Données et connaissances : les deux piliers de la fabrication intelligente

Lors d’une session de formation dans l’atelier, un opérateur chevronné dit à un nouveau venu : « Vous entendrez un bruit de vibration provenant de la machine. »
« Je n’entends rien », répond le stagiaire.
« Non, vous le sentirez », explique l’expert. « C’est une intuition que j’ai développée en travaillant ici depuis 30 ans. »

Cet échange, rapporté par Siva Lakshmanan, PDG de DeepHow, illustre parfaitement ce qui se passe actuellement dans les usines du monde entier. D'une part, des décennies d'expertise opérationnelle disparaissent à mesure que les travailleurs expérimentés partent à la retraite. D'autre part, des montagnes de données de production enfermées dans des systèmes cloisonnés, rendant impossible leur utilisation pour prendre les décisions qui comptent le plus.

Lors de l'événement « Operations Calling », des dirigeants de DeepHow, Hexagon et NVIDIA se sont réunis pour discuter de la manière dont l'IA transforme les usines intelligentes. La discussion a porté sur une lacune majeure : la plupart des fabricants se concentrent soit sur l'infrastructure de données, soit sur la capture des connaissances, mais rarement sur les deux à la fois. Cet article explique pourquoi l'IA ne fonctionne que lorsque ces deux fondements sont mis en place conjointement, et comment s'y prendre pour commencer.

Pourquoi le savoir-faire opérationnel est-il en train de disparaître ?

La pénurie de main-d'œuvre qualifiée dans le secteur manufacturier ne se résume pas à des postes vacants ; elle est également liée à la « fuite des cerveaux » qui se produit lorsque des travailleurs expérimentés quittent le secteur. Selon les projections du secteur, jusqu'à 30 millions d'emplois dans le secteur manufacturier pourraient rester vacants d'ici 2030, mais la crise la plus grave réside dans la perte du savoir tacite : ces décennies d'intuition opérationnelle qui n'ont jamais été consignées par écrit et qu'il est souvent impossible d'exprimer avec des mots.

L'effondrement du transfert naturel

Pendant des décennies, le savoir-faire s'est transmis dans le cadre d'apprentissages de longue durée. Ce modèle s'est effondré en raison de deux facteurs :

• Ancienneté : L'ancienneté moyenne dans le secteur manufacturier est tombée à moins de cinq ans, ce qui signifie que les employés chevronnés quittent l'entreprise avant d'avoir pu former efficacement leurs successeurs.

• Complexité : Les opérations modernes impliquent des tolérances plus strictes et des équipements plus sophistiqués, ce qui creuse l'écart entre le simple fait de « suivre la procédure standard » et le fait de « bien faire les choses ».

Définir le déficit de « savoir-faire »

« Ce savoir est de nature tacite… ce n’est pas quelque chose que l’on peut facilement mettre par écrit, ni même expliquer facilement. » – Siva Lakshmanan, PDG de DeepHow

Le savoir ne se trouve pas dans un manuel ; il s’agit de l’intuition opérationnelle nécessaire pour assurer la continuité de la production :

• Signaux sensoriels : détecter une vibration annonciatrice d'un problème avant que le capteur ne se déclenche.

• Les subtilités de la machine : maîtriser les séquences de réglage spécifiques qui permettent à une machine capricieuse de fonctionner sans accroc.

• Astuces Tribal : savoir quels codes d'erreur sont réellement importants et quelles solutions de contournement permettent de résoudre les problèmes récurrents.

On peut par exemple comparer cela à l'apprentissage du vélo : on peut expliquer les principes physiques, mais l'enfant doit les voir et les ressentir pour les comprendre.

« La connaissance, c'est ce qui se trouve dans votre tête », a-t-il expliqué. « Le savoir-faire, c'est lorsque vous le transmettez, et ce n'est pas une tâche facile du tout. » - Siva Lakshmanan, PDG de DeepHow

Sans méthode systématique pour consigner ce « savoir-faire », l'expertise acquise au fil de 30 années disparaît pratiquement en l'espace d'un seul entretien de départ.

Les sites de production génèrent une quantité impressionnante de données, allant des signaux des automates programmables (PLC) et des séries chronologiques aux flux vidéo et aux relevés des capteurs. Cependant, ce volume de données reste souvent inexploité en raison de plusieurs obstacles majeurs :

• Le problème des silos : les données sont souvent confinées au sein de services spécifiques, ce qui conduit à une collaboration ponctuelle plutôt qu'à une stratégie unifiée.

• Le fossé de la valeur : disposer de données n'est pas la même chose que les exploiter ; la valeur ne se concrétise que lorsque les données sont transformées en informations exploitables qui éclairent d'autres domaines.

• La crise du contexte : l'IA générique ne dispose pas du « savoir-faire » spécifique à vos processus et machines d'usine locaux.

• Si les données d'entrée sont de mauvaise qualité, les résultats le seront aussi : les GPU ultra-rapides et les centres de données ne servent à rien s'ils ne sont pas alimentés par des données pertinentes et de haute qualité.

« Nous collectons une quantité considérable de données, que ce soit via nos logiciels ou via les appareils que nous déployons sur le terrain… C’est une chose de disposer de ces données, mais c’en est une autre de pouvoir les exploiter. » — Hiren Kumbhojkar, responsable de la gestion des produits, portefeuille de logiciels de fabrication, Hexagon

La solution : L'objectif est d'aller au-delà de la simple collecte de données pour mettre en place une stratégie où les informations sont structurées, accessibles et suffisamment pertinentes dans leur contexte pour permettre une prise de décision en temps réel

Les fabricants qui progressent le plus ne cherchent pas à opérer une transformation radicale, mais mettent en œuvre des modèles ciblés qui relient les connaissances du terrain aux données opérationnelles de manière concrète et évolutive.

Voici à quoi cela ressemble :

Modèle n° 1 : Recueillir les connaissances des collaborateurs pendant qu'ils travaillent

Le guide pratique :

• Consignez les tâches réelles au fur et à mesure qu'elles se déroulent, telles que les réglages, les changements de série, le dépannage et les inspections

• Utilisez l'IA pour transformer des contenus non structurés (vidéo, voix, gestes) en instructions structurées

• Transformer le savoir-faire tacite en guides numériques consultables et reproductibles

• Intégrez des contrôles, des traductions et une aide en ligne afin que les nouveaux employés puissent mettre ces connaissances en pratique immédiatement

Le résultat :

• Les connaissances deviennent accessibles et exploitables sans avoir à solliciter les experts

• Au lieu d'une formation ponctuelle, les équipes bénéficient d'un accompagnement intégré auquel elles peuvent accéder à tout moment

• L'expertise est répartie entre les équipes, les fonctions et les sites sans aucun goulot d'étranglement au niveau de la documentation
  
  

Modèle 2 : Transformer les flux de données en aide à la décision en temps réel

Le guide pratique :

• Regroupez toutes les données multimodales, telles que les paramètres des machines, les flux vidéo des caméras et les journaux de qualité, au sein d'une seule couche d'intelligence

• Entraînez l'IA à partir de vos propres données historiques (programmes, inspections, résultats) afin qu'elle identifie des tendances

• Fournissez des conseils en temps réel au moment où la décision doit être prise : « Voici la solution », et pas seulement « Voici le problème »

• Utilisez ces informations pour aider les opérateurs, et non pour les remplacer, et favorisez ainsi des processus où l'humain reste au cœur du système

« Les informations doivent être disponibles en temps réel, n’est-ce pas ? Attendre deux jours pour obtenir un rapport… cela n’apporte aucune valeur ajoutée concrète à l’entreprise. » — Alvin Clark, responsable mondial des relations avec les développeurs pour les secteurs de la fabrication et de l’industrie, NVIDIA

Le résultat :

• Les opérateurs bénéficient d'une aide pertinente et adaptée au contexte dès l'instant même, et non plusieurs heures plus tard

• Les ingénieurs bénéficient d'une identification plus rapide des causes profondes et de bases de référence plus solides pour Amélioration continue

• Vos systèmes ne se contentent plus de rendre compte des performances, mais contribuent désormais à les améliorer
  
  

Le fil conducteur

Ces approches peuvent partir de points de départ différents, mais elles fonctionnent pour la même raison :

• Ils s'appuient sur le contexte local, et non sur des modèles génériques

• Ils rendent les connaissances accessibles et les données exploitables

• Ils intègrent l'intelligence là où le travail s'effectue

• Et ils veillent à ce que tout le monde soit tenu au courant, et non pas laissé de côté

C'est ainsi que les fabricants concrétisent l'IA, en exploitant les bases dont ils disposent déjà.

Il n'est pas nécessaire de disposer de données parfaites ou d'une connaissance exhaustive pour se lancer. Commencez par un problème concret et récurrent, puis mettez en place ces deux éléments en parallèle. La plupart des fabricants suivent une démarche simple :

• Évaluez vos lacunes en matière d'accessibilité des données et de savoir-faire non documenté

• Choisissez un cas d'utilisation à fort impact, cas d'utilisation les changements de production, le dépannage ou la formation

• Capturez les connaissances et reliez les données dans le cadre d'un flux de travail ciblé

• Donnez aux équipes une responsabilité claire et les repères nécessaires pour agir rapidement. Lorsque les collaborateurs voient leur expertise reflétée dans les systèmes qu’ils utilisent, l’adoption se fait naturellement, et les améliorations s’ensuivent.

Tulip les données et les connaissances au sein d'une plateforme unique conçue pour répondre aux réalités des opérations sur le terrain.

Grâce à Tulip Composer, les équipes peuvent transformer en quelques minutes des procédures opérationnelles standard (SOP) statiques et des connaissances tacites en instructions de travail numériques et interactives, sans aucune programmation. Il suffit de télécharger un document pour que le système en extraie les étapes, les images et la logique nécessaires à la création d'une application fonctionnelle. C'est un moyen rapide et reproductible de mettre les processus d'experts à la portée de tous les opérateurs.

En associant cette fonctionnalité à AI Agent, l'assistant IA intégré Tulip, les opérateurs obtiennent des réponses à la demande, directement dans le cadre de leur travail. Qu'il s'agisse de consulter des spécifications de couple, de dépanner une machine ou d'analyser l'historique des performances, Copilot fournit instantanément les informations pertinentes en puisant directement dans vos procédures opérationnelles standard (SOP), vos manuels et données de production.

Ensemble, ces outils forment un circuit fermé : les connaissances sont capturées, transformées en applications, enrichies de données en temps réel et mises à disposition là où elles sont nécessaires. Et comme Tulip dans un écosystème industriel plus large, cette intelligence dépasse le cadre d'une simple plateforme. Grâce à des partenariats avec des innovateurs tels que DeepHow, Hexagon et NVIDIA, les industriels peuvent intégrer la capture des connaissances d'experts, des capacités avancées de simulation et de jumeau numérique, ainsi qu'une infrastructure d'IA accélérée au sein d'un même flux de travail opérationnel.

Tulip les bases d'une usine plus connectée et plus intelligente, où l'IA soutient à la fois les personnes et les processus, et où un écosystème ouvert permet à cette intelligence de s'étendre à l'ensemble des opérations.