Pourquoi une approche centrée sur les données est bénéfique

« Connaissez-vous Andrew Ng ? », demande Christian Wendler, PDG de Lenze, à ses invités à leur arrivée. « Vous devriez, absolument ». Christian Wendler a manifestement un œil sur cet homme. Et cet homme de la Silicon Valley, berceau des grands ensembles de données, parle publiquement d’ensembles de données plus petits depuis un certain temps. Cela a attiré l’attention de Christian Wendler, car c’est aussi son histoire. Pour exploiter tout le potentiel de l’intelligence artificielle, il faut se concentrer sur la qualité des données, et Andrew Ng appelle cette approche l’IA centrée sur les données.

Christian Wendler interrompt la recherche sur Google : « Andrew Ng est l’un des pionniers de l’IA les plus importants de notre époque, des millions de personnes dans le monde ont suivi ses cours – y compris de nombreux collaborateurs de Lenze. L’Américain a fondé Google Brain, enseigné à Stanford et cofondé le cours d’apprentissage automatique le plus populaire au monde sur Coursera. » Par le passé, l’intelligence artificielle se concentrait principalement sur le développement, l’amélioration et le perfectionnement des algorithmes. La Silicon Valley peut-elle enfin apprendre quelque chose de la fabrication discrète, des industries qui ont dû travailler avec de petits ensembles de données pendant des années ? Peut-être, mais ce qui est bien plus surprenant, c’est que les entreprises de la Silicon Valley découvrent l’industrie proprement dite et les nombreux cas d’utilisation dans les ateliers. Les entreprises européennes s’en félicitent, mais de nouveaux concurrents arrivent également sur le marché, y compris des experts en applications spécifiques à l’industrie.

« Andrew Ng a créé sa propre entreprise spécialement pour cela », explique le PDG du spécialiste allemand de l’automatisation Lenze. Cela lui a permis de se remettre en question. L’entrepreneur sait que l’industrie génère moins de données et que celles-ci sont généralement déséquilibrées. En outre, les données dans l’industrie requièrent une connaissance du domaine du processus de production. Cela signifie que les entreprises ont besoin d’expertise pour étiqueter les données. Dans le même temps, les ingénieurs exigent que leurs modèles soient explicables.  

Christian Wendler est bien conscient des ambitions des Américains. Comme Andrew Ng et ses collègues, il s’appuie sur une approche centrée sur les données, avec de petits ensembles de données qui sont ensuite transformés en données intelligentes. « Dans une approche « big data », l’utilisateur recherche des corrélations et des modèles. La planification du trafic en est un exemple. Une machine ou une usine est une application complètement différente. Grâce à notre connaissance des processus, je peux spécifier des modèles de recherche pour détecter les anomalies. Je n’extrais spécifiquement que les « bonnes » données et je les évalue à l’aide de mes connaissances », résume Christian Wendler. 

Il est fier de son équipe. Ses ingénieurs s’appuient sur le jumeau numérique. « Les données de ma machine aboutissent dans le jumeau numérique – c’est en quelque sorte le réservoir de données. Je n’en retire que les données dont j’ai réellement besoin pour mon application. Ce sont mes petites données. Et grâce à ma connaissance du domaine, je transforme mes petites données en données intelligentes », ajoute Christian Wendler. C’est important pour lui : « Nous n’avons pas toujours besoin de réseaux neuronaux profonds ; nous pouvons aussi identifier rapidement ce qui fonctionne, comment et où il y a un potentiel d’optimisation dans le jumeau numérique ».

En collaboration avec leurs clients, les experts en automatisation ont identifié quatre approches de données intelligentes. « Lorsque les ingénieurs allemands planifient une nouvelle machine, ils jouent la carte de la sécurité. En effet, l’ingénierie allemande a toujours été synonyme de qualité et de fiabilité. Aujourd’hui encore, de nombreux ingénieurs fixent des normes trop élevées parce qu’ils veulent s’assurer que le système fonctionne bien », explique Christian Wendler. Les experts appellent cela le syndrome du tampon en cascade. Il conduit à des gaspillages inutiles. « Nous pouvons tester la conception exacte, basée sur les performances, dans le jumeau numérique des machines », s’enthousiasme Christian Wendler. Cela permet d’économiser de l’énergie, des matériaux, du poids et des coûts de transport. Le PDG calcule : « Si nous utilisons les données du jumeau et notre approche des données intelligentes ne serait-ce que pour 25 % des 50 millions de moteurs électriques dans le monde, soit 12,5 millions de moteurs, nous économiserons environ 500 millions d’euros en coûts d’électricité par an et plus de 2 milliards d’euros en coûts de production. » Christian Wendler est maintenant dans son élément. Il prend un paquet brun. « Nous pouvons économiser une énorme quantité d’énergie dans l’entrepôt de commerce électronique », promet-il. De nombreux convoyeurs tournent 20 heures par jour à plein régime. « Mais il faut regarder de près les données d’utilisation, et là, c’est clair : le client n’a besoin de la charge maximale qu’une heure par jour. »

L’ingénieur électricien fait le calcul. « Avec le jumeau numérique et donc la commande de mouvement intelligente optimisée en fonction de la charge et les moteurs efficaces de dernière génération, je peux obtenir un résultat impressionnant », dit-il. « La consommation d’énergie d’un centre de commerce électronique typique doté de 800 moteurs, extrapolée à 13 000 centres de colis dans le monde, permet d’économiser 31 TWh. Cela équivaut aux émissions de CO2 d’environ quatre millions de voitures de classe moyenne. Nous pensons qu’une telle approche permettra d’économiser jusqu’à 50 % d’énergie pour toutes les machines de production et les systèmes de convoyage ». Il insiste sur les 50 %. « Ce sont des valeurs. Nous utilisons les données pour créer une véritable valeur ajoutée », déclare fièrement Christian Wendler. « L’OEE oscille autour de 60 % à l’échelle mondiale. Nous avons calculé un potentiel d’amélioration de 45 milliards d’euros. Deloitte est du même avis. »

L’hypothèse : en 36 mois, 82 % des opérateurs d’usines dans le monde ont subi au moins un arrêt machine non planifié, et la plupart d’entre eux en ont subi deux ou plus. De nombreux systèmes sont encore entretenus selon le principe « run-to-fail », ce qui signifie que les pièces des machines ne sont remplacées qu’en cas de panne. En moyenne, les systèmes de production de chaque fabricant restent inactifs pendant 800 heures par an. Les constructeurs automobiles estiment la perte de chiffre d’affaires à environ 20 000 euros par minute d’arrêt. « Et c’est là que nous intervenons, avec nos modèles d’apprentissage automatique. Grâce à la maintenance prédictive, entraînée sur un petit ensemble de données, je sais quand ma courroie de distribution va casser et le client peut commander et remplacer la pièce à temps. »

Mais dispose-t-il de toutes les compétences en interne ? Andrew Ng et ses collègues ne font rien d’autre que de former des modèles d’IA. « Oui, nous en avons aussi, et ils connaissent également l’usine du client et travaillent avec le jumeau numérique de l’usine. Nous échangeons des modèles, nous pouvons les adapter rapidement aux autres systèmes du client et nous économisons de l’argent, du temps, de l’énergie et des ressources. » Et Andrew Ng ? Il serait ravi de le rencontrer et de lui montrer le campus de compétences en mécatronique de Lenze. Wendler plaisante en disant que son équipe peut y acquérir des connaissances dans le domaine. « L’invitation a déjà été envoyée », dit-il.