Harmonisation et normalisation des données : La véritable condition préalable à la mise en place d'une intelligence industrielle évolutive

‍

Sergio Hernández est le directeur du conseil d'AG Solution, avec des années d'expérience dans la gestion de la transformation numérique et des projets de sites mondiaux MES. Dans cet article, il explique pourquoi la fragmentation des données est le principal obstacle à l'obtention d'une valeur évolutive à partir de la transformation numérique de la fabrication.

‍

Tout le monde parle des protocoles de contexte de modèle et de la cinquième révolution industrielle. Des agents d'intelligence artificielle gèrent les chaînes de production. Des usines autonomes prenant des décisions en temps réel. La promesse est convaincante.

Mais voici ce que je continue à voir : des fabricants qui recherchent ces capacités avancées alors que leur base de données s'effondre sous leurs pieds.

Vous ne pouvez pas déployer des agents d'intelligence artificielle dans plusieurs usines lorsque l'usine A appelle un cycle de nettoyage "Pré-nettoyage" et que l'usine B l'enregistre comme "Lavage du système". Vous ne pouvez pas comparer les performances entre les différentes zones géographiques lorsque les relevés de température sont exprimés en degrés Fahrenheit au Texas et en degrés Celsius à Munich. Et vous ne pouvez certainement pas créer des opérations autonomes sur la base d'un chaos sémantique.

L'inconfortable vérité ? La fragmentation des données reste le principal obstacle à l'extraction d'une valeur réelle et évolutive de la transformation numérique de la fabrication.

‍

Pourquoi cela concerne tout le monde (et pas seulement les personnes immatures sur le plan numérique)

Que vous lanciez votre premier projet MES ou que vous gériez un déploiement global sur plusieurs sites, le défi persiste. Sans données de fabrication harmonisées et normalisées, vous ne pouvez pas mettre à l'échelle, comparer, automatiser ou réutiliser quoi que ce soit de manière significative.

Il ne s'agit pas seulement d'améliorer les tableaux de bord ou les indicateurs de performance clés. Il s'agit de déployer des applications numériques à grande échelle :

• Des agents d'intelligence artificielle qui travaillent sur plusieurs actifs et usines
• L'étalonnage des performances qui permet de comparer les performances d'un produit avec celles d'un autre produit
• Flux de travail numériques réutilisables pour l'optimisation des lots d'or, le suivi de l'OEE, la gestion de l'énergie
• La couche de données résiliente et interopérable dont les opérations autonomes ont besoin

La plupart des fabricants découvrent cette réalité à leurs dépens.

‍

Le problème sémantique caché à la vue de tous

C'est ici que la terminologie a plus d'importance qu'on ne le pense.

La normalisation assure la cohérence du format et de la structure. C'est le prétraitement technique qui améliore l'intégrité des données et réduit la redondance. Convertir tous les relevés de température en °C. S'assurer que les horodateurs respectent le format ISO. Essentiel, mais simple.

L'harmonisation permet d'aligner la signification des sources de données. C'est ce qui permet à différentes usines, systèmes et fournisseurs de parler le même langage. Le "pré-nettoyage" d'un site devient le "nettoyage" d'un autre - mais l'harmonisation permet de les faire correspondre à une définition partagée qui permet d'unifier la logique et l'analyse.

Le véritable défi consiste à créer un catalogue de données qui permette de faire le lien entre la sémantique locale et la signification normalisée au niveau mondial.

‍

Le paradoxe de la maturité

Si vous avez déployé le système MES à l'échelle mondiale, vous l'avez probablement constaté : il est pratiquement impossible d'appliquer un modèle de données entièrement harmonisé au niveau de la source.

Les conventions de dénomination historiques varient d'une usine à l'autre. Les changements apportés aux systèmes sources sont risqués, coûteux et perturbateurs, avec un retour sur investissement incertain. Chaque site évolue de manière semi-indépendante, même s'il utilise le même fournisseur MES.

Paradoxalement, les entreprises moins matures sur le plan numérique ont plus de facilité à le construire dès le départ. Cependant, nombre d'entre elles sont encore tentées par des gains rapides et des déploiements de MES sans conception de modèle de données à long terme.

Les fabricants matures sont confrontés à un défi différent : démêler des années de dérive sémantique tout en continuant à produire.

‍Au-delà de lasélection des technologies

Il ne s'agit pas de savoir quelle architecture UNS vous avez mise en œuvre ou quel fournisseur de services en nuage vous avez choisi.

Il s'agit du chaos sémantique qui sous-tend vos opérations et de votre capacité à lui donner un sens.

Les fabricants qui réussissent avec des applications avancées ne sont pas nécessairement ceux qui disposent de la pile technologique la plus sophistiquée. Ce sont ceux qui ont d'abord relevé le défi de la modélisation des données fondamentales.

Ce qui marche : Les leçons du front de la mise en œuvre

Lorsqu'il s'agit d'aider les fabricants à démêler la complexité de la modélisation des données, ces approches donnent systématiquement des résultats :

Étudiez vos données avant votre technologie. Les opérations et les phases semblent souvent identiques mais sont classées différemment d'un site à l'autre. Procédez d'abord à un audit dans cette optique. Cartographiez les variantes avant d'essayer de les corriger.

Exploiter les outils d'IA pour accélérer le prétraitement. Ne vous fiez pas uniquement aux mots-clés ou aux correspondances linguistiques - le contexte n'est pas suffisamment pris en compte. Utilisez des modèles qui détectent les relations, les modèles et les corrélations entre des termes apparemment différents.

Laissez l'IA reconstruire vos flux de travail. L'IA générative peut désormais reconstruire les flux de production à partir de données brutes, en regroupant les opérations pour révéler les possibilités d'alignement entre les usines. Cela rend la comparaison possible, bien qu'une stratégie d'harmonisation globale reste la solution ultime.

Élaborez votre modèle sémantique et engagez-vous à le respecter. Une fois que vous avez recueilli des informations, établissez un modèle sémantique cohérent aligné sur des normes telles que ISA-95. Définissez votre modèle physique, votre structure procédurale et vos terminologies comme des éléments non négociables.

‍

La fondation qui change tout

L'harmonisation et la normalisation des données de fabrication sont des tâches complexes. Cela ne fait aucun doute.

Mais une fois que vous avez aligné la terminologie et cartographié les structures dans l'ensemble de vos opérations, tout le reste devient un défi d'exécution technique. Les bonnes personnes dotées des bonnes compétences peuvent résoudre les problèmes techniques.

C'est cet alignement qui permet de débloquer les agents d'IA, les usines autonomes et les opérations pilotées par l'IA. Il ne s'agit pas du dernier protocole ou de la dernière plateforme, mais de la base sémantique qui les rend possibles.

Les fabricants qui se préparent aux MCP et aux opérations autonomes ne commencent pas par la technologie. Ils commencent par l'histoire de leurs données. Et le fait de mettre cette histoire au clair change tout ce qui vient ensuite.

‍