Industrie 4.0 : des mythes aux réalités

Dossier : L'industrie du futurMagazine N°741 Janvier 2019
Par Vincent CHAMPAIN (X91)
L’usine du futur peine à se faire une place dans les usines d’aujourd’hui, et rares sont les sites à la fois totalement numérisés et où l’ordinateur a remplacé l’homme. La raison ? Pas parce que le digital n’a rien à apporter à l’industrie, mais plutôt parce que leurs attentes ont manqué de réalisme.

D’abord l’idée qu’il suf­fit d’investir dans la connec­ti­vi­té pour voir sur­gir la valeur des don­nées. Or cer­taines don­nées n’offrent pas assez de valeur pour être col­lec­tées. D’autres doivent être col­lec­tées, mais pas sto­ckées car elles peuvent être pré­trai­tées au niveau du sys­tème embar­qué ou du contrô­leur de la machine. Pour garan­tir un retour sur inves­tis­se­ment, il faut au contraire par­tir des leviers de valeur (impres­sion 3D per­met­tant un pro­to­ty­page accé­lé­ré, cloud per­met­tant d’offrir une puis­sance de cal­cul illi­mi­tée, méthodes et outils d’analyse de don­nées…), ensuite éva­luer com­ment ils peuvent appor­ter de la pro­duc­ti­vi­té puis défi­nir la stra­té­gie per­met­tant d’extraire lar­ge­ment cette valeur (pro­duit mini­mal dans un site, stra­té­gie d’extension à d’autres cas et d’autres sites…).


REPÈRES

Après avoir diri­gé le cabi­net du secré­taire auprès du Pre­mier ministre char­gé du Numé­rique, Vincent a conseillé des entre­prises sur la trans­for­ma­tion d’entreprises chez McKin­sey avant d’être pré­sident de GE Digi­tal Ser­vices Europe et direc­teur géné­ral de GE Digi­tal Foun­dry, les acti­vi­tés de ser­vices et d’expertise numé­rique de Gene­ral Elec­tric en Europe.


Ne pas surestimer le potentiel de l’IA

Ensuite, le poten­tiel de l’intelligence arti­fi­cielle en boîte a sou­vent été sur­ven­du – il aurait suf­fi de lui four­nir des don­nées sans connais­sance de ce qu’elles signi­fient. Dans la pra­tique, ces tech­no­lo­gies sont les plus utiles pour réa­li­ser des tâches impos­sibles à modé­li­ser (sur des pro­ces­sus modé­li­sables, le modèle don­ne­ra géné­ra­le­ment de meilleurs résul­tats), notam­ment pour doter l’ordinateur des cinq sens (ana­lyse d’images, de bruits ou de vibra­tions…). Mais elles doivent être asso­ciées à une exper­tise indus­trielle et à une modé­li­sa­tion phy­sique des machines ou des pro­ces­sus. Contrai­re­ment à l’internet grand public, où le consom­ma­teur est impos­sible à modé­li­ser et le droit à l’erreur est plus grand : 90 % de recom­man­da­tions d’achat per­ti­nentes est une bonne per­for­mance, mais subir un crash tous les dix décol­lages serait une catas­trophe ! Par ailleurs, dans l’industrie, c’est géné­ra­le­ment l’intelligence humaine aug­men­tée par des outils d’intelligence arti­fi­cielle, qui donne les meilleurs résul­tats. Dans un exemple de diag­nos­tic de can­cer, l’intelligence arti­fi­cielle atteint 7,5 % d’erreur, les méde­cins spé­cia­listes 3,5 % et les spé­cia­listes outillés de logi­ciels 0,5 %.

Conjuguer les compétences

Autre mythe : les com­pé­tences tra­di­tion­nelles, dans la science des maté­riaux, la chi­mie ou les pro­ces­sus, seraient déva­lo­ri­sées par celles du digi­tal. En réa­li­té, ces com­pé­tences tra­di­tion­nelles conti­nue­ront pro­ba­ble­ment à repré­sen­ter 90 % de la valeur ajou­tée. Certes, les entre­prises qui ne seront pas au meilleur niveau de per­for­mance sur les 10 % res­tants seront anéan­ties par leurs concur­rents. Mais il en va de même pour celles qui délais­se­ront les pre­miers 90 %.

Tenir compte du facteur humain

Qua­trième erreur : sous-esti­mer le fac­teur humain et l’appropriation de la tech­no­lo­gie. Par le pas­sé, de nom­breux acci­dents d’avion sont inter­ve­nus avec des don­nées et des logi­ciels cor­rects dans des cir­cons­tances – météo­ro­lo­giques, de fatigue ou de stress – où un pilote peine à absor­ber toutes les infor­ma­tions reçues pour réa­li­ser le bon geste. Ce risque existe par­tout où l’on ren­contre de grands volumes d’information (salle de contrôle ou d’intervention médi­cale…), des condi­tions de tra­vail dif­fi­ciles (envi­ron­ne­ment sale ou bruyant…) ou lorsque le logi­ciel n’a pas été adap­té à la qua­li­fi­ca­tion de ses utilisateurs.

“C’est généralement l’intelligence humaine
augmentée par des outils d’intelligence artificielle,
qui donne les meilleurs résultats”

Des succès à méditer

Ces pro­blèmes sont bien connus des indus­triels des sec­teurs cri­tiques (aéro­nau­tique, san­té, trans­ports, éner­gie…), et il existe des méthodes pour les résoudre. Mal­heu­reu­se­ment elles sont sou­vent igno­rées par ceux qui se concentrent trop sur l’usine de demain et pas assez sur le sou­ci de la faire fonc­tion­ner dans le monde pré­sent ! À l’inverse, ceux qui ont parié sur des tech­no­lo­gies éprou­vées ont obte­nu des suc­cès intéressants.

Par exemple, l’impression 3D pour la pro­duc­tion – et plus seule­ment le pro­to­ty­page – de pièces indus­trielles pour l’aéronautique ou l’automobile per­met­tra de rem­pla­cer un nombre crois­sant de pièces com­plexes ou sou­mises à des contraintes d’approvisionnement.

Les tech­no­lo­gies d’intelligence arti­fi­cielle peuvent auto­ma­ti­ser par­tiel­le­ment un diag­nos­tic. Ain­si, chaque année, les entre­prises pétro­lières col­lectent à l’intérieur de pipe­lines ache­mi­nant le gaz ou le pétrole dix fois la sur­face de Paris d’images pour détec­ter des fis­sures de la taille d’un brin d’herbe. Impos­sible pour des humains, cette tâche est réa­li­sée par des logi­ciels, puis confir­mée par des experts – créant 350 emplois et évi­tant de nom­breuses fuites. La main­te­nance pré­dic­tive réduit les arrêts de pro­duc­tion, basée à la fois sur l’expertise des ouvriers res­pon­sables de ces équi­pe­ments et l’analyse de signaux faibles per­met­tant de répa­rer une machine avant qu’elle ne tombe en panne, et au moment où l’arrêt de pro­duc­tion est le moins coûteux.

Sur un site répu­té per­for­mant et réa­li­sant la découpe de tubes, les rebuts ont été divi­sés par plus que deux, grâce à une appli­ca­tion réa­li­sée en quelques semaines et conçue pour être faci­le­ment uti­li­sable sans formation.

Le pas­sage du lean (amé­lio­ra­tion de la pro­duc­tion don­nant aux opé­ra­teurs la pos­si­bi­li­té d’identifier et de résoudre les pro­blèmes ren­con­trés) au digi­tal lean (qui dote ces méthodes d’outils flexibles, notam­ment de visua­li­sa­tion ou d’analyse) consti­tue lui aus­si une révo­lu­tion : les puristes du lean pri­vi­lé­gient sou­vent le papier et le crayon afin de libé­rer les ouvriers de la rigi­di­té des sys­tèmes de pro­duc­tion d’ancienne génération.

Repenser tout le système de production

Der­rière la diver­si­té de ces réus­sites, il s’agit de repen­ser le sys­tème de pro­duc­tion en uti­li­sant des tech­no­lo­gies qui n’existaient pas lorsqu’il a été conçu (faible coût de cap­ta­tion, de sto­ckage et d’analyse des don­nées, déve­lop­pe­ment et déploie­ment accé­lé­ré, impres­sion 3D…). Pour cela, il va fal­loir doter son entre­prise des bases (infra­struc­ture, outils, talents, par­te­na­riats…) qui vont per­mettre à chaque site et chaque col­la­bo­ra­teur de rendre les pro­duits qu’ils pro­posent à leurs clients moins coû­teux, plus fiables, plus per­for­mants et asso­ciés à de meilleurs ser­vices. Et ceci d’une mul­ti­tude de façons, la plu­part peu visibles d’un comi­té d’engagement unique.

C’est sans doute là le plus grand défi posé à l’encadrement : il s’agit en effet moins d’arbitrer des pro­jets ou d’avoir une vision détaillée à pro­po­ser à son entre­prise que de poser des prin­cipes d’architecture, d’outiller et d’inspirer une orga­ni­sa­tion pour que cette trans­for­ma­tion se fasse en grande par­tie sans ses cadres. 

Poster un commentaire