La transformation numérique se déroule sous nos yeux. Pour faire face à la concurrence, de plus en plus d’entreprises manufacturières adoptent des technologies modernes et délaissent l’approche industrielle traditionnelle pour adopter le concept Industrie 4.0 avec l’aide de IIoT. Simultanément, nous assistons à une croissance exponentielle de l’intérêt pour l’intelligence artificielle (IA) et il devient naturel de tirer parti de l’analytique pour optimiser les performances des usines de production. Cependant, selon les récents rapports de Gartner, 85 % des projets d’IA n’offrent pas la valeur escomptée. Bien que les diverses raisons qui peuvent conduire à l’échec, les entreprises industrielles peuvent augmenter les chances de succès en préparant leur entreprise pour la transition inévitable de devenir une organisation axée sur les données.
Agréger et organiser les données
Il n’y a pas d’analyse sans données organisées de grande qualité, c’est aussi simple que cela. Néanmoins, un tel truisme est encore l’un des facteurs les plus importants qui construit la base d’un projet d’IA réussi et n’est pas généralement traitée avec une attention adéquate, malheureusement.
Les plus grands défis de nos jours ne sont pas un manque de faisabilité technique pour capter les signaux de certains anciens matériels qui se trouvent sur le site d’usine (grâce aux plateformes IIoT et à des centaines de pilotes et de connecteurs prêts à l’emploi comme Kepware qui permet la collecte de données à partir de littéralement n’importe quel actif industriel avec facilité) mais plutôt le fait que l’information est distribuée entre plusieurs systèmes de TI, emplacements physiques, avec divers niveaux de qualité et de fréquence.
Quelqu’un pourrait dire que l’entrepôt de données est la solution, et c’est en fait une déclaration partiellement valide. Les entrepôts de données ont été introduits il y a de nombreuses (relativement) années comme une évolution des RDMBS classiques (systèmes de gestion de bases de données relationnelles) afin de stocker et de traiter une grande quantité d’informations (Big Data) à des fins données. Et c’est exactement la raison pour laquelle les entrepôts de données classiques ne sont généralement pas très utiles en matière d’IA – ils contiennent des données déjà traitées, alors que les caractéristiques du processus d’ingénierie (extraction d’informations importantes pour une analyse plus poussée et le calcul machine learning) nécessite des données brutes.
Solution pour ce défi – Data Lakes – a été introduit il ya quelques années et est déjà très adopté par les plus grands fournisseurs de services cloud. L’objectif est simple : fournir un stockage hautement accessible et facilement modifiable pour les données brutes qui peuvent être utilisées pour un traitement ultérieur. Il convient de mentionner que l’approche moderne, parfois appelée Data Lakehouse, permet la gestion des données au sommet, qui combine la flexibilité des lacs de données et les transactions ACID des entrepôts de données classiques (bon exemple de technologie qui gagne actuellement en popularité dans ce domaine est Snowflake).
Établir un objectif raisonnable et mesurable
Ce n’est que lorsque les données sont finalement recueillies et persistent qu’il y a un temps pour la découverte de cas d’utilisation opérationnelle. Cela ne veut pas dire que les entreprises industrielles ne devraient pas penser à leurs difficultés avant, bien au contraire, mais elles devraient se concentrer davantage sur des valeurs commerciales mesurables, plutôt que sur un élément particulier du processus de production qu’elles veulent optimiser.
Il est très courant que les attentes à l’égard du RCI de l’analytique (en particulier l’intelligence artificielle) soient élevées dans un état d’esprit de gestion de haut niveau, mais la vérité est cruelle – l’analytique n’est pas une baguette magique. et d’ailleurs vous ne pouvez pas être toujours complètement sûr que le problème d’affaires qui a été défini est résolvable avant que vous essayez de le craquer.
Par conséquent, une analyse appropriée du processus opérationnel et la sélection d’une approche et d’un cas d’utilisation convenables et rentables sont des étapes essentielles au succès global de tout projet d’analyse industrielle.
Mieux comprendre les processus opérationnels
Heureusement, il existe des outils et des solutions qui peuvent aider à mieux comprendre les processus opérationnels en fournissant des renseignements tirés directement des données que les entreprises recueillent. Le terme commun de ces outils est Business Intelligence (BI).
La puissance de la Business Intelligence est certainement la capacité de visualiser le Big Data de manière très intelligible et accessible, généralement sous la forme de rapports avancés qui présentent un large spectre de KPI orientés business. Ce qui est un facteur clé dans le monde industriel, BI peut être utilisé pour agréger les données OT (provenant de la production) avec des données IT (comme ERP, PLM, CRM, HR, WMS ou autres) qui ouvre un certain nombre de possibilités pour apporter de la valeur dans les affaires et finalement prendre de meilleures décisions, y compris la sélection des cas d’utilisation les plus prometteurs pour l’IA.
BI est très sous-estimé comme branche de l’analytique de nos jours dans le secteur industriel, en particulier en raison du fait que les entreprises manufacturières ont toujours peur de sortir de leurs environnements sur site vers le Cloud, alors qu’il est presque impossible (et ce qui est plus important – non rentable) pour appliquer la solution de veille stratégique (par exemple : PowerBI) lorsque les données ne sont pas stockées dans le Cloud.
Commencer petit, échouer rapidement, penser grand
Un autre facteur est la méthodologie d’exécution des projets d’analyse qui n’est généralement pas correctement définie et appliquée. En ce qui concerne l’IA, il est difficile de prédire l’avenir (ce qui est une déclaration particulière en raison du fait que l’IA est souvent utilisée pour prévoir les événements subséquents). Approche classique de développement de logiciels informatiques (même Agile) généralement conduit à une escalade du projet d’analyse ou même à la résiliation en raison d’un manque de résultats attendus. Par conséquent, les jalons doivent être soigneusement déterminés avant le démarrage du projet et les entreprises industrielles doivent être informées de ce qui est potentiellement à venir avant de décider d’investir dans analytique.
Lorsque le cas d’utilisation opérationnelle à traiter est choisi, la meilleure approche consiste à concentrer les efforts sur la mise en œuvre de la preuve de valeur (PoV), qui est une forme d’étude de faisabilité. Il ne doit pas nécessairement s’agir d’un modèle d’apprentissage automatique à la fine pointe de la technologie qui surpasse les autres, mais plutôt fournir sagesse, clarté et assurance que cette direction peut être explorée plus avant. Si PoV ne montre pas de preuve de valeur – ce qui n’est pas rare – les entreprises peuvent décider d’enquêter sur les raisons de la défaillance et de les corriger. (peut-être plus de capteurs à installer sur la ligne de production, plus de données à collecter, plus de fréquence, ou des tonnes d’autres raisons possibles) ou plutôt prendre du recul, accepter le manque de succès et choisir différents cas d’utilisation prometteurs qui peuvent finalement apporter des avantages à leur entreprise.
Lorsque PoV est couronné de succès, un logiciel prêt pour la production peut être conçu, développé et déployé sur l’usine de pilotage avec le désir de passer à l’échelle de toute l’organisation, mais ce qui est crucial, c’est que ces fiascos communs aux premiers stades du projet ne doivent pas être traités comme des échecs, mais plutôt comme une étape nécessaire pour atteindre le succès final.
Devenir une organisation axée sur les données
Une fois que l’entreprise reconnaît la valeur qui découle du premier projet d’analyse (intelligence d’affaires ou intelligence artificielle), il n’y a pas de retour en arrière. De plus en plus de parties des organisations doivent être numérisées, d’autres sources de données sont agrégées et contextualisées, de sorte que des décisions plus mûres peuvent être prises. Ce n’est qu’une question de temps avant que chaque entreprise de fabrication commence à adopter l’analytique sur une base quotidienne. Tout ce dont il a besoin est d’être suffisamment mûr pour adopter cette tendance inspirante de manière pertinente.
Plus tôt le secteur industriel changera d’attitude pour tirer parti du pouvoir qui se trouve sous des tonnes d’information qui est déjà recueillie à sa porte et qui évolue vers de véritables organisationaxée sur les données, les processus de fabrication plus rapides seront optimisés et les usines peuvent devenir plus respectueux de l’environnement sur une courte période de temps.
Principaux points à retenir :
- Collecter et stocker des données OT/IT de bonne qualité dans le Cloud (Data Lake) à l’aide de l’IoT.
- Définir l’objectif mesurable et réaliste que vous souhaitez atteindre grâce à l’IA
- Tirez parti de la Business Intelligence pour apporter une valeur instantanée à votre processus décisionnel opérationnel.
- Adapter la méthode de prestation pour répondre aux caractéristiques uniques des projets d’analyse.
- Faites confiance à vos données et n’ayez pas peur de fonder vos décisions sur les renseignements que vous recueillez.
Découvrez dès aujourd’hui les capacités de notre solution Industrial Analytics Accelerator.
Explorez les possibilités et assistez à une démonstration.