Pourquoi l'IA échoue sans contexte : un guide pratique sur la préparation des données dans le secteur manufacturier

Les fabricants investissent massivement dans l'IA, mais de nombreuses initiatives s'enlisent après les premières phases pilotes. Les modèles fournissent des informations, les tableaux de bord s'illuminent, mais les équipes hésitent à passer à l'action. Sur le terrain et dans les salles de contrôle, les résultats semblent souvent déconnectés du fonctionnement réel des opérations.

Lors de l'événement Operations Calling, des dirigeants de ZS et d'AWS se sont réunis pour discuter de la manière dont les industriels préparent leurs données en vue d'une utilisation à grande échelle de l'IA. À travers des points de vue couvrant la stratégie industrielle, l'architecture cloud et les opérations sur le terrain, une tendance constante s'est dégagée : l'IA ne faillit pas parce que les modèles sont déficients, mais elle échoue lorsque les données sous-jacentes ne disposent pas d'un contexte opérationnel commun entre les systèmes informatiques (IT) et les systèmes opérationnels (OT)

Cet article explique pourquoi le contexte est la condition préalable qui fait défaut dans le domaine de l'IA industrielle. Nous présenterons un guide pratique sur la préparation des données, qui montre comment les entreprises peuvent passer de signaux bruts et de systèmes cloisonnés à des architectures prêtes pour l'IA, capables de prendre en charge une aide à la décision évolutive et impliquant l'intervention humaine.

Dans le secteur industriel, les données sont déjà présentes sur l'ensemble des machines, des systèmes et des applications. Le défi consiste à en extraire le sens. C'est le contexte qui permet de comprendre ce que ces données représentent et en quoi elles sont pertinentes pour une décision donnée.

« L'IA n'est efficace que dans la mesure où ses données le sont, n'est-ce pas ? Et il ne s'agit pas seulement des données. Cela va bien au-delà des données. Il s'agit du contexte dans lequel s'inscrivent ces données, n'est-ce pas ? Le contexte est primordial. » — Suraj Pai, directeur chez ZS

Savoir qu'une machine est en marche n'est pas la même chose que de savoir quel processus elle devrait exécuter, pour quel produit et dans quelles conditions. Sans ce lien avec les actifs, les processus et les produits, les systèmes d'IA peuvent détecter des signaux, mais peinent à faciliter la prise de mesures concrètes.

Le contexte dépend également du rôle et de la question posée. Ce qui importe à un opérateur, à un responsable qualité ou à un planificateur de la chaîne logistique diffère, même lorsqu’ils examinent les mêmes données sous-jacentes. C’est pourquoi le contexte ne peut être ni présumé ni codé en dur : il doit être conçu.

Enfin, le contexte n'est pas uniquement généré par des machines. Les experts ont souligné que l'intervention humaine comble toujours des lacunes cruciales là où les systèmes présentent des limites. Pour que l'IA fonctionne dans des situations opérationnelles réelles, elle doit tenir compte à la fois des données du système et du jugement humain.

La préparation des données de production signifie que les données opérationnelles sont définies, structurées et interconnectées de manière à pouvoir être utilisées de manière fiable dans l'ensemble des systèmes informatiques et des systèmes de technologie opérationnelle.

Concrètement, les données sont prêtes lorsque :

• Les actifs, les processus et les produits sont clairement définis.

• Les relations entre eux sont modélisées.

• Les conventions de nommage sont normalisées.

• Le contexte reste associé aux données lorsqu'elles transitent d'un système à l'autre.

Cela garantit que les mêmes données désignent la même chose partout où elles apparaissent, que ce soit dans les systèmes opérationnels, de qualité, d'ingénierie ou d'entreprise.

Des normes telles que l'ISA-95 ou l'Unified Namespace constituent un point de départ structurel. Une fois ces bases établies, les nouveaux cas d'utilisation en matière d'analyse et d'IA peuvent s'appuyer sur des modèles communs, plutôt que de devoir recréer le contexte pour chaque projet. Cela signifie également qu'il n'est pas nécessaire d'expliquer manuellement les données à chaque fois qu'un nouvel utilisateur les utilise. Le contexte est déjà intégré.

Lorsque les données sont prêtes, les nouveaux tableaux de bord, outils d'analyse ou outils d'IA peuvent les exploiter immédiatement. Dans le cas contraire, les équipes passent la majeure partie de leur temps à essayer de comprendre ce que ces données signifient réellement.

Le contexte ne se révèle pas d'un seul coup. Il se construit par étapes, et la plupart des fabricants interviennent simultanément sur plusieurs de ces niveaux. L'essentiel est de comprendre où en est le contexte aujourd'hui et ce qu'il faut faire pour aller de l'avant sans surconcevoir.

« Ces agents ne fonctionnent pas correctement et ne vous fourniront pas les informations adéquates ni ne prendront de meilleures décisions… sans les données appropriées. » — Venkat Gumatam, architecte de solutions partenaire, Amazon Web Services

Étape 1 : Contexte au niveau des actifs
À ce stade, les données sont associées à des machines, des lignes de production ou des capteurs individuels.

Vous pouvez consulter l'état de l'équipement (en marche, à l'arrêt ou en panne), ainsi que des indicateurs de base tels que la durée du cycle, la température ou le nombre de pièces produites. Ces données vous indiquent ce que fait l'équipement à un moment donné.

Ce que cela ne vous indique pas, c'est si la machine traite le bon produit, respecte les paramètres de processus appropriés ou répond aux attentes en matière de performances pour cette tâche spécifique. Les données se limitent à l'équipement lui-même.

C'est par là que commencent la plupart des intégrations IT/OT: la connexion des machines et la collecte des signaux. Cela offre une visibilité, mais pas une compréhension opérationnelle complète.

Étape 2 : Contexte du processus
À ce stade, les données sont associées à l'étape du processus que la machine est en train d'exécuter.

Vous pouvez voir quelle opération est en cours d'exécution, à quelle étape du flux de travail elle se trouve, ainsi que les valeurs de consigne ou les limites définies pour cette étape. Les données de performance ne se limitent plus à un simple signal de la machine ; elles sont évaluées par rapport au déroulement prévu du processus.

Vous savez désormais si l'opération s'est déroulée conformément aux paramètres prévus.

Ce que vous ne savez pas encore tout à fait, c'est comment ces performances se répercutent sur un produit, une commande ou un lot en particulier. Les données reflètent le comportement du processus, mais pas l'impact complet sur le produit.

C'est là que les questions passent de « Que s'est-il passé ? » à « Cela s'est-il déroulé comme prévu ? »

Étape 3 : Contexte produit et lot
À ce stade, les données sont associées à des produits, des recettes ou des lots spécifiques. Les performances, les écarts et les résultats en matière de qualité peuvent être rattachés à ce qui était en cours de production à ce moment-là.

Cela permet de comprendre comment le comportement du processus influe sur une commande ou un lot donné, et pas seulement sur la machine. C'est particulièrement important dans les environnements réglementés et à forte diversité de production, où un même équipement peut traiter différents produits soumis à des exigences différentes.

Étape 4 : Contexte interfonctionnel
À ce stade, les données de l'atelier sont reliées aux systèmes de qualité, d'ingénierie et de la chaîne d'approvisionnement. Un problème survenant sur une machine peut être associé à ses conséquences, telles que les rebuts, les retards, les retouches ou les livraisons manquées.

Les données ne se limitent plus à la simple évaluation des performances d'une ligne de production. Elles montrent comment les problèmes opérationnels affectent l'activité.

C'est là que les décisions ne se limitent plus à la simple réparation d'une machine. Les équipes peuvent ainsi appréhender l'impact global et agir à l'échelle de l'ensemble de l'entreprise, et non plus uniquement au sein d'un seul service.

Étape 5 : Le facteur humain
Même dans les environnements de pointe, les personnes restent au cœur du processus. Les opérateurs prennent des notes, expliquent les problèmes lors des changements d'équipe, gèrent les exceptions et prennent des décisions lorsqu'une situation ne se déroule pas comme prévu.

Les systèmes ne capturent pas tout. Ce sont souvent les contributions humaines qui permettent d'expliquer pourquoi un événement s'est produit, et pas seulement ce qui s'est passé. Les architectures de données performantes considèrent ces contributions comme des données opérationnelles précieuses, et non comme des éléments à ignorer.

« Tous les ateliers ne verront pas tous leurs processus numérisés. Des personnes interviennent toujours pour collecter des données et enregistrer certaines étapes du processus de fabrication. » — Suraj Pai, directeur chez ZS

La maturité en matière d'IA dépend de la capacité des données à circuler entre ces couches sans perdre leur sens. Des problèmes surviennent lorsque les organisations tentent de déployer l'IA avant que le contexte nécessaire ne soit en place.

Pour éviter les défaillances de l'IA, il faut commencer par concevoir les données de manière réfléchie. L'objectif n'est pas de créer un modèle parfait, mais un modèle exploitable.

Commencez par établir des définitions communes. Définissez clairement les actifs, les étapes des processus, les produits et les entités clés afin qu'ils soient cohérents d'un système à l'autre. Adoptez des conventions de nommage communes afin qu'un même terme ait la même signification dans les outils opérationnels, de qualité et d'entreprise.

Modélisez ensuite les relations qui comptent. Reliez les événements machine aux étapes de processus. Reliez les étapes de processus aux produits ou aux lots. Reliez les événements opérationnels aux systèmes de qualité et de chaîne d'approvisionnement. Concentrez-vous uniquement sur les relations nécessaires à vos cas d'utilisation prioritaires, et non sur tous les scénarios possibles.

Utilisez des normes telles que l'ISA-95 et l'ISA-88 comme points de référence, et non comme des modèles à suivre à la lettre. Inspirez-vous de la clarté structurelle qu'elles apportent, puis adaptez-les pour qu'elles correspondent au fonctionnement réel de vos activités.

Enfin, concevez en vue d'une évolution. Les ontologies vous permettent de définir des entités et des relations de manière à pouvoir les faire évoluer à mesure que de nouveaux produits, flux de travail ou sites sont ajoutés. Cela permet de conserver la structure des données sans les enfermer dans des hiérarchies rigides.

Lorsque les fabricants adoptent cette approche, les systèmes d'IA n'ont pas besoin de réinterpréter les données à chaque fois qu'elles franchissent une frontière. Les nouveaux cas d'utilisation s'appuient sur des bases communes au lieu de créer des modèles parallèles. C'est ainsi que le contexte s'adapte et que l'IA continue de fonctionner à mesure que la complexité augmente.

La première vague d'IA dans le secteur manufacturier s'est principalement concentrée sur la génération d'informations exploitables via des tableaux de bord, des prévisions et des recommandations. L'IA agentique bouleverse ces attentes. Ces systèmes ne se contentent pas d'analyser les données ; ils sont capables d'agir, de déclencher des flux de travail et de coordonner les décisions entre les différents systèmes.

« Nous entrons désormais dans un monde à la « Iron Man », où nous communiquons avec les systèmes et où les systèmes communiqueront avec nous. » — Venkat Gumatam, architecte de solutions partenaires, Amazon Web Services

Cette évolution place la barre plus haut en matière de préparation des données. Lorsque l'IA passe de la simple suggestion à l'action, les lacunes contextuelles se transforment en risques. Un agent doit non seulement comprendre ce qui s'est passé, mais aussi où cela s'est produit, pourquoi c'est important et quelles sont les contraintes applicables. Sans ces bases, l'automatisation devient fragile au lieu d'être fiable.

C'est pourquoi une conception intégrant l'intervention humaine est essentielle. Les systèmes agentiques fonctionnent mieux lorsque des humains valident les décisions, gèrent les exceptions et font preuve de discernement lorsque les données sont incomplètes. Plutôt que de remplacer les opérateurs ou les ingénieurs, ces systèmes sont conçus pour les assister en mettant en évidence le contexte, en accélérant la prise de décision et en laissant la responsabilité aux personnes.

« En fin de compte, il faut une conception mûrement réfléchie qui intègre l’intervention humaine. » — Suraj Pai, directeur, ZS

Pour les responsables informatiques et opérationnels, se préparer à l'IA agentique ne consiste pas à déployer des agents en premier lieu. Il s'agit plutôt de concevoir des modèles opérationnels et des bases de données qui intègrent dès le départ la collaboration entre les systèmes et les humains. Lorsque le contexte est en place, l'IA agentique devient un prolongement concret des opérations. Sans cela, même les modèles les plus avancés peinent à gagner la confiance.

Tulip la préparation des données de production en capturant le contexte dans lequel le travail s'effectue réellement. En tant que plateforme d'opérations de première ligne, Tulip les contributions humaines, les données machine et les flux de travail dans un environnement unique, ce qui permet d'intégrer la signification opérationnelle dès la création des données, sans avoir à la reconstituer ultérieurement.

En numérisant les processus opérationnels, Tulip harmoniser la manière dont les actifs, les opérations et les produits sont représentés, tout en conservant suffisamment de souplesse pour tenir compte des spécificités de chaque site. Les ingénieurs peuvent définir des flux de travail, des procédures de collecte de données et des conventions de nommage qui s'intègrent aux architectures informatiques et opérationnelles globales, sans imposer de modèles rigides et descendants.

Ces données contextualisées peuvent ensuite être intégrées dans les systèmes d'entreprise, les plateformes d'analyse et les services cloud, afin de soutenir des cas d'utilisation de l'IA qui nécessitent une structure cohérente entre les différents services et sites. Il en résulte une base évolutive pour une IA avec intervention humaine, ancrée dans les opérations réelles, adaptable au fil du temps et conçue pour soutenir à la fois l'exécution locale et la prise de décision au niveau de l'entreprise.