Voir la traduction automatique
Ceci est une traduction automatique. Pour voir le texte original en anglais cliquez ici
#Actualités du secteur
{{{sourceTextContent.title}}}
Comment élaborer une stratégie d'IA industrielle pour la maintenance prédictive
{{{sourceTextContent.subTitle}}}
Étapes à suivre pour évaluer les avantages et les défis d'un projet d'IA industrielle.
{{{sourceTextContent.description}}}
Il est difficile d'éviter l'exposition constante de l'intelligence artificielle pour révolutionner la façon de faire dans les secteurs de la fabrication, du transport, des mines, de l'automobile et bien d'autres industries. Par conséquent, les organisations élaborent souvent des stratégies d'IA et investissent dans des solutions d'IA, mais au bout du compte, une grande partie du travail ne répond pas aux attentes initiales.
Par exemple, selon PwC, seulement 4 % des cadres supérieurs ont déclaré être en mesure de mettre en œuvre avec succès des solutions d'IA, bien que 46 % des personnes interrogées aient déclaré que leur organisation avait tenté d'adopter l'IA.
Malgré l'engouement pour l'IA, lorsqu'il s'agit d'élaborer une stratégie d'IA, les organisations doivent se rappeler que leurs décisions doivent être prises en fonction du rendement prévu du capital investi. La question clé à se poser lors de l'élaboration d'une stratégie d'intelligence artificielle est de savoir quel type d'avantage - qu'il s'agisse d'une réduction des coûts, d'une amélioration de la performance ou de la capacité à dégager de nouvelles opportunités de croissance - la société vise à réaliser.
Souvent, il peut s'avérer que la meilleure décision possible est d'attendre et de reporter la mise en œuvre. Cela peut être particulièrement vrai s'il existe des bloqueurs technologiques qui pourraient être éliminés dans un proche avenir par le développement naturel de la technologie ou par la réduction des coûts de la technologie elle-même. Dans d'autres cas, il serait peut-être plus logique d'aller de l'avant à toute vapeur.
Bien que les possibilités et les défis auxquels les entreprises sont susceptibles d'être confrontées lorsqu'elles mettent en œuvre des solutions d'IA dans une certaine mesure puissent dépendre des particularités d'une industrie ou d'une tâche particulière, l'approche globale pour évaluer les possibilités d'exploiter l'IA est assez universelle.
Pour ce billet, nous nous concentrerons sur le scénario de maintenance prédictive comme un exemple qui traite des meilleures pratiques associées à l'élaboration d'une stratégie d'IA, tout en fournissant des exemples concrets et des idées réalisables.
Etape 1 : Audit de vos données
L'un des plus grands défis que pose l'utilisation réussie de l'intelligence artificielle pour permettre la maintenance prédictive est lié aux données. Les organisations qui génèrent beaucoup de données sont souvent convaincues qu'elles disposent déjà de beaucoup de données pour construire des modèles prédictifs et qu'elles recueillent suffisamment de données d'entrée d'une qualité suffisante pour que ces modèles soient précis. En réalité, c'est souvent loin d'être la vérité.
La première étape pour les organisations consiste à effectuer une vérification des données et à déterminer quels types de données sont actuellement en leur possession, où se trouvent ces données et comment elles sont recueillies. Ceci détermine ensuite si la quantité, la qualité et l'organisation des données sont acceptables pour la tâche cible.
Étape 2 : Créer une feuille de route
L'étape suivante consiste à élaborer une feuille de route du projet, en tenant compte de l'architecture actuelle des systèmes de collecte et de stockage des données et de l'architecture optimale qui serait optimale compte tenu des objectifs (ces deux architectures peuvent souvent présenter d'importantes différences). Ce n'est qu'après avoir répondu à toutes ces questions que le travail peut commencer, en commençant par le processus de connexion à diverses sources de données qui serviront plus tard de base de connaissances pour le modèle d'apprentissage automatique.
car map pins adobe stock d'épingles de carte de voiture auto-driving rapports articlePour utiliser la logistique et les applications de l'industrie du transport comme un exemple, on pourrait regarder :
Les données capturées par les capteurs situés sur les différentes parties des machines ;
Documentation technique relative à ces machines ;
Spécifications techniques pour les pièces produites
Documentation pour le processus d'assemblage ;
Horaires de transport ;
Prévisions météorologiques ;
Les bons de commande d'équipement et divers autres ensembles de données qui permettent d'améliorer la qualité des prévisions du modèle, pourvu que les données nécessaires puissent être recueillies de façon uniforme et à un coût raisonnable.
Dans certains cas, il peut s'avérer nécessaire de réorganiser complètement l'architecture existante et les ensembles de données, tandis que dans d'autres cas, le travail se concentrera sur l'assemblage des pièces existantes dans une nouvelle configuration plus robuste. En fin de compte, la décision concernant l'approche à adopter doit toujours reposer sur une analyse approfondie de la valeur applicable à un projet particulier.
Avertissement : Ne regardez pas les investissements passés
Il est toutefois essentiel d'éviter de trop se concentrer sur les investissements qui ont déjà été faits dans les systèmes et les processus existants. Trop souvent, les organisations deviennent biaisées et s'appuient fortement sur leur architecture de données actuelle, et résistent aux changements importants.
C'est l'un des principaux freins à la construction de solutions prédictives de premier ordre - pour l'IA, la configuration optimale peut être très différente de celle qui a été développée il y a des décennies et construite pour des objectifs complètement différents.
Par exemple, ce que les DSI décrivent souvent comme le lac de données sur lequel leur entreprise fonctionne, n'est souvent pas un lac de données du tout (du moins, pas dans la définition actuelle du mot), et n'est donc pas une configuration appropriée pour la plateforme orientée vers l'avenir qui utilise l'IA. Au lieu de cela, le processus de prise de décision devrait toujours traiter les exigences passées comme des coûts irrécupérables et être guidé par les nouvelles exigences et les nouveaux objectifs nécessaires pour générer le bon retour sur investissement.
Etape 3 : Mettre en place la structure
Une fois que les sources de données ont été définies et que les flux de données appropriés ont été établis, il est temps de mettre en œuvre la structure du lac de données qui sera utilisé comme dépôt centralisé. Toutes les données doivent être normalisées, cartographiées et nettoyées en conséquence, en veillant à ce que les données historiques et les données d'alimentation en direct respectent le même format et la même logique, et soient saisies, traitées et conservées conformément aux politiques établies dans le cadre des étapes précédentes.
Étape 4 : Activer les prédictions
istock predictions 2019 RBR automation business articleDès que l'ensemble de données est prêt, le travail d'identification des causes des pannes d'équipement peut commencer. À ce stade, l'objectif est d'exploiter les données pour découvrir les tendances qui se produisent lorsque certaines pièces de l'équipement se rapprochent de la fin du service ou nécessitent un entretien, puis de déterminer le moment optimal pour effectuer l'entretien et remplacer les pièces qui doivent être retirées.
Encore une fois, il est essentiel de garder à l'esprit que l'objectif ultime est de maximiser le RCI, en tenant compte du coût de l'entretien et de la possibilité de pannes, ainsi que des coûts connexes.
Possibilités d'économie de coûts
Il existe un certain nombre d'opportunités d'économies de coûts qui peuvent être rendues possibles par l'utilisation de la modélisation de la maintenance prédictive basée sur l'intelligence artificielle, parmi lesquelles la modélisation de la maintenance prédictive :
Réduire les cas de dépassement de coûts liés au remplacement des pièces qui ont encore une durée de vie utile résiduelle ;
Optimiser les calendriers d'entretien, en identifiant et en réduisant les frais généraux liés à l'équipement de réserve ;
Identifier les moments optimaux pour l'entretien préventif, et ainsi réduire les pertes associées aux pannes imprévues d'équipement (associées à des problèmes systémiques) ;
Dans certains cas (par exemple, dans le transport), trouver la cadence de fonctionnement optimale pour l'équipement qui permet de réduire l'usure et de permettre un meilleur carburant.
Dernière étape : Générer des idées
L'étape finale de l'introduction de l'intelligence artificielle dans les processus opérationnels de l'organisation devrait être centrée sur la création d'un ensemble de services permettant de fournir des informations exploitables à l'équipe de direction et/ou aux actionnaires de l'organisation.
Conclusion
Malgré l'énorme potentiel de l'intelligence artificielle pour améliorer les processus existants et générer de nouvelles connaissances pour les entreprises, il est crucial de noter que l'intelligence artificielle ne doit pas être traitée comme une sorte d'outil universel multi-outils capable de résoudre toutes sortes de problèmes.
Pour une fois, il y aurait toujours des cas où les humains peuvent encore surpasser l'IA, surtout si l'on tient compte du RCI. Ensuite, certains cas d'utilisation ont des limitations naturelles qui diminuent le pouvoir prédictif de l'IA, simplement parce qu'il n'y a pas assez de données pour vérifier les hypothèses. Dans le cas de la maintenance prédictive, un exemple où ce phénomène se produit serait d'essayer d'utiliser l'IA pour prédire les pannes d'équipement qui, en moyenne, ne se brisent qu'une fois par 20 ans.
D'autres situations où les systèmes à intelligence artificielle peuvent produire des résultats imparfaits comprennent des cas où l'installation de capteurs pour la collecte de données s'avère impossible ou impraticable, ou lorsque l'équipement doit fonctionner dans des environnements en constante évolution.
Même le simple fait de passer par le processus d'un audit préliminaire nécessaire à la mise en œuvre d'une solution d'intelligence artificielle peut apporter beaucoup de valeur ajoutée. Rappelez-vous que le but ultime de toute organisation n'est pas de mettre en œuvre un moteur prédictif alimenté par l'intelligence artificielle simplement pour le plaisir de le faire, mais plutôt pour résoudre un défi commercial spécifique. Par conséquent, prenez le temps de définir et de comprendre les limites de la solution d'IA proposée, de la comparer à un processus piloté par l'être humain et, enfin, de faire un choix éclairé sur le meilleur processus nord-étoilé à faire avancer.