Big Data à partir de capteurs

L'IA est sur toutes les lèvres et constitue un grand thème d'avenir, surtout pour l'industrie. Où en est le développement de l'IA dans votre secteur d'activité, c'est-à-dire l'intralogistique ?

Björn DunkelSi nous considérons la gestion de la chaîne d'approvisionnement dans son ensemble, il y a déjà beaucoup de domaines dans lesquels nous pouvons parler d'IA. Par exemple, dans la planification des itinéraires, où l'itinéraire est soudainement modifié en raison d'embouteillages, parce qu'un trajet prétendument plus long signifie désormais un temps de trajet plus court. Mais chez GIB, nous nous occupons de la chaîne d'approvisionnement interne, c'est-à-dire de tout ce qui concerne l'intralogistique. Là aussi, il existe déjà des approches permettant par exemple d'améliorer et de fiabiliser les prévisions de vente grâce à l'utilisation de l'intelligence artificielle. Grâce à un réseau neuronal artificiel, un logiciel peut aujourd'hui apprendre de ses erreurs, ce qui lui permet d'obtenir des résultats toujours meilleurs au fil du temps. Nous en sommes certainement encore loin aujourd'hui, mais nous sommes déjà sur la bonne voie.

Dans quel domaine de l'intralogistique pouvez-vous imaginer l'utilisation de l'IA ou peut-être même travaillez-vous déjà avec elle ?

SombreChez GIB, nous proposons un logiciel spécialisé dans la chaîne d'approvisionnement pour la planification des ventes, la planification de la production, la collaboration avec les fournisseurs, la planification des besoins en matériel, la gestion des stocks et la planification opérationnelle, en améliorant le standard SAP. C'est justement dans l'assurance qualité à la fin des processus de production qu'il existe déjà des approches pour l'intégration de l'IA. C'est-à-dire là où une reconnaissance d'image permet de distinguer les pièces bonnes des pièces mauvaises. Grâce à un processus d'exclusion automatisé, seules les bonnes pièces sont soumises à un traitement ultérieur. C'est un sujet important, car ce processus d'exclusion se fait encore manuellement dans de nombreuses entreprises aujourd'hui. Le couplage de la reconnaissance d'images 3D et des réseaux neuronaux artificiels offre ici par exemple des possibilités d'optimisation massive dans l'assurance qualité. Ainsi, les pièces NIO peuvent être contrôlées directement dans le processus de production sans intervention humaine et affectées automatiquement à l'étape de production suivante. Les sources d'erreur potentielles sont ainsi éliminées, le processus est plus rapide et la production de pièces défectueuses est immédiatement détectée.

L'assurance qualité serait donc un domaine d'application de l'IA. Où utilisez-vous déjà concrètement des calculs basés sur des réseaux neuronaux chez GIB ?

SombreNous n'en sommes qu'au début de l'utilisation de l'IA dans nos logiciels. Et en effet, c'est la première fois que nous utilisons une véritable IA dans l'environnement de notre solution de chaîne d'approvisionnement, capable de déterminer un niveau de sécurité précis par apprentissage via des réseaux neuronaux. Mais le système doit d'abord faire ses preuves en situation réelle. Ce n'est qu'alors que nous verrons si notre IA fonctionne également dans la vie réelle. Mais nous travaillons déjà sur d'autres possibilités d'utilisation de l'IA. Une équipe de développeurs recherche déjà des possibilités d'application utiles dans la prévision des ventes.

Le mot-clé Big Data : l'utilisation de capteurs génère aujourd'hui des quantités gigantesques de données. Qu'en fait-on ?

SombreLe big data n'est évidemment pas une fin en soi, mais plutôt un moyen. Dans le cas de l'utilisation de l'IA, c'est une bénédiction dans la mesure où une IA n'est efficace que si elle est alimentée par de très nombreuses données et informations. Dans le processus d'apprentissage, il est vrai que "beaucoup aide beaucoup", du moins si la question formulée était correcte et si les algorithmes fonctionnent bien. Le fait que nous soyons aujourd'hui en mesure non seulement de collecter ces quantités gigantesques de données, mais aussi de les stocker et de les rendre disponibles pour une utilisation ultérieure, est le moteur de la fusée qui a véritablement mis en route l'utilisation des réseaux neuronaux. Que se passe-t-il donc avec les données des capteurs collectées au niveau de la production ?

Comment le défi a-t-il été relevé jusqu'à présent ?

SombreJusqu'à présent, l'évaluation de ces derniers était plutôt proche de la machine. Cela signifie que l'état de santé de la machine pouvait être lu sur le système, dans l'usine. Il y avait ici une séparation stricte entre OT et IT, c'est-à-dire entre la production et le contrôle des processus commerciaux. De meilleurs concepts et technologies de sécurité ont conduit de plus en plus à une ouverture de l'IT de production, notamment parce que la numérisation le rend nécessaire et que les avantages d'une mise en réseau verticale des processus de la chaîne d'approvisionnement offrent un énorme avantage concurrentiel. Chez GIB, nous avons développé une solution capable d'intégrer les informations agrégées des capteurs dans le système ERP. Ainsi, nous ne numérisons pas seulement les processus commerciaux horizontalement tout au long de la chaîne de valeur, mais nous sommes également en mesure de représenter numériquement le niveau de production. Je suis certain que l'utilisation ciblée de l'IA constituera un facteur de réussite décisif, notamment pour l'exploitation judicieuse des données volumineuses.

Comment comptez-vous mieux utiliser les données massives à l'aide de l'IA ?

SombreLes données n'ont de sens que si elles sont placées dans un contexte. Lorsque je me promène dans l'usine, je veux voir ce qui a été planifié au niveau de l'ERP et être averti de manière proactive par un terminal, comme un téléphone portable, que la productivité est particulièrement élevée ou faible sur la machine devant laquelle je me trouve. Mais cette information seule ne m'est pas encore utile, je dois la placer dans un contexte. Dans les données de masse collectées par les capteurs, il y a des indications sur des paramètres qui peuvent influencer ma production, comme la pression atmosphérique, la température dans le hall ou l'humidité de l'air. Et si je contextualise cela, je sais quelles commandes ont été passées sur cette machine à ce moment-là. Je sais quelle était la charge de travail de la machine, quels articles y ont été fabriqués. Et si je constate que des problèmes de qualité surviennent à un moment donné, je peux consulter les données qui ont été produites au même moment au niveau de l'atelier.

Que peut en conclure l'utilisateur ?

SombreIl est possible d'en tirer des déductions. La règle à calcul et le crayon ne permettent pas de traiter de telles dérivations et relations. Il y a trop de variables qui s'influencent mutuellement. Une IA pourrait être la solution. L'IA reconnaît les modèles et les corrélations, évalue la situation dans son ensemble et fournit les meilleures solutions possibles pour le destinataire concerné, par exemple pour le meilleur ordre de production dans la situation donnée. Globalement, la contextualisation est un point central de l'optimisation de l'intralogistique. Nous utilisons volontiers l'expression CLUI, qui signifie context based, location based et user based information. Notre objectif est donc d'adresser correctement les bonnes informations, exactement là où on en a besoin et quand on en a besoin.

La planification de la production peut donc être optimisée grâce au Big Data et à l'IA ?

SombreOui, exactement. Nous disposons d'une quantité incroyable de données via les capteurs. Cela signifie que nous disposons d'un pool de données que nous pouvons utiliser. L'IA prend automatiquement la décision de savoir quel est le mélange de produits optimal en fonction de la température, de l'humidité ou d'autres paramètres prévus pour aujourd'hui. Cela permet de réduire considérablement la production de pièces défectueuses. Ce sont des intelligences dont nous ne sommes pas si loin, car ce couple de savoir-faire est déjà là.

Est-ce ainsi que les niveaux OT et IT se rapprochent ?

SombreOn peut dire cela. Dans ce contexte, nous aimons parler de la "voie Y", nous réunissons l'Operation Technology et l'Information Technology dans un seul système. Bien sûr, toutes les données du shopfloor ne peuvent pas être intégrées dans le système ERP. Les téraoctets de données feraient exploser n'importe quel système ERP. Tout l'art consiste à sélectionner les données qui jouent un rôle dans la représentation numérique du niveau de production dans l'ERP ; ce qui est donc nécessaire pour donner vie au "digital twin". Nous tirons ensuite ces données dans la mémoire de masse et pouvons l'utiliser plus tard pour des évaluations et des interprétations, par exemple au moyen de l'IA.

Est-il envisageable pour vous qu'à l'avenir, grâce à l'IA, un entrepôt envoie lui-même ses commandes aux fournisseurs ?

SombreOui, absolument. Notre outil Vendor Managed Inventory, VMI, va déjà dans la bonne direction en tant que couplage numérique avec le fournisseur. On a du mal à le croire, mais 90% des commandes B2B aux fournisseurs se font encore aujourd'hui par e-mail. Cela signifie que ce n'est que lorsqu'il reçoit un e-mail qu'il sait ce dont le client a réellement besoin de lui. Notre solution Vendor-Managed-Inventory crée de la transparence et de la prévisibilité pour le fournisseur et décharge en même temps le client de la planification de ses besoins. Le fournisseur peut ainsi consulter à tout moment toutes les informations qui l'intéressent et les utiliser pour planifier, par exemple les appels de livraison prévus et les stocks qui seront bientôt épuisés. Un autre effet positif est que le fournisseur peut ainsi organiser ses propres processus de manière plus économique et plus rentable. Il n'est pas rare que cela se répercute positivement sur les conditions avec l'acheteur.

Est-ce donc le point de commande qui est déterminant ?

SombreDonc, si nous examinons notre solution VMI existante pour voir où l'IA pourrait être utilisée de manière judicieuse, le stock de rapports serait certainement un bon point de départ. Si l'on se réfère à notre exemple climatique de tout à l'heure, les valeurs empiriques du passé pourraient être mises en relation avec les facteurs externes tels que l'humidité, la pression et la température. Une IA intelligente évalue la situation actuelle, recommande une "recette" adaptée pour la production et déclenche à temps l'avis de livraison nécessaire auprès du meilleur fournisseur.

L'utilisation de l'IA nous rapproche-t-elle un peu plus de la chaîne logistique parfaite ?

SombreC'est en effet notre objectif. Si nous considérons par exemple le système d'indicateurs de notre solution Supply Chain Excellence, SCX, nous fournissons au gestionnaire de la chaîne d'approvisionnement un indicateur central qui lui permet de savoir en un coup d'œil si les processus de sa chaîne d'approvisionnement sont bons. Cet indicateur est bien entendu basé sur un grand nombre d'indices de performance clés, qui sont eux-mêmes basés sur le SAP Data Core, c'est-à-dire sur des données volumineuses. Actuellement, notre système d'évaluation de la chaîne d'approvisionnement est conçu à l'aide de nombreux algorithmes complexes et, comme nous intégrons de plus en plus d'intelligence et donc de plus en plus d'indicateurs dans la réflexion, la complexité du système augmente aussi énormément. Nous atteindrons un jour nos limites avec ce type de programmation classique. C'est pourquoi, à l'avenir, nous mettrons l'accent sur l'utilisation de l'intelligence artificielle.

PDF en anglais