L'IA dans la fabrication: 5 défis

L'intelligence artificielle continue de faire fureur, car ses capacités augmentent rapidement. De nombreuses entreprises tirent parti de son innovation dès le début, en adoptant l'IA dans des aspects essentiels de leurs modèles d'entreprise ou de leurs produits.

Dans l'industrie manufacturière au sens large, les solutions d'IA dans l'industrie manufacturière peuvent être un peu plus délicates à mettre en œuvre pour une production stable. Certains estiment que les perspectives de l'IA dépassent de loin les avantages pratiques dans l'atelier.

Que vous soyez ou non en train d'investir dans des solutions d'IA pour vos systèmes de production, il est prudent d'être conscient des limites de l'intelligence artificielle. Voici cinq défis liés à l'adoption de l'IA dans vos opérations de fabrication que vous devez prendre en compte avant de sauter dans le train de l'engouement.

1. Manque d'expertise

L'industrie manufacturière est actuellement confrontée au début d'une grave pénurie de main-d'œuvre, due en partie aux départs massifs à la retraite des baby-boomers travaillant dans ce secteur. Cette pénurie est surtout ressentie sur les marchés nord-américains, notamment aux États-Unis et au Canada, où la demande de main-d'œuvre manufacturière qualifiée connaît une augmentation significative.

Comme nous l'avons vu dans notre aperçu des tendances pour les fabricants canadiens, les agences gouvernementales tentent désormais d'atténuer la pénurie de travailleurs en proposant des programmes de formation conçus pour attirer les jeunes vers l'industrie.

Les compétences en matière de fabrication sont très demandées, et les travailleurs d'usine expérimentés et qualifiés sont rares. La pénurie de main-d'œuvre qui se fait actuellement sentir est déjà un obstacle suffisamment important à franchir pour les fabricants.

Sans parler de la difficulté de trouver des travailleurs qualifiés pour gérer les applications de l'IA dans une usine, qui sera tout aussi difficile. Alors que les jeunes travailleurs se lancent dans des domaines comme la science des données à un rythme plus soutenu que les métiers et la fabrication, peu d'entre eux sont désireux de mettre à profit leur expérience en matière d'IA pour faire carrière dans l'industrie manufacturière.

Il y a de nombreuses raisons à cela - salaires potentiels moins élevés, préférence pour la recherche plutôt que pour la production physique, manque de sensibilisation aux applications manufacturières de la technologie, etc.

En d'autres termes, les fabricants qui souhaitent investir massivement dans des solutions d'IA en usine doivent être conscients que ces solutions nécessiteront de nombreux travailleurs spécialisés pour superviser leur maintenance. À l'heure actuelle, les fabricants doivent également être ceux qui attirent et retiennent les talents, par la rémunération, les opportunités de croissance, l'investissement technologique et d'autres méthodes.

Il n'existe pas de solution facile, telle que la formation à l'IA des travailleurs actuels des ateliers, car il s'agirait d'un investissement coûteux et fastidieux, même si les entreprises parvenaient à convaincre leurs travailleurs de réorienter leur carrière vers un type de travail industriel entièrement différent.

2. Intégrations

Le prochain défi est bien connu de la plupart des fabricants, puisqu'ils l'ont rencontré avec le développement des appareils IdO : de nombreux équipements anciens existent dans les environnements de fabrication, et l'intégration de nouvelles technologies à celles qui existent déjà peut être frustrante et coûteuse.

L'IA se développe pour l'essentiel en dehors du contexte de la fabrication, de sorte que les scientifiques n'ont pas pour priorité de rendre leurs inventions en matière d'IA facilement transférables aux installations de l'atelier. Il n'est pas certain que les capacités de l'IA soient en mesure de stimuler les capacités de production actuelles sans procéder à des mises à niveau coûteuses pour que tout fonctionne harmonieusement.

En outre, ce manque d'interopérabilité entre les différents systèmes nécessiterait encore plus de travailleurs pour gérer tous les équipements supplémentaires et les solutions provisoires mises en place uniquement pour coordonner les actions. Ensuite, étant donné que le rythme de développement de l'IA est très rapide, d'autres mises à niveau seront nécessaires au fur et à mesure que l'IA progressera bien au-delà des capacités de l'équipement existant, et ainsi de suite (vous pouvez voir où nous voulons en venir ici).

Certains dirigeants de l'industrie manufacturière pourraient tout simplement renoncer à tous ces problèmes et s'en tenir aux machines éprouvées et fiables dont ils disposent déjà.

3. Données inadéquates et incomplètes

L'une des raisons pour lesquelles ChatGPT a réussi à évoluer si rapidement est qu'il est construit sur des modèles de langage massifs et coûteux (LLM). Ensuite, l'IA a dû être ajustée et affinée pour limiter les hallucinations et autres erreurs ou lacunes dans les connaissances.

La qualité de l'IA dépend des données d'entrée sur lesquelles elle est construite. Si les ensembles de données qu'elle analyse sont peu nombreux, les résultats seront inexacts ou biaisés, comme l'explique notre article sur L'automatisation de l'inégalité. Cela peut avoir un effet dramatique sur les résultats réels en termes de qualité et de quantité de la production. Des conclusions inadéquates tirées par l'IA peuvent ajouter des tonnes de déchets dans un environnement de production propre dans le meilleur des cas, et ne pas répondre aux attentes des clients dans le pire des cas.

En outre, les pools de données doivent être correctement entretenus à un rythme continu ; il ne suffit pas de stocker toutes les mesures de production en vrac dans une base de données centrale. Quelqu'un (de préférence plusieurs) doit définir les données à collecter, les raisons pour lesquelles elles sont nécessaires, ainsi que les mesures et les scénarios dans lesquels elles doivent être collectées, afin que l'exercice soit utile.

Une bonne étape intermédiaire consiste à mettre en œuvre un solide système d'exécution de la fabrication (MES) pour trier les données relatives aux travailleurs et aux produits, telles que les temps d'exécution, les taux de défaut, etc. En même temps, les experts de la fabrication savent déjà qu'un MES de base n'est pas totalement suffisant pour une orientation perspicace.

4. Temps d'arrêt imprévus

Les usines sont confrontées à des difficultés telles que des temps d'arrêt soudains, des pannes d'énergie et des pénuries de matériaux. Les usines proactives disposent de procédures opérationnelles normalisées pour se préparer à réagir à ces événements inattendus lorsqu'ils se produisent, mais il est impossible de les éviter complètement.

Les arrêts de production non planifiés ne relèvent pas de la compétence de l'IA. Cela signifie qu'en s'appuyant sur l'IA, les équipes peuvent devenir complaisantes en matière d'anticipation et d'adaptation à l'inattendu.

Ce défi ne concerne pas les scénarios dans lesquels les systèmes automatisés peuvent « prédire » les pannes des machines. Dans ce cas, les systèmes automatisés surveillent l'état et l'âge des équipements et signalent aux travailleurs les réparations à effectuer régulièrement lorsqu'il est raisonnable de s'attendre à ce que les pièces soient usées et doivent être remplacées. Cette approche est différente de l'IA car elle s'appuie largement sur des dispositifs IdO tels que des capteurs pour transmettre des données sur le rythme de fonctionnement et les besoins de maintenance.

L'IA ne sait pas prévoir l'inattendu, ou « sortir des sentiers battus » - et cette connaissance de la situation est un type de compétence qui ne peut pas être déchargé sur des systèmes automatisés ou d'intelligence artificielle. Pour la sécurité et l'efficacité de votre entreprise dans l'atelier, ce serait une erreur de trop compter sur l'IA en raison de la menace d'urgences inattendues.

5. Assurance qualité et conformité industrielle

Enfin, l'utilisation de l'IA dans la fabrication est un faux pas potentiel car il n'est pas certain que la technologie puisse promettre les mêmes normes de qualité que celles qui sont actuellement attendues dans certaines industries. En d'autres termes, il ne faut pas s'emballer et mettre la charrue avant les bœufs.

Par exemple, cela fait plus de dix ans que les entreprises promettent des véhicules personnels entièrement autonomes et pilotés par l'IA, et la technologie est encore très loin de ce qui a été promis. Elle est certainement bien meilleure que lorsque l'idée a été propagée pour la première fois, mais personne ne peut dire que la réalité est à la hauteur des attentes.

Promettre trop et ne pas tenir ses promesses en matière d'IA peut être désastreux dans des secteurs où les normes de conformité et de qualité sont très strictes, comme les produits pharmaceutiques, l'automobile et les produits de consommation tels que les aliments et les boissons.

La solution consisterait peut-être à utiliser l'IA dans le processus de fabrication, puis à revérifier son travail par un contrôle d'assurance qualité supplémentaire à la fin du processus de production - mais l'ajout d'une étape supplémentaire dans le processus de production revient à ajouter du gaspillage au cycle de fabrication.

Cela nous ramène à la méthode la plus efficace pour garantir la qualité : intégrer le processus dès le départ grâce à un logiciel d'instructions de travail. C'est trop de travail - et pas assez précis - d'essayer d'ajouter la qualité comme une étape supplémentaire dans le cycle de production. Il est préférable que les fabricants veillent à ce que la qualité soit intégrée dans la fabrication du produit, en demandant aux travailleurs de suivre des guides précis et interactifs qui garantissent que les actions sont effectuées correctement à chaque fois.

L'IA n'a rien à envier à la perspicacité des travailleurs expérimentés qui connaissent les tenants et les aboutissants de la production et qui ont normalisé leurs connaissances tribales par le biais d'instructions de travail.

Dans l'ensemble, il est important que l'industrie manufacturière explore et évolue avec des innovations technologiques telles que l'IA, en particulier à l'aube de l'industrie 5.0, qui met l'accent sur la collaboration entre le travailleur et la machine. Cependant, ceux qui souhaitent adopter des solutions d'IA dans leurs usines doivent être conscients des nombreux pièges potentiels ainsi que des ressources nécessaires pour mettre en œuvre correctement leur utilisation.