La fabrication américaine a un problème de données

  • FrançaisFrançais



  • Les fabricants sont confrontés à un déluge de données, mais les nouvelles technologies pourraient transformer ce défi en opportunité.

    Usine de Rotterdam (crédit: Victor Garcia)

    La fabrication est l’une des industries les plus gourmandes en données. Avec l’apport constant de centaines de capteurs, des usines intelligentes [produce](https://www.techerati.com/the-stack-archive/data-centre/2018/05/14/smart-manufacturing-factory-automation/#:~:text=devices va créer .-, Les journaux de performance de une seule machine de travail peut générer, plus de 300% 2C000 iPhones de 16 Go!) jusqu’à 5 Po de données par semaine. Cependant, la plupart des entreprises ne font toujours pas face efficacement au déluge de données.

    Il est vrai qu’au cours des dernières décennies, les fabricants ont fait de grands progrès en termes de stockage et de gestion des données qu’ils collectent. Désireux de rejoindre la révolution de l’Industrie 4.0, les industriels ont milliards investis dans les technologies intelligentes, y compris les capteurs numériques et les dispositifs de connectivité, et les mégadonnées mondiales dans la fabrication industrie est fixé à 9 milliards de dollars d’ici 2026. Google «big data in manufacturing» et vous trouverez des millions de résultats.

    Cependant, la collecte de données n’apporte aucune valeur commerciale. Ce sont les informations que vous pouvez obtenir à partir des données qui comptent.

    Et lorsqu’il s’agit de donner un sens à toutes les données qu’elles collectent, les entreprises industrielles restent à la traîne. En conséquence, ils manquent des informations clés qui pourraient les aider à économiser des millions sur coûts de production et réduire les émissions de carbone.

    La raison est simple : l’adoption de la technologie est lente. Les nouvelles technologies comme l’apprentissage automatique sont spécialement conçu pour traiter des ensembles de données volumineux et complexes, ce qui les rend idéaux pour un environnement industriel. Avec une solution d’apprentissage automatique, les ingénieurs n’ont plus à sélectionner manuellement les points de données qu’ils souhaitent analyser. Au contraire, le logiciel peut intégrer toutes les données produites dans une usine donnée et fournir automatiquement des informations en temps réel, avec beaucoup plus de rapidité et de précision que les ingénieurs humains.

    Cependant, les constructeurs automobiles, les fabricants de produits chimiques et d’autres s’appuient fréquemment sur des techniques obsolètes pour effectuer l’analyse des données, telles qu’Excel et les statistiques traditionnelles. Ces méthodes ne sont pas destinées aux grands ensembles de données ou aux cas d’utilisation en temps réel. En négligeant les nouvelles tactiques telles que l’apprentissage automatique industriel, les fabricants passent également à côté d’informations précieuses et laissent essentiellement de l’argent sur la table.

    Transformer les données en économies

    Donner un sens au déluge de données est vital pour la prise de décision. Les logiciels d’apprentissage automatique peuvent traiter de grandes quantités de données et les extraire pour obtenir des informations sur la façon d’optimiser le processus de fabrication, d’une manière que les ingénieurs sont tout simplement incapables de reproduire.

    Les problèmes de qualité des produits sont un domaine critique où l’apprentissage automatique industriel fait ses preuves. Étant donné la nature complexe des problèmes de qualité, en particulier dans les industries de transformation telles que les produits chimiques, il faut souvent des mois pour comprendre pourquoi un problème particulier s’est produit. Les ingénieurs doivent formuler une hypothèse, décider des paramètres à analyser, puis effectuer une analyse chronophage des causes profondes.

    Cependant, l’utilisation de l’apprentissage automatique change la donne. Grâce à un logiciel analysant toutes les données produites en usine, les ingénieurs peuvent découvrir la cause première de tout problème de qualité en quelques heures.

    Même dans les cas où il n’y a pas de problèmes de qualité, les ingénieurs peuvent souvent se demander comment les processus peuvent être optimisés. En ingérant rapidement de grandes quantités de données, l’apprentissage automatique peut offrir un aperçu de la façon dont divers paramètres sont connectés et comment le processus pourrait être rendu plus efficace. En quelques mois seulement, une entreprise peut économiser jusqu’à des millions de dollars grâce aux optimisations qui en résultent.

    Donner du sens aux données est clairement payant. Des objectifs nobles qui étaient autrefois en conflit les uns avec les autres, comme réduire les coûts des matières premières, économiser de l’argent, et réduire les émissions de carbone-sont désormais à portée de main. La révolution du big data offre de nombreuses opportunités. Les entreprises investiront-elles dans la technologie leur permettant d’en tirer parti ?

    berk birand fero labos
    Beurk Birand

    A propos de l’auteur:
    Berk est le PDG de Fero Labs, une société de logiciels d’optimisation des processus industriels basée à New York. Il se passionne pour aider les grandes entreprises industrielles à faire progresser leurs objectifs de transformation numérique à l’aide de l’apprentissage automatique explicable.

    Il est titulaire d’un doctorat. en génie électrique et en informatique de l’Université de Columbia. Ses recherches universitaires se sont concentrées sur l’optimisation des réseaux sans fil et optiques avec des algorithmes inter-couches efficaces. Il a développé des algorithmes de planification pour optimiser les stations de base cellulaires dans les réseaux 5G et possède plusieurs brevets dans les systèmes IoT pour les réseaux de fibre optique résilients.

    www.ferolabs.com

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.