Les bonnes données provenant des bonnes sources créent les bons modèles

Les usines connectées deviennent désormais monnaie courante, les fabricants reconnaissant et adoptant la puissance que leurs données opérationnelles peuvent libérer. En effet, la pandémie de COVID-19 a contraint de nombreuses entreprises à pivoter et à s'adapter à la « nouvelle normalité », avec la base des capacités de données – la digitalisation – comme protagoniste principal de ces efforts.

En levant le couvercle sur leur technologie, leurs personnes et leurs processus – et en extrayant ces données opérationnelles – beaucoup ont découvert une myriade de capacités et de connexions dormantes qui leur donnent encore plus d'informations sur le fonctionnement, la capacité et l'efficacité de leurs lignes de production.

Mais avec toutes ces nouvelles données à disposition, la grande question est la suivante : ces données sont-elles utilisées à leur maximum avantage ? Les entreprises exploitent-elles chaque dernier octet d'informations utilisables, puis les déploient-elles là où et quand cela peut faire la différence – en prenant les bonnes décisions au bon moment ?

Quelle est votre source ?

Dans de nombreux cas, la bonne décision peut être affectée par l'endroit où la décision est prise, ce qui est sans doute aussi important que la manière dont la décision est prise. Chaque cas d'utilisation est différent, car il est utile de résoudre les problèmes au niveau du dispositif, de la commande, de la périphérie et/ou du cloud.

La valeur du cloud réside dans des types spécifiques d'applications, tels que le partage de données entre les écosystèmes et la chaîne logistique, l'agrégation de données et la visualisation non temps réel (surveillance de l'énergie), les applications à calcul intensif, le développement et la formation de modèles d'apprentissage automatique, pour n'en citer que quelques-uns.

Mais généralement, plus vous êtes éloigné de la source des données, moins vous voyez de mises à jour des données – ce qui signifie que des valeurs de données intermédiaires peuvent manquer. En conséquence, les utilisateurs du cloud ne voient généralement qu'un petit ensemble de valeurs de données possibles et de données de dispositifs internes ; les modèles de processus, de commande et de dispositif ne sont pas visibles du tout.

Dans la plupart des cas, les décisions doivent être prises aussi près que possible de la source – la périphérie – afin de préserver le contexte des données et la rapidité. La contextualisation et la modélisation à la périphérie permettent d’obtenir des informations analytiques plus riches, et les solutions basées sur la périphérie et le cloud peuvent tirer le meilleur parti des deux mondes pour offrir une agilité et une productivité accrues.

Lorsque vous rassemblez et analysez les données plus près de la source, vous obtenez un retour en temps réel. Sans cette immédiateté, vous pourriez construire un modèle ou une simulation avec des capacités et une portée limitées – car vous ne savez pas ce que vous ne savez pas ! Vous avez besoin d’informations qui vous permettent de comprendre la capacité réelle, pas seulement la capacité observée typique. Mais une solution en périphérie n’est qu’une partie de l’ensemble.

Analyse des données : limites et mythes

L'analyse, l'IA et l'apprentissage automatique peuvent être des outils puissants lorsqu'ils sont utilisés conjointement avec des bibliothèques et des experts du domaine – qui peuvent comprendre et libérer une valeur et des opportunités insoupçonnées – et peuvent offrir des opportunités d'optimisation des processus et de prévisions futures basées sur le comportement observé. Mais ces outils ne peuvent pas être appliqués de manière générique, en raison de la grande variété d'applications possibles dans le large spectre industriel.

L'analyse des données ne fournit pas non plus une image complète. Vous ne verrez que les données que vous pouvez observer, de sorte que les capacités et les limites supplémentaires ne sont généralement pas visibles, et un état complet peut ne pas être disponible.

Pas assez de tranches

Prenons l'exemple d'un camion de pizzas artisanal et des données opérationnelles qu'il nous fournit. Il fonctionne X heures, Y jours par semaine, sert Z pizzas, avec un délai T entre la commande et la livraison. Ce que nous ne pouvons pas « observer », ce sont les capacités du camion : combien d'heures par jour peut-il fonctionner ? Combien d'heures le personnel doit-il travailler ? Sont-ils formés, et à quel niveau ? Quel est le nombre maximum de portions ? Quelle est sa plage (et sa vitesse) entre les emplacements ? Est-il correctement entretenu ? Quel équipement (capacités) se trouve dans la cuisine ? D'autres aliments peuvent-ils être préparés ?

L'exemple du camion de pizzas illustre le fait que de nombreuses entreprises sont confrontées à un mélange de données et de modèles, dont certains détails ne sont pas facilement disponibles. C'est particulièrement vrai lorsqu'on essaie d'examiner les données à distance. Comprendre les limites des données observables et envisager où des données supplémentaires pourraient être collectées et incluses, donnera finalement une image plus robuste de toute situation.

À cela s'ajoutent les multiples défis liés à la disponibilité des données, notamment la fréquence d'échantillonnage, la façon dont les données sont exprimées et les limitations causées par les ressources de communication réseau, ce qui entraîne d'énormes lacunes dans les données.

Qu'est-ce qui me convient ?

Vous devez comprendre le problème que vous essayez de résoudre et le résultat que vous souhaitez obtenir. Si vous avez besoin d'en savoir plus et de faire plus, il est préférable de commencer par l'analytique, qui vous donnera des informations sur les endroits où les problèmes existent, afin que vous puissiez créer une stratégie pour les résoudre. Cela signifie généralement ajouter des capteurs supplémentaires ou construire des modèles pour modéliser la solution. Ces modèles peuvent également être essentiels pour découvrir et explorer des solutions que vous n'avez jamais essayées auparavant.

Il y a de la valeur à résoudre les problèmes au niveau des dispositifs, des commandes, de la périphérie et du cloud, mais dans tous les cas, vous devez essayer d'utiliser les outils qui répondent le mieux à vos besoins. En effet, vous pourriez même vous retrouver à déployer une solution hybride.

Il est crucial de trouver le bon équilibre pour libérer le plein potentiel d'une usine. L'objectif ultime devrait être d'appliquer les connaissances du domaine et la modélisation appropriée pour créer une simulation précise en utilisant une image complète des données – pas seulement ce que vous savez déjà !

Découvrez comment exploiter pleinement vos données sur le hub Management Perspectives. Vous y trouverez une multitude de ressources pour les décideurs industriels, fournissant les informations dont vous avez besoin pour prospérer dans un paysage numérique en constante évolution.