Quatre façons dont l’IA générative relève les défis de la fabrication
L’industrie manufacturière occupe une position qui n’est guère enviable. Soumise à une pression constante sur les coûts, à l’instabilité de la chaîne d’approvisionnement et aux technologies bouleversantes comme l’impression 3D et l’IdO. Le secteur doit optimiser en permanence ses processus, améliorer son efficacité et améliorer l’efficacité globale de ses équipements.
Parallèlement, on observe cette formidable vague de transition énergétique et de durabilité. Les fabricants sont appelés à réduire leur empreinte carbone, à adopter des pratiques d’économie circulaire et à devenir plus respectueux de l’environnement en général.
Les fabricants sont contraints d'innover en permanence tout en garantissant la stabilité et la sécurité. Si une prédiction d’IA est inexacte lors d’une campagne marketing, c’est un désagrément mineur ; si elle l’est dans un atelier de fabrication, cela peut être fatal.
La technologie et les ruptures ne sont pas étrangères aux fabricants, mais la difficulté majeure est que ce qui est efficace en théorie échoue fréquemment dans la pratique. À titre d’exemple, nous, fabricants, mettons en place une base de connaissances, mais personne n’arrive à y trouver d’information sans de longues heures de recherche et de navigation. Ou nous créons un data lake, qui se transforme rapidement en marécage de données. Ou bien nous continuons à ajouter des applications, de sorte que notre dette technique continue d’augmenter. Mais nous ne pouvons pas moderniser nos applications, car elles contiennent la logique qui a été élaborée et affinée au cours des années.
Examinons certaines des capacités ou des cas d'utilisation qui nous intéressent le plus :
1. Synthèse
La synthèse demeure le principal cas d’utilisation de la technologie d’IA générative. Associée à la recherche et à l’interaction multimodale, l’IA générative en fait un excellent assistant. Les fabricants utilisent la synthèse de différentes manières.
Ils peuvent l'utiliser pour concevoir un meilleur moyen pour les opérateurs de récupérer rapidement et efficacement les informations correctes à partir du vaste référentiel de manuels d'utilisation, de SOP, de carnets de bord, d'incidents passés, etc. Cela permet aux employés de se concentrer davantage sur leurs tâches et de progresser sans retards inutiles.
IBM dispose d’accélérateurs d’IA générative qui se concentrent sur le secteur de la fabrication pour y parvenir. De plus, ces accélérateurs sont préintégrés à divers services d’IA cloud et recommandent le meilleur LLM (grand modèle de langage) pour leur domaine.
La synthèse est également utile dans les environnements d'exploitation difficiles. En cas de panne de la machine ou de l'équipement, les ingénieurs de maintenance peuvent utiliser l'IA générative pour diagnostiquer rapidement les problèmes sur la base du manuel de maintenance et d'une analyse des paramètres du processus.
2. Compréhension des données contextuelles
Les systèmes de données sont souvent à l'origine de problèmes majeurs dans les entreprises manufacturières. Ils sont souvent disparates, cloisonnés et multimodaux. Les différentes initiatives visant à créer un graphe des connaissances de ces systèmes n'ont été que partiellement couronnées de succès en raison de la profondeur des connaissances héritage, de la documentation incomplète et de la dette technique contractée au fil des décennies.
IBM a développé un système de découverte de connaissances alimenté par l'IA qui utilise l'IA générative pour déverrouiller de nouvelles informations et accélérer les décisions fondées sur les données avec des données industrielles contextualisées. IBM a également mis au point un accélérateur pour l'ingénierie de fonctionnalités contextuelles dans le domaine industriel. Cela permet de visualiser en temps réel l'état des processus (normal/anormal), d'atténuer les obstructions fréquentes et de détecter et de prévoir le Golden Batch.
IBM a mis au point un conseiller en main-d'œuvre qui utilise la synthèse et la compréhension des données contextuelles, la détection des intentions et l'interaction multimodale. Les opérateurs et les ingénieurs d'usine peuvent s'en servir pour identifier rapidement un problème. Les utilisateurs peuvent poser des questions à l’aide de la parole, du texte et du pointage, et le conseiller en IA générative les traite et fournit une réponse, tout en ayant une sensibilisation du contexte. Cela permet de réduire la charge cognitive pesant sur les utilisateurs en les aidant à effectuer une analyse de cause racine plus rapidement, réduisant ainsi leur temps et leurs efforts.
3. Aide au codage
L’IA générative aide également au codage, notamment à la documentation des codes, à la modernisation des codes et au développement des codes. Le cas d’utilisation de Water Corporation illustre comment l’IA générative contribue à la modernisation informatique. Water Corporation a adopté Watson Code Assistant, qui repose sur les capacités d'IA générative d'IBM, pour faciliter sa transition vers une infrastructure SAP basée sur le cloud.
Cet outil a accéléré le développement du code en utilisant des recommandations générées par l'IA et basées sur des entrées en langage naturel, réduisant ainsi de manière significative les temps de déploiement et le travail manuel. Avec watson Code Assistant, Water Corporation a réduit de 30 % les efforts de développement et les coûts associés tout en maintenant la qualité et la transparence du code.
4. Gestion des actifs
L’IA générative a le pouvoir de transformer la gestion des actifs.
L’IA générative peut créer des modèles de fondation pour les actifs. Lorsque nous devons prévoir plusieurs KPI pour le même processus ou qu'il existe une flotte d'actifs similaires. Il est préférable de développer un modèle de base de l'actif et de l'affiner à plusieurs reprises.
L'IA générative peut également s'entraîner pour la maintenance prédictive. Les modèles de fondation sont très pratiques si les données sur les pannes sont rares. Pour garantir une précision raisonnable, les modèles IA traditionnels ont besoin d’un grand nombre d’étiquettes. Cependant, dans les modèles de fondation, nous pouvons préentraîner des modèles sans étiquettes et les affiner avec les étiquettes limitées.
De plus, l'IA générative peut fournir une assistance et une formation aux techniciens. Les fabricants peuvent utiliser les technologies d’IA générative pour créer un simulateur de formation pour les opérateurs et les techniciens. De plus, pendant le processus de réparation, les technologies d'IA générative peuvent fournir des conseils et générer la meilleure procédure de réparation.
IBM croit que l'agilité, la flexibilité et l'évolutivité offertes par les technologies d'IA générative accéléreront considérablement les initiatives de numérisation dans le secteur manufacturier.
L’IA générative donne aux entreprises les moyens d’agir au cœur de leur activité. D’ici deux ans, les modèles de fondation alimenteront environ un tiers de l’IA dans les environnements d’entreprise.
Dans les premiers travaux d'IBM sur l'application de modèles de fondation, la création de valeur est jusqu'à 70 % plus rapide qu'avec une approche d'IA traditionnelle. L'IA générative rend les autres technologies d'IA et d'analytique plus consommables, ce qui aide les entreprises manufacturières à rentabiliser leurs investissements.