Renforcer l'expertise humaine par le Machine Learning : solutions de confiance par Senseye

Par Adam Poole, Responsable Design Produit

La technologie n'a de valeur que lorsqu'elle nous simplifie la vie, pourtant cette vérité simple peut se perdre dans la promotion des dernières merveilles techniques.

Dans un environnement de travail, la dernière chose dont les gens ont besoin sont des solutions qui leur laissent le mal de tête de systèmes supplémentaires à gérer. Dans la vague actuelle d'innovation et d'enthousiasme autour des usines intelligentes et de l'Industrie 4.0, il est plus important que jamais de trouver des solutions qui aident les gens à construire des entreprises plus solides, plutôt que de complexifier leur vie professionnelle.

La data en flux libre devient rapidement la monnaie principale dans cet environnement intelligent. Pourtant, la data est inutile à moins qu'elle n'habilite les gens à prendre de meilleures décisions business. Dans cet esprit, il est critique que la nouvelle génération de systèmes industriels offre une expérience utilisateur qui améliore la vie professionnelle des gens.

Faire aller l'expertise plus loin

Bien fait, ces systèmes peuvent jouer un grand rôle pour aider à mettre à l'échelle l'expertise humaine rare. Ils peuvent donner aux gens plus de temps pour prendre des décisions pendant que l'essentiel de l'analyse de données routinière est effectué automatiquement en arrière-plan.

Pour véritablement exploiter la puissance de l'usine intelligente, nous devons connecter humains et machines de la bonne façon. Il ne s'agit pas d'intelligence artificielle (IA) déplaçant des années d'expertise humaine, mais d'humains et de machines devenant le « système intelligent » : collaborant et se complétant mutuellement.

Définir des priorités pour optimiser les ressources

Senseye PdM est un excellent exemple. Notre système de maintenance prédictive basé sur le cloud peut surveiller des milliers d'actifs connectés, détectant automatiquement les comportements anormaux et les patterns qui correspondent aux modes de défaillance connus de machines individuelles. Le but est de repérer les problèmes de maintenance bien plus tôt, permettant aux utilisateurs de corriger les problèmes avant qu'ils ne perturbent les opérations.

Les équipes de maintenance occupées n'ont généralement que quelques minutes au début de chaque quart pour identifier lesquelles parmi leurs milliers d'actifs ont le plus besoin de leur attention. De manière unique, Senseye PdM présente l'information aux utilisateurs sous forme de liste priorisée, triée par l'Indice d'Attention. Cela permet aux utilisateurs de voir immédiatement où ils doivent diriger leurs ressources.

Aller au-delà de la Santé d'Actif

En commun avec la plupart des systèmes de surveillance d'état, Senseye PdM aidait auparavant les utilisateurs à définir des priorités en indiquant un score de Santé d'Actif pour chaque actif. Cela est maintenant remplacé par l'Indice d'Attention, qui fournit une façon unique de trier les actifs. Cette nouvelle approche fait partie d'une nouvelle génération d'analytiques déployées en utilisant une nouvelle gamme d'algorithmes propriétaires.

L'Indice d'Attention prend en compte toutes les façons dont Senseye PdM peut détecter ou prédire les problèmes : détection d'anomalies, tendances, seuils et prognostique. Le logiciel, à chaque niveau, guide l'utilisateur vers la détermination du problème sous-jacent, sa rectification et sa capture dans le système. Cela alimente les algorithmes de machine learning pour que les pannes commencent à être repérées assez tôt pour agir.

La Santé d'Actif, en tant que concept, donne l'impression que le système comprend tout sur un actif. Ce n'est jamais le cas. Un système de surveillance d'état ne peut baser ce score que sur les capteurs et indicateurs de condition configurés pour chaque actif (ex. niveau de vibration). Si cela mène à un score de 0, que cela signifie-t-il vraiment ? C'est trompeur pour les utilisateurs.

Insights en un coup d'œil

L'Indice d'Attention soutient la prise de décision en présentant une liste priorisée d'actifs. C'est l'expertise de l'utilisateur qui détermine l'étape suivante. En gardant le design du logiciel simple et direct, un temps précieux est économisé. En exploitant la puissance du machine learning, des décisions éclairées sont prises, et en capturant le travail réellement effectué, toutes les parties du système continuent d'apprendre.

En aidant les utilisateurs à identifier où ils doivent concentrer leurs ressources de maintenance, Senseye PdM délivre des résultats impressionnants, avec une augmentation typique de 85 % de la précision de maintenance accompagnée de réductions de 50 % des arrêts et d'une hausse de 55 % de la productivité.

Vous voulez plus d'informations sur l'Indice d'Attention® dans Senseye PdM ? Téléchargez notre livre blanc « Augmenter l'expertise humaine avec le Machine Learning ».