Convergence IT/OT supérieure : capture automatique du contexte OT en périphérie
Même si la technologie IA/AA a fait de grands progrès, la préparation des données reste un défi. Et c'est un problème pour l'industrie manufacturière. La raison est simple : des prévisions incorrectes à partir de données de mauvaise qualité peuvent avoir de graves répercussions sur la production, la sécurité des travailleurs et les équipements à forte intensité de capital. Les analystes informatiques et les scientifiques des données recherchent souvent des ensembles de données OT spécifiques et complets avec une granularité élevée pour résoudre les problèmes de domaine, mais les ingénieurs n'y ont pas un accès direct.
Des données de mauvaise qualité entraînent de nombreux allers-retours entre les ingénieurs et les scientifiques des données, même avant la phase de création du modèle. De plus, le même ensemble de données OT brutes pourrait être réutilisé pour construire d'autres modèles à l'avenir. Il est important d'avoir des normes de qualité des données élevées, ainsi que de l'intégrité et de la pertinence avant la préparation et l'exécution du modèle.
L'adage « poubelle entrée, poubelle sortie » est ici approprié. La capture automatique du contexte des données OT en périphérie peut aider à débloquer des informations exploitables et de haute qualité à partir du volume considérable de données industrielles. La capacité FactoryTalk® Smart Object™ de Rockwell Automation est une avancée significative à cet égard. Les ingénieurs OT peuvent désormais concevoir des modèles d'information IT/OT communs flexibles qui imitent les scénarios physiques de l'usine et les alimentent automatiquement avec des valeurs de points OT en cours d'exécution et le contexte de production à faible latence. Cela améliore considérablement la qualité des données OT et ouvre de nouvelles voies pour ajouter de la valeur.
Un contexte OT riche permet aux scientifiques des données et aux analystes informatiques de découvrir des informations à l'échelle de l'entreprise avec une vision plus large. De plus, avec un contexte OT plus riche, ils peuvent déployer des modèles à l'échelle de l'entreprise et accélérer l’économie de temps.
Prenons un exemple : une usine de conditionnement agroalimentaire comporte plusieurs étapes de production, telles que le remplissage, l'embouteillage, le conditionnement, etc. Grâce à la capture automatisée du contexte des données OT, les fabricants peuvent facilement corréler différents paramètres de production à un numéro de lot particulier. Ils peuvent documenter l'origine d'un lot de production avec la pression, la température, l'épaisseur du récipient, etc.
Les fabricants peuvent désormais bénéficier d'un avantage évident : ils peuvent effectuer des analyses des causes premières en temps réel (après avoir éliminé les valeurs aberrantes) sans avoir à se plonger dans un travail d'ingénierie des données lourd. Lorsqu'il s'agit de répondre à un problème de rappel de sécurité urgent, il devient facile de déduire si le défaut se situe dans le processus de production ou dans les matières premières : le « certificat de naissance numérique » sert de point de référence excellent pour les opportunités d'amélioration continue.
Accélérer l’économie de temps avec des outils modernes et visuels de science des données
Les clients utilisent des outils modernes pour résoudre un ensemble de problèmes et deviennent plus intelligents quant à leur approche de la création de modèles. « Créer une fois, réutiliser plusieurs fois » est à la mode.
Aujourd'hui, les professionnels des technologies de la production cherchent à lancer des solutions d'apprentissage automatique rapides avec un minimum d'efforts ou de formation en science des données pour accélérer l’économie de temps. L'intérêt pour les bibliothèques d'apprentissage automatique préconstruites pour des cas d'utilisation ciblés dans la fabrication industrielle est croissant. Les ingénieurs OT ne veulent pas repartir de zéro avec la préparation des données, la modélisation et la formation,
De plus, les data scientists et les analystes informatiques, en particulier ceux du secteur de la fabrication industrielle, recherchent des solutions d'analyse de données volumineuses et de plate-forme d'apprentissage automatique robustes qui leur permettraient de créer, former, déployer, évaluer et surveiller visuellement des modèles d'apprentissage automatique de manière continue. Ils ont besoin d'une solution d'analyse ouverte, normalisée, sécurisée et de niveau entreprise, avec laquelle ils peuvent gérer de manière collaborative l'ensemble du cycle de vie du modèle dans un environnement informatique centralisé.
Les capacités de création de pipelines de données visuelles jouent un rôle important dans l'accélération de la création et de la gestion des modèles d'apprentissage automatique. La visualisation des données transformées à chaque étape de la création du pipeline minimise les erreurs inattendues pendant l'exécution. De plus, les tableaux de bord visuels aident à suivre les performances via des statistiques de performance du modèle et des configurations par pointage et clic.
Les data scientists et les analystes informatiques aspirent à créer intuitivement des pipelines de données complexes et à appliquer des algorithmes d'apprentissage automatique (Python, Spark, H2O.ai ou PMML) sur des données en flux continu ou par lots. Une fois les modèles créés, ils peuvent être évalués en les déployant dans des pipelines de données sur des moteurs d'exécution hautement évolutifs. Enfin, la possibilité d'apporter ses propres modèles (BYOM) et d'importer du code dans des environnements de programmation ouverts permet de stimuler le rythme de l'innovation grâce à la réutilisabilité.
La vision à long terme du parcours IA/AA : gestion du cycle de vie des modèles de bout en bout
La gestion du cycle de fonctionnement du modèle d'apprentissage automatique de bout en bout (de la création du modèle à la maintenance) est un domaine d'intérêt émergent dans le secteur de l'analyse industrielle.
Après avoir créé un modèle analytique, il est essentiel de suivre les performances du modèle d'apprentissage automatique (où qu'il soit déployé dans le spectre de la périphérie au cloud) et de continuer à le former avec de nouvelles données de production. Bien que l'automatisation de la maintenance du modèle soit importante, il est probablement plus important de savoir « quand » un modèle d'apprentissage automatique doit être reconstruit.
Les conditions du marché peuvent être changeantes, les besoins de fabrication évoluent et les processus de production changent. C'est pourquoi vous devez être en mesure de surveiller en permanence un modèle pour détecter toute dérive de performance et de pouvoir le remplacer par une autre version au bon moment.
Quelques exemples de situations dans lesquelles un modèle d'apprentissage automatique doit être reconstruit peuvent inclure une refonte de la ligne de production, l'ajout d'un nouveau capteur ou une maintenance récente d'équipement lourd. Pour cela, vous devez suivre en permanence la dérive de sa précision prédictive. La maintenance du modèle doit être anticipée à l'avance et budgétisée dans le cycle de vie du modèle d'IA/AA.
Nouveau monde, nouvelles solutions
Ce qui vous a mené jusqu'ici ne vous mènera pas plus loin. Les avancées en IA/AA créent de nouvelles frontières dans la fabrication industrielle avec des flux de travail de fabrication en libre-service qui accélèrent l’économie de temps. En tant que leader de la transformation numérique, vous devez comprendre que les anciennes méthodes ne vous positionneront pas pour l'avenir. Vous devez absorber les changements majeurs qui se produisent dans la technologie IA/AA et les appliquer pour accélérer l’économie de temps pour les cas d'utilisation à haute priorité dans votre domaine de fabrication industrielle.
Un nouveau monde avec de nouveaux problèmes exige de nouvelles solutions. Il est prudent d'adopter les tendances : une convergence IT/OT supérieure avec un contexte OT plus riche à la source, l'essor des data scientists citoyens OT et la démocratisation de l'IA/AA avec des outils visuels qui offrent une gestion robuste du cycle de vie des modèles. Tirer parti de ces tendances et des meilleures pratiques dans vos solutions d'analyse industrielle vous permet d'obtenir des informations de qualité au niveau de l'entreprise et d'accélérer l’économie de temps de vos résultats de fabrication clés.
