Les fabricants ont toujours mis l’accent sur l’optimisation de leurs opérations. Réduire le gaspillage, optimiser l’utilisation des ressources et diminuer les coûts d’exploitation sont des priorités depuis des décennies.

Ce que l’IA change, c’est le niveau d’intelligence que les fabricants peuvent appliquer à ces défis.

Plutôt que de simplement consolider l’information sur la consommation d’énergie, la performance de l’équipement ou la qualité, l’IA peut apprendre de l’interaction des données opérationnelles et aider à identifier ce qui risque de se produire ensuite, soutenant ainsi des actions avant qu’un événement défavorable ne survienne. Elle peut aussi appuyer les opérateurs par des recommandations d’actions avant qu’un problème n’engendre des coûts plus élevés, des pertes de productivité ou une interruption des opérations.

Cela commence à transformer le rôle de la technologie sur le plancher de production—d’un simple outil de visibilité des opérations à une aide décisionnelle proactive pour les fabricants sur la façon d’agir avec cette information.

Passer de la visibilité à l’action prescriptive

Un exemple provient du déploiement d’une optimisation énergétique fondée sur l’IA dans une usine de fabrication de composants électroniques.

Des capteurs installés sur l’équipement alimentaient une plateforme d’IA avec des données opérationnelles. Cela a aidé le fabricant à comprendre la consommation d’énergie et les coûts associés, tout en offrant une meilleure visibilité sur la performance de l’équipement.

L’apprentissage automatique appliqué aux données de consommation d’énergie en temps réel a permis d’obtenir des informations prédictives sur la sous-performance des machines et a poussé l’analyse plus loin en prescrivant des tâches aux équipes sur le terrain pour les aider à atteindre les objectifs de productivité et de coûts. Les principaux résultats comprenaient le rapprochement des données de consommation avec les factures de services publics, l’identification des besoins de maintenance préventive et l’intégration de ces résultats à la planification de la production.

L’élément distinctif important est donc ce qui se passe ensuite.

Une application traditionnelle peut consolider les données et indiquer aux opérateurs ce qui s’est passé. Les modèles d’IA peuvent apprendre à partir de ces données et repérer des tendances qui leur permettent de recommander des actions lorsque certaines conditions se présentent.

Par exemple, au lieu de simplement alerter un opérateur d’une hausse de la consommation d’énergie, le modèle peut identifier l’événement susceptible d’entraîner une surconsommation et guider l’opérateur dans les étapes nécessaires pour réagir.

Cela crée la possibilité de combiner l’optimisation des ressources avec la prise de décisions opérationnelles. Ce même principe peut s’appliquer à d’autres secteurs que l’énergie, tels que l’utilisation d’eau, le gaspillage de matériaux, la santé et sécurité, la performance de l’équipement, la maintenance et l’efficacité des autres processus de fabrication.

Pour les fabricants qui doivent continuellement maîtriser leurs coûts tout en protégeant la valeur de leur entreprise, cette capacité à transformer les données opérationnelles en actions devient de plus en plus essentielle.

Connecter les signaux à travers le plancher de production

L’occasion devient d’autant plus importante lorsque les fabricants réunissent de l’information provenant de multiples sources.

Les systèmes basés sur la vision peuvent capter des événements à l’aide de caméras ou de drones. Les capteurs peuvent fournir des renseignements sur les paramètres de processus et l’équipement, tandis que les jumeaux numériques peuvent offrir une couche supplémentaire de visibilité sur la performance des actifs.

Individuellement, chacun peut fournir des renseignements utiles. Lorsque les données sont regroupées, l’IA peut aider les fabricants à développer une vue plus complète de ce qui se passe dans une opération et à détecter des tendances qui seraient autrement difficiles à repérer.

Cela est important tant pour l’optimisation des processus que pour la qualité.

Dans la fabrication discrète, par exemple, la vision par ordinateur peut servir à inspecter les produits finis et à les comparer à des configurations définies ou des normes de qualité. L’objectif est d’automatiser l’inspection et d’accroître la constance et la portée de la surveillance de la qualité.

L’IA transforme aussi la façon dont ces systèmes sont amenés à évoluer avec le temps.

Les approches traditionnelles dépendent souvent d’une logique d’affaires prédéfinie. Si les opérations changent, un développeur doit parfois mettre à jour cette logique pour que le système puisse bien réagir. Pourtant, les environnements de fabrication sont hautement variables.

Les modèles d’IA peuvent continuer à apprendre à partir des données opérationnelles et être ajustés au fur et à mesure que de nouveaux scénarios se présentent.

Nous avons observé cela lors du déploiement en entreprise de notre solution VisionX couvrant plus de 15 cas d’utilisation en santé et sécurité. Des caméras captaient et analysaient des événements sur l’ensemble du site, étendant la portée de la surveillance à des zones qu’il serait difficile pour des personnes d’observer continuellement.

Au fil du déploiement, de nouveaux scénarios sont apparus et n’avaient pas été pris en compte lors de la modélisation initiale. La capacité d’apprendre de ces scénarios et d’affiner davantage le modèle illustre la différence majeure entre les approches avec intelligence artificielle et celles fondées uniquement sur des règles fixes.

Pour les sites de fabrication de grande taille, où il est impossible pour les gens d’observer partout en tout temps, cela peut étendre la portée de la surveillance opérationnelle et fournir aux équipes d’usine l’information nécessaire pour aborder plus tôt des problèmes potentiels.

Intégrer l’IA physique à la qualité et aux opérations

L’étape suivante consiste à relier cette intelligence aux systèmes physiques.

Les caméras, drones, capteurs et systèmes robotiques peuvent aider les fabricants à inspecter des environnements difficiles ou dangereux d’accès pour les personnes. L’IA peut ensuite analyser ce que ces systèmes voient et déterminer quelles actions pourraient s’imposer.

Prenons l’exemple d’une fuite de gaz dangereux ou d’un incendie. Les systèmes de vision peuvent aider à repérer rapidement des conditions anormales, permettant aux équipes d’évaluer la situation à distance avant d’exposer quelqu’un à un risque. Des caméras ou drones appropriés peuvent fournir une visibilité accrue dans les zones touchées, aidant notamment à déterminer si des travailleurs ont besoin d’aide immédiate.

Dans les milieux où les systèmes robotiques conviennent, notamment la fabrication discrète, ils peuvent aussi permettre une inspection à distance tandis que les employés restent à une distance sécuritaire.

Des approches similaires peuvent également soutenir l’inspection de la qualité.

Si un spécialiste n’est pas physiquement présent sur le plancher de production, un système d’IA physique, comme une caméra, un drone ou un robot, pourrait inspecter un produit pendant qu’un expert examine les informations à distance et décide si la pièce peut continuer, nécessite plus d’usinage ou doit être retournée pour des travaux supplémentaires.

Cette combinaison de capteurs, d’analyse par IA et de systèmes physiques étend l’intelligence des processus au-delà des tableaux de bord et des alertes. Elle crée un potentiel pour les fabricants de relier plus étroitement détection, analyse et action.

Les drones sont déjà utilisés pour l’inspection dans des domaines comme l’agriculture, la foresterie et les pipelines. Ce qui change, c’est la possibilité de regrouper ces technologies avec les capacités prédictives et prescriptives de l’IA.

Évaluer l’IA selon la valeur d’affaires

La valeur de l’optimisation de la qualité et des processus grâce à l’IA doit au final être mesurée selon les résultats d’affaires.

La réduction des coûts demeure l’une des mesures les plus claires. Pour l’optimisation énergétique, par exemple, l’IA peut aider les fabricants à cerner des occasions de réduire la consommation et les coûts associés.

En ce qui concerne la qualité, l’objectif peut être de réduire les rappels de produits et d’éviter les coûts liés aux défauts.

Pour l’optimisation des processus, les fabricants peuvent considérer l’utilisation des ressources, la productivité, la réduction des émissions et le temps de fonctionnement des équipements.

Les cas d’utilisation en santé et sécurité ajoutent une autre série de résultats. Repérer plus tôt des incidents potentiels peut contribuer à réduire les conséquences opérationnelles et financières survenant lors d’accidents de travail, de dommages à l’équipement ou d’événements de sécurité des procédés. Cela peut aussi aider à réduire les coûts de conformité et à protéger la réputation de la marque.

Il y a également une dimension plus large en matière de main-d’œuvre. Les sites manufacturiers peuvent être des milieux difficiles pour attirer et fidéliser le talent, surtout lorsque les opérations sont éloignées ou comportent des conditions dangereuses. La technologie qui améliore la sécurité et offre un meilleur soutien décisionnel aux employés peut contribuer à la performance opérationnelle ainsi qu’à l’expérience de la main-d’œuvre.

Les fabricants explorent également comment l’IA peut rapprocher l’intelligence opérationnelle du plancher de production, en fournissant des conseils aux opérateurs sur le terrain, avec une supervision d’experts au besoin. Cela pourrait aider à transmettre l’expertise spécialisée d’un site à l’autre et à pallier certains défis liés au manque de personnel spécialisé auxquels font face les fabricants.

Le fil conducteur, dans tous ces domaines, est que l’IA ne doit pas être vue comme un investissement technologique isolé.

Sa valeur provient de la capacité à apprendre de l’information opérationnelle, à identifier les nouveaux enjeux et à aider les gens à agir de façon mieux informée.

Pour les fabricants, l’occasion ne réside plus seulement dans la collecte de plus de données sur le plancher de production, mais bien dans l’utilisation continue de ces données pour améliorer la qualité, l’utilisation des ressources, la sécurité et la performance des processus. À mesure que ces capacités se développent, l’IA pourra s’intégrer davantage à l’intelligence qui soutient les décisions quotidiennes en milieu manufacturier.