Il existe de nombreuses idées reçues sur les données, le big data, l'IA, l'Industrie 4.0 et d'autres termes souvent utilisés comme buzzwords. Si vous n'êtes pas immergé dans le sujet, cela crée de la confusion et il devient difficile d'y voir clair. D'où ce blog, pour aborder les choses de manière plus pratique.

1. Nous devons collecter toutes les données !

Bien que cela soit vrai dans une certaine mesure, il convient d'apporter quelques nuances. Oui, vous ne voulez pas avoir de points aveugles ou de lacunes dans vos données, car ceux-ci peuvent s'avérer pertinents pour un cas d'usage qui émergera dans 2 ans. Cependant, le piège ne se situe pas là.

Ce à quoi les entreprises se heurtent souvent, c'est qu'elles collectent beaucoup de données car oui, la donnée est le nouvel or, mais dès qu'un analyste souhaite résoudre un problème avec ces données, tout se bloque.

• Cette série temporelle est-elle anormale parce qu'il y avait une maintenance ?
• Y a-t-il eu effectivement une panne ?

Et oui, il existe bien quelque part un fichier Excel contenant les temps d'arrêt avec leurs causes. Un autre Excel répertorie la maintenance et encore un autre contient les problèmes de production signalés par les opérateurs.

Les ingénieurs, analystes, ou toute personne souhaitant faire quelque chose de sensé, doivent commencer par ajouter du contexte, normaliser les données, les lier, les étiqueter. Sans parler de toutes les hypothèses qui doivent être ajoutées. Cela seul prend des semaines voire des mois, avant même qu'une quelconque valeur ne soit créée, à savoir examiner ou analyser un problème.

La conséquence est l'une des deux suivantes :

« Nous arrêtons, l'IA et les analyses ne sont pas rentables »

OU

« Les analystes de données passent des mois sur un petit projet »

Donc oui, collectez toutes les données, mais fournissez tout le contexte nécessaire dès l'edge, là où les données sont collectées.

• Gérez les interventions de maintenance de manière digitale (et non, Excel ne compte pas)
• Enregistrez les temps d'arrêt avec leurs causes pour les analyses ultérieures
• Fournissez du contexte, des tags et enregistrez les codes produits, les machines liées à vos données machines.

En enregistrant les données avec leur contexte, vous gagnez beaucoup de temps pour les analyses futures. Ainsi, votre prochaine initiative IA prendra des jours au lieu de mois.

Stratégie

Au fond, le problème est souvent l'absence d'une stratégie digitale. Passer du papier à Excel, c'est numériser quelque chose, mais cela ne fait pas de vous une entreprise digitale. Ce n'est pas parce que vous n'utilisez plus de papier que vous êtes une entreprise digitale. La différence réside dans la stratégie globale. La prise de conscience que les données constituent la plus grande valeur de votre entreprise.

2. Commencez par un cas d'usage

L'objectif de l'IIoT n'est pas d'enregistrer des données. C'est de résoudre les problèmes plus rapidement, d'obtenir des insights et de prendre des décisions stratégiques fondées. Nous ne digitalisons pas pour digitaliser, mais dans le cadre d'une stratégie visant à gagner en efficacité.

Choisissez un premier problème à résoudre :

• Maintenance prédictive ?
• Détection d'anomalies ?
• Optimisation énergétique ?
• Prédiction de qualité ?
• Assistance aux opérateurs ?

Ne commencez pas à mettre en place des plateformes à l'aveugle en espérant que tous les insights en découleront. Demandez conseil, faites-vous accompagner !

3. Mauvaise technologie ou architecture

S'accrocher à une technologie pour laquelle vous avez beaucoup payé. C'est l'un des pièges les plus courants. Si la technologie ne passe pas à l'échelle, ne permet pas d'enregistrer vos données avec leur contexte, alors vous êtes sur la mauvaise voie.

Architecture

Demandez de l'aide pour mettre en place votre architecture de données. Faites-vous accompagner mais restez impliqués. L'Unified Namespace est souvent utilisé comme buzzword actuellement. Il y a également beaucoup de confusion autour de ce concept et une plateforme prétend être compatible UNS, une autre affirme être elle-même un UNS. L'architecture UNS est un beau principe qui permet de collecter du contexte (moins de silos de données), mais elle est assez complexe pour débuter sans expérience. Ce n'est pas simplement « installer un broker MQTT ».

Plateforme

Les vendeurs de plateformes pensent également que tout est possible dans leur outil. Votre solution est souvent une combinaison d'outils et de systèmes qui excellent chacun dans leur domaine. Nous vous aidons à choisir et à combiner les bons systèmes. Parfois, un logiciel sur mesure peut aussi être la solution la plus rentable.
 

En testant quotidiennement des systèmes, en rencontrant des obstacles et en réessayant, nous pouvons également vous aider à faire les bons choix. En toute indépendance vis-à-vis des fournisseurs.

3 actions à entreprendre dès maintenant

Si vous souhaitez déployer l'IA avec succès à l'avenir, vous devez dès aujourd'hui enregistrer vos données avec du sens, de la structure et des relations.

1. Capturez le contexte à la source

• Ajoutez directement des métadonnées lors de l'enregistrement : machine, code produit, équipe, cause. Laissez les dispositifs edge et les opérateurs contribuer.
• Ces modules MES peuvent vous aider à fournir le contexte.

2. Éliminez les silos de données

• Faites communiquer vos systèmes entre eux. Une vue cohérente de vos processus a plus de valeur que dix aperçus isolés. L'IA ne peut identifier des patterns que si les pièces du puzzle s'assemblent.
• L'IA ne peut rien faire avec des fichiers Excel isolés, vos analystes non plus.

3. Faites de la qualité des données un point stratégique

• Désignez des responsables pour les données, surveillez la qualité et déterminez quelles données sont vraiment importantes. Plus de données n'est pas automatiquement mieux. De meilleures données, c'est mieux.
• Convenez de la façon dont vous nommez les choses et documentez-le. Si vous le faites bien maintenant, vous pourrez réutiliser les mêmes données des années plus tard sans recommencer de zéro.
• Structurez et étiquetez pour la réutilisation.

 Résultat : Au lieu de passer des mois à nettoyer les données, votre équipe (et vos agents IA) peuvent fournir des insights en quelques jours ou heures.