Voici le prochain article de notre série en cours, Eyes on Industrial AI, dans laquelle nous explorons le monde multiforme de l'intelligence artificielle industrielle et de l'automatisation. Découvrons les applications innovantes de ces technologies de pointe spécifiquement liées à la fabrication et à la gestion de la chaîne d'approvisionnement à l'ère de l'industrie 4.0, y compris les défis qu'elles rencontrent.
Les avantages en termes de gain de temps et d'argent de la collecte de données de fabrication en temps réel sont bien acceptés par les leaders de l'industrie, mais dans quelle mesure l'automatisation est-elle à l'origine de ces avantages ? Nous soutenons ici que l'automatisation est la seule méthode fiable de collecte de données dans laquelle il vaut la peine d'investir, et ce pour plusieurs raisons.
Que vous soyez ou non convaincu que l'IA est l'avenir de la fabrication, les robots sont nécessaires pour au moins une chose importante :
Les humains sont incapables de comprendre les chiffres.
En fait, ils sont vraiment mauvais en la matière.
L'exemple le plus actuel de ce phénomène a été le choc public provoqué par la croissance exponentielle de la propagation du COVID. Les scientifiques ont tenté d'expliquer la croissance exponentielle à l'aide de graphiques et de diagrammes, organisés en feuilles de travail téléchargeables par le New York Times. Même si les humains peuvent éventuellement comprendre la croissance exponentielle à l'aide des mathématiques, le concept n'est toujours pas très intuitif. Malgré la quantité d'informations disponibles sur les règles mathématiques spécifiques, les gens semblent toujours réticents face aux grands nombres, probablement parce qu'ils ne peuvent littéralement pas les imaginer, le cerveau humain n'étant pas équipé pour se représenter mentalement les choses à une telle échelle.
Imaginez dans votre esprit cent objets physiques - des voitures, des centimes, des grains de riz, des biscuits aux pépites de chocolat… les possibilités sont infinies !
Imaginez maintenant cent mille de ces objets. Quelle serait la taille d'une pile d'un million de ces objets ? Un milliard ?
QUIZ : Dans quelle mesure faites-vous confiance à votre instinct mathématique ?
Faisons un petit quiz qui, je vous le promets, est juste pour le plaisir et ne comptera pas dans votre note finale. Les réponses sont données après l'image ci-dessous.
- Vous jouez 100 fois de suite à pile ou face avec une pièce de monnaie normale et vous obtenez une distribution de 27 face et 73 pile. Cela prouve-t-il que la pièce est pondérée ?
- Pour des raisons inexpliquées, vous devez rassembler suffisamment de personnes au hasard dans une salle de conférence pour qu'il soit garanti qu'au moins deux d'entre elles ont le même anniversaire. Combien de personnes devez-vous rassembler ?
- Vous vous rendez à l'aéroport avec votre bon ami Jack, qui souffre d'une grave phobie des vols. Il respire un peu plus vite pendant le trajet en taxi jusqu'à l'aéroport, mais tout va bien jusqu'à présent. Lorsque vous enregistrez vos bagages, il commence à transpirer. Juste avant le décollage, il fait une crise de panique. Pour tenter de le soulager, vous lui dites que la probabilité statistique de mourir au décollage est faible, et qu'elle est encore plus faible à l'atterrissage (eh oui, vous avez essayé). À quel moment du voyage de Jack est-il le plus susceptible de mourir d'un accident bizarre ?
RÉPONSES :
La probabilité d'obtenir pile est de 50 % (idem pour face). Ce que vous obtenez lors du premier lancer n'influence en rien ce que sera votre prochain lancer. En d'autres termes, si vous obtenez pile les deux premières fois, vous n'avez pas plus de chances d'obtenir face au troisième lancer. De la même manière, si vous lancez un dé 6 fois, vous n'obtiendrez probablement pas les réponses 1, 2, 3, 4, 5, puis 6, mais plutôt 3, 3 à nouveau, 4, 1, 3 une troisième fois, puis 5. Le dé ne se souvient pas qu'il a déjà obtenu ce nombre auparavant, tout comme la pièce n'essaiera pas d'équilibrer le nombre de lancers de pile et de face. Si vous répétez l'expérience des cent lancers de pièces trente fois de plus, la distribution de pile et de face suivra une courbe en cloche, reflétant plus fidèlement la probabilité de 50-50 avec les données combinées.
Cette question est connue sous le nom de problème des anniversaires et, étonnamment, il suffit de 28 personnes aléatoires dans une pièce pour que deux personnes partagent un anniversaire. On pourrait penser que la réponse aurait été 366 pour tenir compte d'un jour de plus que l'ensemble de l'année civile - il est alors certain que les gens partageraient leur anniversaire, n'est-ce pas ? Je vous promets que le chiffre est beaucoup plus bas que cela - vérifiez les calculs si vous ne me croyez pas.
D'accord, c'était une question piège, parce que le point le plus dangereux du voyage de Jack était en fait le trajet en voiture jusqu'à l'aéroport. À titre de comparaison, il y a environ 1 chance sur 16 millions de mourir en avion, et 1 chance sur 114 de mourir en voiture. Évidemment, Jack ne se sent pas mieux, car il est clairement influencé par les sons, les images et les sensations d'une situation effrayante pour lui. Peut-être faudrait-il lui donner un valium la prochaine fois ?
Même les choses mathématiques simples peuvent être difficiles dans un cadre théorique - et nous n'avons même pas encore abordé le problème de Monty Hall (mais c'est un ver de cerveau que vous devrez vous infliger, soyez prévenus).
Le fait est que c'est une erreur de supposer que les données sont dignes d'un dieu avant même d'examiner le contexte dans lequel elles ont été collectées. Les choses vraiment difficiles sont si difficiles à concevoir que les mathématiciens inventent des analogies ridicules, comme des singes infinis devant des machines à écrire ou des piles de tortues, pour que nous, les gens ordinaires, puissions comprendre.
Tout cela pour dire que les humains sont mauvais en mathématiques parce qu'ils essaient de reconnaître des modèles là où il n'y en a pas, et qu'ils ne sont pas assez perspicaces pour remarquer les petits modèles qui existent réellement.
La prochaine fois que vous vous promènerez, essayez de remarquer tout ce qui est de couleur bleue sur votre parcours. Vous penserez peut-être rapidement que c'est une coïncidence qu'il y ait des tonnes de choses bleues partout, mais vous remarquez les choses bleues parce que vous avez préparé votre attention à les voir.
C'est comme pour la collecte de données : il est utile de savoir où chercher pour collecter des données et quels types d'éléments doivent être suivis, mais partir avec une hypothèse et supposer qu'elle est vraie ne fera que créer plus de problèmes à long terme et mènera certainement votre stratégie exécutive sur une fausse piste.
Qu'est-ce qui constitue des données mauvaises ou trompeuses ?
Éviter les préjugés humains est probablement la chose la plus importante à établir lors de la collecte de bonnes données.
Cela signifie qu'il faut aller au-delà de la collecte. De nombreuses organisations collectent des tas de données sur leurs processus et leurs employés, qu'il s'agisse d'indicateurs clés de la productivité, d'enquêtes approfondies ou de feuilles de temps. L'inévitable problème suivant est de savoir ce qu'il faut FAIRE de toutes ces données.
En général, elles restent dans un dossier oublié quelque part, et les efforts déployés pour collecter toutes ces informations essentielles sont réduits à néant.
Cependant, même lorsque les données collectées sont "bonnes", c'est-à-dire exactes et généralement exemptes de biais, les êtres humains peuvent les interpréter de manière très erronée. L'un des sophismes logiques les plus courants est une mauvaise compréhension de la causalité et de la corrélation. Un chef de service peut penser que le problème A est causé par le problème X, mais qu'en est-il s'il y a un facteur caché, le problème Y, ou plusieurs problèmes différents qui contribuent au problème ?
La seule façon de garantir la qualité des données est de confier leur collecte à un processus automatisé. Un logiciel automatisé qui suit les données concrètes organise les informations brutes de manière à ce qu'elles puissent être analysées.
Par exemple, si vous deviez suivre le temps qu'il fait tous les jours en vous rendant au travail, garderiez-vous un carnet dans votre voiture et écririez-vous ce que vous pensez que le ciel a l'air ? Ou placeriez-vous un capteur automatique et un thermomètre sur votre tableau de bord et, au bout d'un mois, consulteriez-vous un tableau de données à la minute précise de chaque jour ?
Cette dernière solution est certainement plus précise, mais elle est aussi plus facile. Que se passe-t-il si vous êtes en retard un jour et que vous enregistrez manuellement le temps qu'il fait 20 minutes plus tard que d'habitude ?
Que se passe-t-il si vous oubliez un jour et que vous devez revenir en arrière pour fabriquer des données à partir de votre mémoire ?
De plus, qui vous dit que vous ne vous sentirez pas plus froid ou plus chaud en fonction de ce que vous portez ce jour-là ?
Et si vous voulez en savoir plus sur le temps qu'il fait le matin, vous pouvez comparer vos données de suivi avec celles d'autres lieux équipés de thermomètres automatiques.
Vous pouvez alors voir quelle est la différence réelle dans les tendances météorologiques, plutôt que la différence perçue qui vous a incité à commencer l'expérience.
La solution la plus simple et la plus complète serait d'investir dans une plateforme logicielle qui couvre plusieurs aspects du suivi des processus. La version Pro du logiciel de VKS s'occupera de tous les éléments nécessaires à l'analyse future, comme les mesures de couple et les instructions de travail visuelles étape par étape.
L'autorité populaire TechCrunch serait d'accord pour dire que toute plateforme logicielle impliquant l'informatique en nuage est absolument nécessaire à l'industrie moderne : "Les entreprises qui souhaitent mettre en place une usine de données devraient commencer par intégrer des algorithmes d'apprentissage automatique à chaque niveau des données - de la collecte des données à leur optimisation et à leur nettoyage. Elles devraient utiliser la technologie cloud et mettre en œuvre des configurations flexibles, une unification et un accès rapide aux données. Elles devront également comprendre les processus d'orchestration de leurs bases de données et les flux de données et mettre en œuvre l'intégration de bout en bout de leurs bases de données."
La solution est simple, même lorsque le travail est compliqué : utiliser les capacités des logiciels en nuage pour obtenir la meilleure précision dans la collecte des données.
Exemples de bonnes collectes de données dans l'industrie manufacturière
De nombreuses discussions sur la collecte de données sont axées sur la transformation de ces données en actifs vendables pour un retour sur investissement rapide. De nombreuses entreprises qui ne savent pas quoi faire de leurs données accumulées s'engagent dans cette voie. Cependant, les données collectées ont plus de valeur en tant qu'investissement stratégique qu'en tant qu'actif vendable. Utilisez vos connaissances issues des données pour améliorer vos capacités actuelles, et non comme une source de revenus limitée.
Un bon exemple d'adoption non traditionnelle de l'IA se trouve dans le secteur de la construction à Montréal, où une grue dotée d'IA recueillera des données concrètes sur le flux de travail d'un grand chantier de construction. Lorsque la caméra est montée sous le crochet de la grue, elle "recueille en continu des milliers de points de données à l'aide de capteurs très performants. Une fois analysées, ces informations permettront de rationaliser la prise de décision sur les sites, d'optimiser les processus, d'améliorer la productivité des équipes et la sécurité des chantiers, d'éviter les retards et de vérifier l'état des matériaux."
Plutôt que de se fier à l'opinion qualitative d'un contremaître sur le déroulement des opérations, pourquoi ne pas se fier à un affichage quantitatif du fonctionnement de ce déroulement ?
De toute façon, il vaut mieux que le contremaître suive son instinct après avoir examiné des données impartiales.
La manière dont nous interagissons avec les données est également importante. Dans le même article de TechCrunch cité plus haut, l'auteur affirme que "au lieu de vendre les données des utilisateurs pour gagner de l'argent, les entreprises axées sur les données ont choisi d'analyser ces données pour comprendre comment obtenir les informations les plus utiles". Les initiatives de connaissance du client (KYC) dépendent des données et utilisent l'intelligence artificielle (IA) pour analyser les informations afin de découvrir des préférences dont les utilisateurs ne parlent peut-être pas dans les commentaires en ligne."
Les applications de la compréhension des données personnelles de votre entreprise sont infinies. Pourquoi faire confiance à un humain faillible alors que vous pourriez externaliser un travail spécifique de manière plus rapide, plus facile et plus précise ? Ne manquez pas le prochain numéro d'Eyes on Industrial AI pour découvrir d'autres vérités (et, je vous le promets, moins de questions de maths !).
