Avec la complexification accrue des processus de production, il devient de plus en plus difficile de les optimiser. Pour ce faire et rester compétitif, il est important de monitorer la ligne de fabrication dans son ensemble, de collecter l’ensemble des données et de traiter ces informations. C’est ici que l’intelligence artificielle (IA) joue un rôle significatif.

En effet, de nombreuses données sont à considérer pour optimiser ces processus ; les caractéristiques des matières premières employées, la complexité des processus des usines ou lignes de production, les paramètres techniques des machines en temps réel, procédures opérationnelles, etc.


Les méthodes et logiciels classiques ne sont pas aptes à gérer de façon exhaustive toutes ces données, mais aujourd’hui l’IA est capable de prendre en compte de très nombreuses variables et de restituer une vision globale et précise des processus en temps réel. Cette vision globale peut permettre d’aboutir à une meilleure compréhension des problèmes qui surviennent, mais peuvent aussi permettre de simuler et évaluer des scénarios multiples d’optimisation et d’aider ainsi à la prise de décision éclairée selon l’objectif recherché.

Grâce à l’IA, les opérateurs peuvent choisir d’exécuter ou d’ignorer les recommandations, ou bien encore d’automatiser des tâches répétitive, à faible valeur ajoutée, délicates ou demandant une intervention rapide. L’IA aide ainsi les équipes de production à améliorer les performances de façon plus poussée et efficiente qu’auparavant.

L’IA appliquée au management de la production repose aujourd’hui sur les données d’objets connectés.

Le rôle des IA allant croissant dans l’industrie 4.0, il est intéressant de comprendre comment ces IA sont développées et quels ont pu être les freins à leur élaboration. Nous avons pu nous entretenir de ces sujets avec Laurent Laporte, PDG de la société Braincube.

Créée en 2007, Braincube a mis au point des moteurs d’intelligence artificielle permettant de collecter et traiter instantanément les données multifactorielles issues des objets connectés et automates d’une ligne ou d’un site de production. L’objectif est de fournir aux clients les moyens de constituer des tableaux de bord, des outils adaptés de pilotage d’usine avec un niveau de granularité fin. En effet, chaque site peut ainsi analyser finement les milliers de données de production liées par exemple à la fabrication d’un produit précis. Ceci permet de mieux maitriser et analyser des phénomènes qui peuvent survenir sur la ligne de production et qui nuisent à la performance de l’usine, tels que l’apparition d’un défaut sur le produit, une hausse de la consommation d‘énergie, la baisse de performance de la ligne ou d’une machine, etc. Les équipes de production sont alors en mesure de visualiser les diverses données récoltées et traitées pour analyser les causes probables de ces phénomènes et modifier en conséquence les paramètres en cause.

Les solutions proposées par Braincube sont ainsi utilisées par de nombreux grands groupes industriels qui disposent chacun de nombreux sites de production. La plupart de ces sites mettent en œuvre un process unique, ce qui facilite la démultiplication et l’intégration de ces solutions visant à rendre plus autonomes les équipes et les sites dans la gestion des problématiques de production.

Pour se développer, Braincube mise dorénavant sur des partenariats avec des concepteurs et fournisseurs de machines industrielles qui intègrent la solution Braincube. Cela permet de rendre accessibles ces outils à des entreprises de taille plus modeste.

Laurent Laporte constate avec amusement qu’aujourd’hui sa plateforme traite chaque jour un volume de données qui équivaut à celui récolté lors de leur première année de création !

A ce sujet, la société ayant été créée en 2007, de nombreuses barrières ont dû être levées progressivement. La première était la vitesse de l’Internet de l’époque, notamment dans des zones reculées. Un second verrou était le stockage des données. Les offres cloud n’existant pas alors, la société gérait les données de ses clients via des sites web. Ceci posait naturellement de nombreux freins en matière de stockage et sécurisation des données. Enfin, le développement des moteurs d’IA était balbutiant. L’entreprise a donc d’abord développé des solutions d’analyse visuelle (des graphiques synthétisant les données récoltées), puis elle a entrepris de classer ces graphiques. C’est le recrutement de profils experts en algorithmes qui lui a permis ensuite d’opérer une classification des variables (cross rank) pour qualifier plus finement les graphiques éditables. C’est en suivant ce cheminement que Braincube a développé ses propres moteurs d’IA préconfigurés, sans recourir donc aux solutions open source qui peuvent être proposées à présent.

Aujourd’hui les outils développés visent une simplification, une objectivation et une autonomisation de l’analyse des phénomènes par les équipes locales de production. Ils se rapprochent ainsi des box Internet auxquelles on peut ajouter les applications et services adaptés au cas d’usage.

Le déploiement de ces solutions, outre les aspects techniques, induit aussi une problématique humaine. Il est en effet nécessaire que chaque équipe localement comprenne l’intérêt de ces solutions et surtout que l’adoption de ces outils ne remet pas en cause leurs compétences ou les performances du site. Il s’agit là d’une assistance à la résolution de problèmes et non d’un moyen de remplacer les équipes elles-mêmes !

Il est intéressant de constater également que Braincube utilise sa propre technologie pour monitorer l’usage de ses solutions chez ses clients et adapter ainsi son accompagnement. Ces technologies sont donc applicables au-delà du champ classique des usines. Elles peuvent tout aussi bien répondre aux besoins de services digitaux, ou encore de toute activité demandant d’agréger et de restituer aussi simplement que possible un gros volume de données. Braincube compte aujourd’hui 150 personnes et déploie sa plateforme dans près de 40 pays.