux : client, chaîne d'approvisionnement, efficacité interne ou personnel. Ces démarches sont souvent organiques, nées d'une attitude continue de « comment faire mieux ». Elles ont été accélérées par la crainte de la concurrence : les entreprises craignent d'être distancées par des concurrents et des entrants disruptifs. Une peur palpable de ne pas être numériquement pertinentes alimente beaucoup d'investissements.

Cependant, notons que de nombreux fabricants ont déjà massivement investi dans la technologie (bien avant que le COVID ne force la numérisation). Le premier point est donc d'aligner l'IA et le Big Data sur la technologie existante. Lors de l'évaluation de leur technologie actuelle, les entreprises doivent non seulement se demander si elle gère les processus présents, mais aussi si elle offre une plateforme pour l'avenir. Cette perspective « plateforme » repose sur la data. Les deux éléments sont également importants, mais la seconde exige le Big Data. Il ne suffit plus de choisir une plateforme qui supporte ou ajustent les processus en cours — il faut des capacités futures intégrées.

Il faut ensuite s'assurer que cette technologie est déployée de la meilleure façon possible. Cela nécessite un paysage applicatif ouvert, basé sur le cloud, pour que l'entreprise puisse saisir de nouvelles opportunités comme le Big Data ou l'IA sans passer par un processus d'intégration laborieux. Cela rend l'organisation plus agile, focalisée sur l'application créative de la technologie aux besoins business, comme l'identification de nouvelles opportunités de revenus.

Quels sont les défis de l'adoption de l'IA et de l'analytics Big Data dans les opérations manufacturières ?

CVH : Les fabricants sont confrontés au défi de réduire gaspillage, coûts et risques tout en répondant à la demande client. La combinaison IA et données accélère la numérisation via des solutions basées sur l'analytics qui donnent aux travailleurs des données contextuelles pour que personnes, actifs et processus travaillent ensemble efficacement.

Un autre défi est simplement de démarrer. Les entreprises veulent en savoir plus sur l'utilisation de l'analytics dans leurs opérations mais ne le voient pas comme un travail pour leur main-d'œuvre actuelle. Heureusement, les solutions d'IA industrielle peuvent aider sans exiger que les ingénieurs processus deviennent data scientists.

MP : Le défi clé de l'adoption de l'IA réside dans la capacité des fabricants à aligner l'organisation sur les domaines à haute valeur où l'IA aura un impact. Par exemple, utiliser le machine learning et la vision par ordinateur pour prédire et identifier les pannes d'équipement avant qu'elles ne surviennent, réduisant ainsi les temps d'arrêt de production et les coûts de maintenance. Un autre défi est d'instaurer une culture d'infusion de l'IA dans les processus par une approche test-and-learn.

Depuis trop longtemps, les organisations parlent de devenir « data-driven » sans que cela fonctionne aussi bien qu'espéré. Les fabricants doivent adopter une approche différente : partir de la compréhension de où la valeur peut être tirée de nouveaux insights, puis se concentrer sur les données nécessaires pour générer ces insights qui créeront de la valeur business. Les organisations doivent devenir « insight-driven et data-enabled » et non simplement « data-driven » — seulement alors exploiteront-elles vraiment la puissance de l'IA et du Big Data.

PL : Tout tourne autour du changement d'attitude vis-à-vis de la data. Auparavant vue comme un mal nécessaire, elle est devenue l'actif numéro un de l'entreprise. Cela entraîne souvent une obsession pour les labels « big data », mais ce qui compte, c'est ce qu'on en fait — utiliser IA, BI, IoT, etc. pour transformer cette data en actif véritablement précieux. L'automobile est l'exemple type — utilisation et monétisation des données produites par une voiture. Fait intéressant, le « cloud » est maintenant presque acquis — il y a 24 mois, il aurait été la première considération, aujourd'hui c'est un prérequis. Ce n'est plus « si » une entreprise ira vers le cloud mais « quel type de cloud / usage cloud ? » — nous sommes allés bien au-delà de la conversation infrastructure — le « comment » — vers le « quoi » et le « pourquoi » une entreprise embrasse le digital.

L'IA et le Big Data pilotent-ils la quatrième révolution industrielle (Industrie 4.0) ?

CVH : La combinaison de l'IA industrielle et de la data produit ce qu'on appelle un Jumeau Numérique de Processus, qui aide les fabricants à dépanner rapidement la performance de processus continus, discrets ou par lots en extrayant des insights des données capteurs et de production disponibles. Cette technologie, qui utilise l'analytics prédictive, permet aux utilisateurs d'analyser des scénarios opérationnels, de qualifier l'impact que des changements opérationnels auront sur les indicateurs clés de performance et d'identifier les causes de variation de performance. Les Jumeaux Numériques inspirent l'amélioration continue, objectif clé de l'avenir de l'industrie, en regardant en arrière vers les données historiques aussi bien qu'en temps réel pour avancer rapidement.

PL : Nous voyons des augmentations quotidiennes des usages IA/ML — optimisation des stocks, maintenance, processus financiers plus rapides sont des domaines clés qui reviennent sans cesse. Pour que cela continue et que le ROI suive, l'IA doit être « branchée » et prête à fonctionner avec les autres systèmes, plutôt qu'en module additionnel, sous peine de projets d'intégration lourds et coûteux. Côté technologie suivante, tout dépend de la maturité de l'entreprise ou du projet — les entreprises atteignent à peine le stade de « tissu numérique » plutôt que de « bunch de projets numériques ». Le travail prescriptif, piloté par l'IA et alimenté par des masses de données capteurs, recèle un immense potentiel pour les marchés B2B / industriels et nous voyons des signes très encourageants dans la maintenance d'actifs et les services sur le terrain.