Parmi les marronniers de l’usine 4.0, l’intelligence artificielle apparaît comme LA source de gains.
Selon BCG, les organisations qui adoptent et intègrent de l’IA sont mieux armées et vont doubler leurs flux de trésorerie d’ici 2030. Mouais.
La vérité, c’est qu’actuellement seules 55% des entreprises industrielles commencent à développer des projets d’IA, en interne ou via des applications simples.
Pourtant, ses avantages sont nombreux : gestion de la qualité (réduction des coûts de contrôle qualité et optimisation de la maintenance), reporting et analyse de patterns de données en temps réel, etc.
Prenons l’exemple de l’optimisation du temps de maintenance : en moyenne, une usine perd 5% de productivité pendant le temps d’arrêt machine (et on peut facilement monter jusqu’à 20%). Ceci entraine mécaniquement de la difficulté à remplir les objectifs de production, du retard de livraison client, des pertes de revenus, la mobilisation de ressources liées à la résolution du problème ou encore des frais dus aux heures supplémentaires pour n’en citer que quelques-uns.
Selon McKinsey, pour l’industrie, la plus grande valeur ajoutée de l’IA aujourd’hui vient de son utilisation pour de la maintenance prédictive (500 à 700 milliards de dollars dans l’économie mondiale).
Encore selon le cabinet, les entreprises qui utilisent de l’IA et du machine learning pour la détection de défauts produits et des tests qualité peuvent augmenter la productivité de l’usine jusqu'à 50 %, engendrant jusqu'à 2 000 milliards de dollars de valeur dans la gestion de la supply chain et la production.
Dès lors, pourquoi si peu d’industriels s’y risquent ?
Coût de formation des utilisateurs et outils disponibles :
Les métiers ne maitrisent pas le développement et ne bénéficient pas d’application simple et sécurisée où ils peuvent itérer et échanger avec des utilisateurs techniques.
Coût technique :
Trop de systèmes différents à connecter pour améliorer la prédiction. En effet, si la donnée provenant des capteurs IoT est prépondérante pour faire de la maintenance prédictive (vibrations, changements de température par exemple), d’autres sources de données peuvent être incluses pour affiner davantage la prédiction :
- Données de localisation
- Données manuelles via un contrôle humain
- Données des MES
- Données statiques
- Historique de l’utilisation de l’équipement
- Données externes via des API
- Données venant d’équipements de contrôle programmables
Okay, mais comment s'y prendre alors ?
Il faut avoir la capacité de remonter ces différentes données et de les corréler sur une data platform. Cette plateforme doit pourvoir permettre de faire de la data science et si possible en low-code pour que les non tech puissent travailler avec les techs sur ces sujets, sans friction. En effet :
- Cela permet une connectivité à de nombreuses sources de données
- Il n’y a pas de limite concernant la quantité et la complexité de données
- La plateforme est inclusive : facile d’utilisation, qu’importe le background technique et permet donc de s’émanciper du fournisseur et améliorer les opportunités d’analyses de données
- Elle est adaptée à la méthodes des “petits pas” : elle ne limite pas les équipes à un seul cas d’usage mais plutôt leur permet de commencer avec un cas et de scale up en intégrant du machine learning et de l’IA.
Donc si on récapitule :
La maintenance prédictive est un enjeu stratégique pour les usines.
Son implémentation au sein de l’atelier est donc primordiale et l’intégration d’une solution edge permettant la remontée de données machine en temps réel est un préalable.
La plateforme doit pouvoir remonter des données de systèmes variés, le tout sans coder pour permettre l’adoption dans l’usine et la montée en compétence des collaborateurs.
Si vous voulez échanger avec nous autour de ces sujets ou bien découvrir Niagara Edge, n’hésitez pas à nous contacter via le chat live sur votre droite ou bien ici !
