Dans l’industrie

L’industrie n’échappe pas à l’Intelligence Artificielle

La révolution industrielle a apporté d’innombrables inventions et nouveaux produits comme aucune autre époque auparavant. Pourtant, nous négligeons souvent les mécanismes et processus qui leur ont permis de voir le jour.

Prenons l’exemple de l’innovation dans les processus de fabrication, tels que la maintenance des équipements, les contrôles qualité et l’optimisation de la chaîne d’approvisionnement. Ces inventions sont tout aussi essentielles aux processus industriels et de fabrication aujourd’hui qu’elles l’étaient il y a plus d’un siècle, mais les rendre efficaces à l’échelle et maîtriser la complexité du marché mondial actuel est un défi. Grâce à la convergence des données et du machine learning, ces pratiques de fabrication industrielle sont désormais en passe d’être réinventées.

Chaque jour, les entreprises génèrent d’importants volumes de données, stockent ces informations dans le cloud et utilisent ces ressources pour repenser pratiquement tous leurs processus. Pour obtenir des informations essentielles à partir leurs données et prendre des décisions plus rapides et plus éclairées, les entreprises du secteur de la manufacture, de l’énergie,  des transports et de l’agriculture exploitent de nouveaux types de technologie pour améliorer les charges de travail industrielles telles que l’ingénierie et la conception, la production et l’optimisation des actifs, la gestion de la chaîne d’approvisionnement, les prévisions, la gestion de la qualité, ou encore les produits et machines intelligents.

De l’efficacité opérationnelle au contrôle qualité et au-delà, voici quatre façons dont les entreprises utilisent le machine learning pour repenser les processus industriels.

I am text block. Click edit button to change this text. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.

La maintenance prédictive des équipements

Un défi auquel de nombreuses entreprises industrielles et manufacturières sont confrontées aujourd’hui réside dans la maintenance continue de leurs équipements. Historiquement, la maintenance des équipements se déroulait de façon réactive (après une panne) ou préventive (effectuée à intervalles réguliers pour éviter les pannes), les deux étant des pratiques coûteuses et inefficaces. La maintenance prédictive est la meilleure solution puisqu’elle donne aux entreprises la possibilité de prévoir quand les équipements auront besoin d’être entretenus. Cependant, la plupart des organisations manquent du personnel et de l’expertise nécessaires pour créer leur propre solution.

Heureusement, pour des entreprises comme GE Power – un fournisseur leader d’équipements, de solutions et de services de production d’électricité – la maintenance prédictive est enfin à portée de main. Il existe désormais des systèmes de bout en bout qui utilisent des capteurs et l’apprentissage automatique pour détecter et alerter les entreprises des fluctuations anormales des vibrations ou de la température des machines, sans apprentissage automatique ni expérience du cloud. Ce type de technologie a aidé GE Power à moderniser rapidement les actifs avec des capteurs et à les connecter à des analyses en temps réel dans le cloud, passant de pratiques de maintenance temporelles à des pratiques de maintenance prédictives et prescriptives. Et à mesure qu’ils évoluent, GE Power peut utiliser ces systèmes pour mettre à jour et entretenir à distance sa flotte de capteurs, sans jamais avoir à les toucher physiquement.

La détection d’anomalies grâce à la vision par ordinateur

Une autre étape toute aussi importante que la maintenance des équipements consiste à garantir la qualité des produits fabriqués. L’inspection visuelle des processus industriels nécessite généralement un contrôle humain, parfois fastidieux et inégal. Pour améliorer le contrôle de la qualité, les industriels se tournent vers la vision par ordinateur qui fournit une vitesse et une précision accrues pour identifier les défauts de façon systématique. Une fois de plus, des freins ont empêché les entreprises de créer, déployer et gérer leurs propres systèmes de détection visuelle d’anomalies basés sur le ML. Désormais, les organisations peuvent utiliser des solutions de détection de haute précision et à faible coût, capables de traiter des milliers d’images par heure pour repérer les défauts et les anomalies, puis signaler les images qui diffèrent de la base de référence afin que les mesures appropriées puissent être prises.

Améliorer l’efficacité opérationnelle

De nombreuses entreprises issues de l’industrie cherchent également à appliquer la vision par ordinateur pour les aider à optimiser l’efficacité des opérations. Aujourd’hui, les organisations examinent manuellement les flux vidéo sur leurs sites industriels pour authentifier l’accès aux installations, inspecter les expéditions, détecter les déversements et dans d’autres situations sensibles. Mais effectuer cette tâche en temps réel est à la fois difficile et source d’erreurs. Et bien que les entreprises puissent vouloir remplacer les caméras IP (Internet Protocol) existantes par des caméras intelligentes disposant de suffisamment de puissance de traitement pour exécuter des modèles de vision par ordinateur, cela peut être coûteux et inefficace. En effet, même des caméras intelligentes ayant une faible latence ne garantissent pas forcément une bonne précision. En revanche, les industriels peuvent utiliser des équipements qui leur permettent d’ajouter la vision par ordinateur aux caméras sur site existantes, ou même utiliser des kits de développement logiciel pour créer de nouvelles caméras capables d’exécuter des modèles de vision par ordinateur efficaces en périphérie.

La société mondiale d’énergie BP cherche à déployer la vision par ordinateur dans ses 18 000 stations-service dans le monde. En s’appuyant sur AWS, elle s’emploie à tirer parti de la vision par ordinateur pour automatiser l’entrée et la sortie des camions de carburant vers leurs installations et pour vérifier que la commande correcte a été exécutée. La vision par ordinateur peut aider à alerter les travailleurs en cas de risque de collision, à identifier un objet étranger dans une zone d’exclusion dynamique et à détecter toute fuite d’huile.

Aujourd’hui, les chaînes d’approvisionnement sont des réseaux mondiaux complexes intégrant fabricants, fournisseurs, distributeurs et logistique, et doivent s’appuyer sur des méthodes sophistiquées pour comprendre et s’adapter à la demande des clients, aux fluctuations du prix des matières premières et à des facteurs externes tels que les congés, les imprévus et même la météo. Ne pas anticiper correctement ces variables peut avoir des répercussions coûteuses, entraînant un sur ou un sous-provisionnement et conduisant à un gaspillage des ressources ou à une mauvaise expérience client. Pour aider à prévoir l’avenir, les entreprises utilisent donc le machine learning afin d’analyser les données chronologiques et fournir des prévisions précises qui les aident à réduire les dépenses d’exploitation et les inefficacités, à garantir une plus grande disponibilité des ressources et des produits, à livrer les produits plus rapidement et à réduire les coûts.

Le machine learning a aidé Foxconn, le plus grand fabricant d’électronique et fournisseur de solutions technologiques au monde basé à Taipei, Taiwan, face à une volatilité sans précédent de la demande, des approvisionnements et des capacités des clients en raison de la pandémie Covid-19. La société a développé un modèle de prévision de la demande pour son usine au Mexique afin de générer des prévisions précises des commandes. En utilisant le modèle sde Machine Learning, ils ont pu augmenter la précision des prévisions de 8%, soit une économie projetée de 553 000 dollars par an par installation, tout en minimisant le gaspillage de main-d’œuvre et en maximisant la satisfaction des clients.

Pour être à la hauteur du potentiel que le machine learning peut offrir aux environnements industriels, produits manufacturés, opérations de logistique et chaîne d’approvisionnement, les entreprises se tournent de plus en plus vers cette technologie pour rendre les processus plus faciles, rapides et précis. En combinant l’analyse de données en temps réel dans le cloud et le machine learning à la périphérie, les organisations industrielles transforment progressivement leurs aspirations en réalités et stimulent la prochaine révolution industrielle.

Les datalabs mis en place par les industriels doivent s’ouvrir pour associer les experts métiers au développement des modèles d’intelligence artificielle. Des plateformes de nouvelle génération le permettent.

S’ouvrir pour étendre et pérenniser les usages de l’intelligence artificielle. Le constat s’est imposé : il faut abattre les murs des datalabs et permettre à tous les experts métiers de collaborer, voire de développer eux-mêmes leurs modèles d’IA. Après Watson d’IBM, une nouvelle génération de plateformes de data science se développe pour faciliter un usage plus intégré et industrialisé de la data par les entreprises.

Une approche de bout-en-bout

La première caractéristique de ses plateformes, c’est leur vaste couverture fonctionnelle, comme l’explique Alexis Fournier, le vice-président de la stratégie IA pour l’Europe, le Moyen-Orient et l’Afrique chez Dataiku : « Nous proposons une plateforme end-to-end, c’est-à-dire capable de couvrir l’ensemble des tâches du cycle de vie du modèle. L’idée est d’avoir une interface unique pour définir les sources de données, les analyser, concevoir et tester le modèle jusqu’à le déployer dans l’infrastructure ».

A regarder :

• Dataiku accompagne les entreprises dans leur transition vers l’intelligence artificielle Publié sur BFM
• Comment Dataiku est devenu un champion français de l’intelligence artificielle ? Publié sur BFM
• La licorne de l’IA Dataiku défie les marchés pour lever 200 millions de dollars (réservé aux abonnés) Publié sur Les Échos le 14 décembre 2022

Reprise par de nombreux éditeurs, cette approche se traduit par des capacités d’intégration et de manipulation des données très développées. Le système doit pouvoir se connecter à l’ensemble des sources de données potentiellement exploitables par un algorithme, que celles-ci soient structurées (base de données), semi-structurées (fichiers XML) ou non structurées (textes, images, sons). Il fournit ensuite des outils de préparation de données qui vont permettre à un data engineer et à un expert métier de les rendre exploitables par un algorithme d’IA. Enfin, il offre des outils interactifs de manipulation de données, de tests du modèle sur un échantillon de données jusqu’à son déploiement dans le cloud public ou sur un serveur de l’entreprise.

Tous les outils sur une même plateforme

Concentrer tous les outils sur une même plateforme implique que des profils très différents puissent travailler dessus. Les informaticiens de la DSI (direction des systèmes d’information) vont paramétrer les sources de données, les data scientists vont coder leurs algorithmes directement dans leur langage préféré, qu’il s’agisse de SQL, de Python ou des langages spécialisés R et SAS, et exploiter les bibliothèques d’algorithmes développées dans ces langages.

Enfin, les experts métiers doivent, eux aussi, exploiter la plateforme pour analyser leurs données. Il est difficile, voire impossible, de former ces profils non informaticiens à des langages complexes et de les contraindre à développer. La solution des éditeurs est de proposer un mode dual : les data scientists peuvent coder leurs algorithmes manuellement dans le langage de leur choix, tandis que les experts métiers disposent d’un mode de type « no-code ». L’interface graphique leur permet d’élaborer un modèle en manipulant des algorithmes prêts à l’emploi, sous forme de composants.

« Nous nous adressons à tous les utilisateurs potentiels de la donnée dans l’entreprise, souligne Raphaël Savy, le directeur pour l’Europe du Sud de l’éditeur américain Alteryx. Les utilisateurs métiers doivent pouvoir résoudre les problématiques qu’ils connaissent le mieux grâce à leur expertise, c’est ce que l’on appelle les citizen data analysts ». Le logiciel Alteryx Designer propose plus de 250 composants prêts à l’emploi, que les experts pourront manipuler pour analyser leurs données sans programmation.

Automatisation du traitement de la donnée

Cette approche « no-code » est désormais reprise sur toutes les plates-formes de data science modernes et des algorithmes d’IA sont également déployés afin d’aider ces citizen data analysts à manipuler les données ou même à choisir le meilleur algorithme en fonction de la nature de ces données. C’est le cas de la plateforme Viya de l’éditeur SAS, qui suggère les algorithmes en assortissant chacun d’eux d’un taux de confiance, mais aussi d’un argumentaire en langage naturel.

Faire travailler tous les collaborateurs impliqués dans l’exploitation des données sur une même plateforme est un moyen de faire émerger des idées et de les tester très rapidement sur un mode « test and learn ». Mais il ne s’agit pas de se limiter aux POC (preuves de concept), bien au contraire. Ces plateformes visent à accélérer la mise en production de modèles. La priorité doit être donnée à la réutilisation des traitements, notamment ceux qui portent sur l’intégration des données. « Le nettoyage et la normalisation des données sont des tâches très chronophages, précise Raphaël Savy. Il faut réduire les délais induits par ces manipulations grâce à la réutilisation et à l’automatisation des traitements à appliquer aux données ».

Vers une industrialisation de la production des modèles

D’autre part, des workflows transversaux permettent aux projets de modèles d’avancer pas à pas jusqu’à la mise en production, qui prend souvent du temps. De nombreuses semaines sont parfois nécessaires pour les développeurs et les ingénieurs d’exploitation afin d’industrialiser le modèle et d’assurer la sécurité des données. Les éditeurs apportent des solutions pour accélérer cette étape, notamment en hébergeant sur la plateforme des web services prêts à être interrogés par les applications de l’entreprise, ou en générant de manière automatique des conteneurs logiciels prêts à être installés sur un serveur d’entreprise ou dans le cloud.

Pensées pour faciliter le travail collaboratif sur la data, ces plateformes se veulent également simples à installer et à faire évoluer, en tout cas bien plus que les ERP (progiciels de gestion intégrés). « L’intérêt des plateformes de data science modernes est que leur déploiement peut être progressif, souligne Pascal Brosset, le directeur technique de l’activité digital manufacturing de Capgemini. L’investissement initial est faible, notamment pour celles disponibles dans le cloud, et on va déployer les cas d’usage de l’IA un par un, en fonction des priorités et de la stratégie de l’entreprise ».

La possibilité de souscrire à une plateforme SaaS (software as a service), avec un paiement à l’usage, limite les dépenses et va permettre d’obtenir rapidement des premiers succès, un moyen de rallier peu à peu les différentes directions de l’entreprise et d’étendre les usages de l’IA partout où ils sont pertinents. Viendront ensuite la phase de structuration de toutes ces initiatives et la création d’un modèle de données commun, d’une sémantique commune à toute l’entreprise, qui faciliteront encore la création de nouvelles IA.

Source : Les plateformes pour l’IA tournées vers la collaboration en entreprise se multiplient
Publié sur L’Usine Digitale le 22 juin 2021 par

La start-up californienne Aisera propose d’automatiser les tâches répétitives et chronophages liées au support IT, RH ou client. Elle fait appel à l’informatique cognitive et au traitement du langage naturel.

Présentation  de la firme

Aisera vise l’automatisation des processus métiers par des robots logiciels, ou automatisation robotisée des processus. Ceci consiste à reproduire les actions répétitives, chronophages et à faible valeur ajoutée réalisées manuellement par les employés. Par exemple l’alimentation d’une base de données, le rapprochement des bons de commande et des factures ou encore l’envoi de réponses génériques à des clients. Ce marché est dominé par UiPath, un éditeur d’origine roumaine. L’autre grand rival est américain Automation Anywhere.

Face a ces deux géants, il faudra compter sur Aisera. Cette start-up californienne retenue dans le classement annuel Forbes AI 50 qui a été qualifiée de « cool vendor » par le cabinet d’études Gartner. Fondée en 2017 par Muddu Sudhakar, serial entrepreneur et ancien cadre dirigeant de ServiceNow et Splunk. Cette société basée a Palo Alto compte Autodesk, McAfee ou Ciena parmi ses références et revendique dix millions d’utilisateurs. Sa particularité ? Avoir fait le choix de se positionner sur l’optimisation de l’expérience client au sens large. Sa solution est taillée pour automatiser les opérations d’un help desk informatique ou les demandes récurrentes des collaborateurs reçues par une DRH. Côté CRM, elle décharge les opérateurs d’un service client des requêtes répétitives en proposant une plateforme de résolutions de problèmes 24/7.

Automate Your Enterprise Without Compromise

When it comes to your business challenges, we believe in simple solutions that deliver greater auto-resolutions for both customers and employees.
Lorsqu’il s’agit de vos défis professionnels, nous croyons en des solutions simples qui apportent des solutions automatiques plus importantes pour les clients et les employés.

Pour aller sur les site web de l’entreprise : Aisera

Fabrice Deladiennée, directeur industriel de la papeterie Norske Skog Golbey (Vosges)

« Nous nous sommes convertis en 2006 à l’IA pour optimiser notre chaîne de fabrication. Nous travaillons à partir de la matière première recyclée et des dépôts d’impuretés obligeaient trop souvent à suspendre les opérations. On pouvait perdre jusqu’à deux heures par jour. Beaucoup d’instruments mesuraient toutes sortes de paramètres (température, pression, vitesse…) déterminants pour le bon fonctionnement de la chaîne. Mais nous n’avions pas les moyens de les analyser et de comprendre les interactions. Avec le spécialiste de l’IA Braincube, nous avons regroupé toutes ces informations dans une même base de données. Puis identifié des corrélations et les niveaux optimaux que devaient approcher quatorze paramètres essentiels. En collant à ces indicateurs, nous sommes parvenus à réduire de 50% les temps d’arrêt des machines.

Depuis, on a étendu l’IA à d’autres problématiques comme la consommation d’énergie fossile et avons également généré des économies. De mon point de vue, l’IA progresse tellement vite que ses limites se trouvent plutôt du côté des décisionnaires. L’IA transforme les métiers, les modes de management et suscite parfois des craintes pour l’emploi. Mais dans notre usine, elle réduit le stress des opérateurs en les assistant. Ils sont toujours là pour reprendre la main en cas de dysfonctionnement et leur expérience acquise chez nous de pilotage de l’IA depuis un écran améliore finalement leur employabilité. »

Brice Tariel, directeur de l’innovation du groupe Coface

« Depuis longtemps, le groupe Coface utilise des systèmes experts dans son métier de l’assurance-crédit pour l’assistance aux prises de décisions, mais, en 2017, nous avons franchi un nouveau cap en recourant au machine learning, une technologie d’intelligence artificielle permettant aux ordinateurs d’apprendre sans avoir été programmés explicitement à cette fin. Cet outil nous aide à mieux gérer nos contrats et nos risques, améliore la prédiction de défaut de paiement d’une entreprise ou aide les commerciaux à identifier les clients insatisfaits qui risquent de résilier leur contrat, ce qui leur permet d’enclencher des actions préventives pour les retenir. Selon nos estimations, l’IA nous permet désormais d’identifier un client mécontent sur deux, ce qui est déjà une belle performance. Fournie conjointement par Oracle et Hyperlex, la solution ERP d’analyse des contrats numérisés d’une entreprise constitue un autre exemple de l’apport de l’IA à notre métier.

Cette solution aide nos chargés de compte à identifier rapidement les clauses sensibles de contrats d’assurance-crédit très complexes qui s’étalent et évoluent sur plusieurs années en leur épargnant un fastidieux épluchage intégral. L’IA améliore nos performances mais a des limites. Elle fonctionne pour les tâches répétitives et effectives à grande échelle mais quand il faut assurer la relation commerciale, prendre des décisions portant sur des montants importants, rien ne remplace l’expertise et l’expérience humaine. Ainsi nos collaborateurs sont souvent amenés à prendre des décisions contraires à celles que l’IA préconise. »

Interview de M. Antoine Couret, fondateur d’ALEIA sur BFM Business :

L’IA au service du secteur industriel

Le saviez vous ?

CAPTCHA signifie…

« Completely Automated Public Turing Test to tell Computers and Humans Apart », ou « Test de Turing entièrement automatique et public pour distinguer les machines des humains ». Ce qui doit supposer que le Test de Turing a déjà été passé selon les créateurs du concept, puisque l’Intelligence Artificielle a su surmonter les captchas depuis longtemps…

Seules 7 % des entreprises européennes se lancent dans des projets d’intelligence artificielle pour améliorer leurs processus de production. C’est deux fois moins qu’aux États-Unis et en Chine. Et seule une sur cinq parvient à industrialiser ses projets. La raison? Une trop grande complexité à dépasser et le manque d’accompagnement pour y parvenir.

La proposition d’Aleia

ALEIA, une plateforme ouverte, industrialisée, souveraine et sécurisée pour créer, déployer et exploiter vos applications d’Intelligence Artificielle.

Une plateforme ouverte, pensée pour que vos équipes techniques et métiers puissent collaborer facilement et accéder à des données et des services enrichis.

Une plateforme industrielle, urbanisée, pensée pour optimiser la performance de vos projets d’Intelligence Artificielle et faciliter leur mise en production.

Une plateforme souveraine et sécurisée, pensée pour maitriser la puissance de l’IA dans un environnement où la donnée est régie de manière centralisée.

Les solutions par métiers

MOBILITE

Maximisez le potentiel de vos données de mobilités, évaluez des scénarios et créez de nouveaux scénarios avec les outils de modélisation, de simulation et d’optimisation des flux de déplacements et des réseaux routiers.

LOGISTIQUE

Améliorez la performance et l’empreinte carbone de vos flux logistiques. ALEIA vous accompagne dans l’optimisation de vos flux grâce à sa plateforme mutualisée de modélisation et simulation sous contraintes.

CYBER

Monitorez en temps réel votre réseau et couvrez la totalité des menaces allant de l’identification des vecteurs d’attaque potentiels (en mode préventif), en passant par la qualification des cyber-risques (en mode détection) jusqu’à la remédiation pour bloquer les process ou utilisateurs dangereux.

ENERGIE

Réduisez les coûts énergétiques et améliorez l’exploitation de vos bâtiments. ALEIA utilise des techniques d’apprentissage automatique pour détecter les potentiels d’économies d’énergie, faire des analyses comparatives, des prévisions et suivre l’impact des actions dans le temps, afin d’aider les entreprises et collectivités à réduire les coûts, améliorer les opérations et atteindre les objectifs d’efficacité énergétique.

Tout est très bien expliquer le site de l’entreprise : Aleia

Le meilleur de la technologie pour traiter automatiquement tous vos messages & leurs pièces jointes : Golem.ai

Les fonctionnalités d’InboxCare

Ce qui transforment votre relation client :

Pour aller sur le site de l’entreprise : Golem.ai

ndlr : pourquoi cet article ? Un de mes amis travaille dans un groupe qui utilise Goleme.ai

D

Lien vers le site internet de cette entreprise : Amiral Technologies