Manufacturing

Quand l’IA optimise l’utilisation des équipements et le fonctionnement des usines

Wed, 17 May 2023 08:00:00 +0000

L’industrie manufacturière se digitalise, les fabricants misent sur des technologies innovantes pour renforcer leur compétitivité, assurer une croissance durable et offrir de nouveaux services. De nouveaux facteurs macroéconomiques, tels que les coûts élevés de l'énergie, l'augmentation du coût de la main-d'œuvre ou encore les pénuries de matières premières, rendent cette transformation encore plus urgente, notamment au niveau de l’optimisation opérationnelle et de l’automatisation.

Les fonctionnalités offertes par le cloud ont beaucoup évolué. Ce dernier propose désormais un large éventail de solutions pour permettre aux fabricants d’atteindre leurs objectifs. Ils sont toujours plus nombreux à appliquer l’IA et le ML à des cas d’usages concrets, comme la maintenance prédictive, la détection des anomalies et la gestion de l'utilisation des équipements. Toutefois, les fabricants ont souvent du mal à passer l’IA à l’échelle, notamment à cause des défis liés à l'accessibilité des données mais aussi pour des raisons d’infrastructure et de technologie.

Google Cloud a imaginé des solutions et des outils spécialement conçus pour gérer les données des industries manufacturières. Objectif : rendre les données plus accessibles et favoriser une réduction des délais de mise en œuvre afin de retirer de la valeur plus rapidement. Dans cet article, nous vous proposons de découvrir à travers un cas d’usage concret, comment les fabricants peuvent utiliser ces solutions pour entraîner un modèle ML, le déployer et en extraire de la valeur dans le domaine de la maintenance prédictive et de l’utilisation des équipements.

Pas de ML sans données accessibles

Tout projet ML commence forcément par l’unification des données nécessaires dans une base commune. Dans cette perspective, nous allons utiliser Manufacturing Connect, plateforme pour le Edge en usine co-développée avec Litmus Automation qui se connecte aux équipements de fabrication et transmet les télémétries collectées au service Pub/Sub.

Dès que les messages de télémétrie sont publiés via Pub/Sub, Dataflow les identifie en fonction de leur structure et effectue un ensemble d’opérations de normalisation et de transformation selon des règles prédéfinies dans Manufacturing Data Engine. Une fois les messages traités, ils sont acheminés vers Cloud Storage, BigQuery et/ou Cloud BigTable en fonction de la configuration de l'utilisateur.

Figure1. Schéma d'architecture générale du ML avec Manufacturing Data Engine

Pour entrainer un modèle ML, les fabricants peuvent utiliser Vertex AI AutoML afin de concevoir un modèle en no-code entrainé avec les données stockées dans Manufacturing Data Engine.

Les utilisateurs peuvent ensuite déclencher un processus de « prédictions par lot » dans VertexAI ou exporter le modèle AutoML pour l'exécuter sur le composant Edge de Manufacturing Connect afin d’effectuer une prédiction en temps réel. Quelles que soient la méthode de déploiement du modèle, la prédiction et l’explication des résultats sont enregistrés dans Manufacturing Data Engine. Ils peuvent ensuite être analysés et visualisés dans Looker.

Un schéma directeur pour évaluer l'état des actifs

Dans le scénario suivant, nous utiliserons une entreprise fictive, Cymbal Materials, qui exploite plus de 50 usines dans plus de 10 pays. 90 % des processus de fabrication de Cymbal Materials impliquent des opérations de fraisage, réalisées à l'aide de fraiseuses industrielles à commandes numériques par ordinateur (CNC). Bien que les usines aient mis en œuvre des procédures de contrôle pour les maintenances de routine, des défaillances imprévues et inconnues se produisent occasionnellement. En raison de la pénurie de main-d'œuvre et du turnover élevé dans les usines, la plupart des ouvriers de Cymbal Materials n'ont pas l'expérience nécessaire pour identifier et dépanner les machines. C'est pourquoi Cymbal Materials collabore avec Google Cloud pour élaborer un modèle ML capable d'identifier et d'analyser les défaillances en s'appuyant sur Manufacturing Connect, Manufacturing Data Engine et Vertex AI.

Pour ce projet pilote, Cymbal Materials forme une équipe d'ingénieurs de fabrication et de data scientists afin d'évaluer la faisabilité d’une solution capable de détecter le taux d’usure des outils. Pour éviter les problèmes de conformité, l'équipe de Cymbal Materials choisit de commencer avec un jeu de données publiques de détection de l'usure des outils, hébergé sur Kaggle. Ce jeu de données a été collecté lors d'expériences d'usinage sur des blocs de cire de 2" x 2" x 1,5" dans une fraiseuse CNC. L'ensemble de données contient les mesures des 4 moteurs (axes X, Y, Z et broche) et les valeurs du programme de la machine CNC, ce qui correspond bien aux données que Cymbal Materials recueille en temps normal pour ses fraiseuses CNC.

Figure 2. Schéma d'architecture ML avec Manufacturing Data Engine.

Les data scientists de Cymbal Materials commencent par télécharger le jeu de données de détection de l'usure des outils de Kaggle et le stockent dans Cloud Storage. Ils utilisent ensuite Vertex AI pour :

Effectuer une analyse exploratoire des données à l'aide de Vertex AI Workbench
Entrainer des modèles ML avec Vertex AI AutoML
Déployer des modèles ML pour effectuer des prédictions par lots et exporter des modèles AutoML pour un déploiement Edge
Interpréter les prédictions avec Vertex Explainable AI

Figure 3. Performances du modèle AutoML de Vertex AI

Après avoir constaté les excellentes performances du modèle tabulaire AutoML, les data scientists de Cymbal Materials décident de l'utiliser pour prédire les télémétries réelles des fraiseuses CNC de leurs usines et ainsi pouvoir valider son déploiement à l’échelle. Ils demandent aux ingénieurs de fabrication de déployer Manufacturing Connect dans une usine de Cymbal Materials et de transmettre les télémétries d'une fraiseuse CNC à Manufacturing Data Engine.

Manufacturing Connect propose un composant Edge qui permet de collecter les données des équipements de fabrication grâce à une vaste bibliothèque de 250 protocoles de communication de machines industrielles. Le composant est livré avec Node-RED et le runtime Docker intégrés, ce qui permet d'exécuter des workflows personnalisés et des modèles ML directement à l’Edge.

Manufacturing Connect transmet les télémétries et les états des équipements à Pub/Sub selon des priorités prédéfinies.

Figure 4. Interface utilisateur de Manufacturing Connect

Une fois les données opérationnelles de l'usine intégrées à Pub/Sub, Cymbal Materials utilise Manufacturing Data Engine pour :

Normaliser, transformer et contextualiser les données opérationnelles en temps réel avec des métadonnées qui évoluent lentement,
Ingérer par lots les données opérationnelles historiques et les résultats des prédictions,
Acheminer les données de manière dynamique vers Cloud Storage, BigQuery et/ou Cloud BigTable.

Figure 5. Configuration de Manufacturing Data Engine dans Manufacturing Connect

En appui sur le modèle tabulaire AutoML entraîné et les télémétries collectées en temps réel depuis les fraiseuses CNC, les data scientists déclenchent le processus de prédictions par lot sur les télémétries stockées dans BigQuery. La prédiction par lot est configurée de sorte que les résultats soient stockés dans Cloud Storage afin que Manufacturing Data Engine puisse ingérer les résultats une fois la prédiction par lot terminée.

Pour exploiter les résultats de la prédiction, les ingénieurs de fabrication de Cymbal Materials utilisent Looker afin de créer des vues ou tableaux de bord. Ces derniers leur permettent de :

· Visualiser l’état réel et les évolutions possibles de la fraiseuse CNC au fil du temps

· Expliquer les résultats de la prédiction grâce à la visualisation d’indicateurs clefs

· Créer des alertes basées sur les évolutions prédites pour chaque machine

· Prendre des mesures anticipatives en contactant le fournisseur et/ou en planifiant la maintenance de leurs actifs.

Figure 6. Prévision de l'usure d'une fraiseuse CNC affichée dans un tableau de bord Looker.

De l’edge au cloud : optimiser la production de l’industrie manufacturière

Afin de renforcer la valeur apportée par la transformation numérique dans l’industrie, les fabricants sont en quête de solutions allant des simples tableaux de bord aux modèles ML prédictifs. Des solutions robustes, telles que celles présentées dans cet article, permettent aux ingénieurs d’extraire rapidement de la valeur des données produites en usine.

Disposer d’une base de données centrale, d’une plateforme ML à la pointe de la technologie et de fonctionnalités modulables pour construire des tableaux de bord constitue sans aucun doute un atout pour accélérer la transformation numérique dans l’industrie manufacturière.

Avec ces solutions, les industriels ont la certitude de profiter de ce qui se fait de mieux en matière d'analyse de données et d'intelligence artificielle chez Google Cloud. Manufacturing Connect établit le lien avec les machines industrielles et la plateforme Manufacturing Data Engine traite, normalise, contextualise et stocke les données dans un format « prêt à consommer ». Dès lors, Vertex AI peut construire, déployer et mettre à l'échelle des modèles ML en utilisant les données stockées par Manufacturing Data Engine. Vertex AI inclut AutoML et Workbench, deux solutions permettant respectivement d'entraîner des modèles sans programmation (en no-code, donc) ou de développer leurs propres modèles et les entraîner.

Pour en savoir plus sur la façon dont Google Cloud transforme ses solutions pour répondre aux évolutions et attentes de l'industrie manufacturière, consultez notre playlist Google Cloud Next Manufacturing.

Pour aller plus loin

1. Les nouvelles solutions pour l’industrie manufacturière de Google Cloud : des usines intelligentes, des travailleurs plus intelligents

2. Manufacturing Data Engine | Solutions | Google Cloud

3. GitHub - GoogleCloudPlatform/mfg-ml-examples

Comment Renault a résolu les problèmes de montée en charge et de coûts de sa plateforme data industrielle avec BigQuery et Dataflow

Fri, 24 Mar 2023 07:00:00 +0000

« Les premiers déploiements pour gérer des cas d’usage tels que la traçabilité et l’optimisation de l’efficacité opérationnelle nous ont confortés dans notre choix : c’était la bonne solution pour collecter les données industrielles et opérationnelles. Nous avons donc étendu son usage car nous avions besoin d’une plateforme globale reposant sur des technologies avancées pour contextualiser, traiter et héberger toutes nos données. Pour couvrir l’ensemble de nos besoins et favoriser un meilleur usage des données dans toutes nos activités, cette plateforme devait non seulement être évolutive et fiable mais également abordable d’un point de vue financier. En nouant un partenariat avec Google Cloud dès 2020, nous avons pu atteindre tous ces objectifs ».
Jean-Marc Chatelanaz - Directeur Industry Data Management 4.0, Renault

Multinationale française spécialisée dans la construction automobile, Renault a investi très tôt dans l’industrie 4.0. La transformation devait notamment favoriser une meilleure exploitation des données industrielles fournies par les machines et les processus de fabrication. Pour se donner les moyens de ses ambitions, le constructeur avait besoin d’une plateforme de données robuste et évolutive. Dans un premier temps, Renault a conçu sa propre couche d’acquisition des données industrielles. Il l’a ensuite combinée aux solutions et services Big Data de Google Cloud pour donner naissance à une plateforme globale de gestion des données industrielles du Groupe.

Dans ce billet, nous vous proposons de découvrir l’évolution de la plateforme et d’entrer dans les coulisses d’une collaboration entre les équipes de Renault et des services professionnels de Google Cloud qui a permis de construire cette architecture de données sécurisée, fiable, évolutive et rentable.

Tout est parti de la stratégie de transformation de Renault

Le Groupe Renault fabrique des voitures depuis 1898. Avec cinq marques à son actif et près de 3 millions de véhicules vendus dans le monde en 2020, Renault s’est progressivement transformé en un groupe international fournissant une mobilité responsable dans le monde entier. Aujourd’hui, le Groupe emploie plus de 170 000 personnes à travers ses 40 sites de fabrication.

Leader dans le domaine de l’industrie 4.0, Renault a entrepris sa transformation numérique dès 2016. Objectif : gagner en efficacité et moderniser ses pratiques industrielles et de fabrication. Dans cette perspective, l’utilisation des données industrielles collectées par ses 40 sites répartis à travers le monde faisait partie de ses priorités, et ce afin d’optimiser la prise de décision en se basant sur les données et créer de nouvelles opportunités.

Renault avait déjà lancé plusieurs initiatives allant dans ce sens : maintenance conditionnelle (ou CBM pour condition-based maintenance), traçabilité totale (Full Track and Trace) ou encore collecte des données industrielles sans oublier quelques projets IA. Mais toutes ces actions étaient très silotées. Afin de fédérer ces initiatives tout en construisant une plateforme capable d’en accueillir de nouvelles, le Groupe a lancé en 2019 son initiative « Industry Data Management 4.0 (IDM 4.0) », programme visant la construction d’une plateforme de données unique et d’un cadre de référence pour toutes les données industrielles de Renault.

Ainsi que le montre les trois piliers de transformation identifiés par Renault, les objectifs affichés par IDM 4.0 sont d’arriver à construire un système de collecte des données unique, régi par un référentiel partagé, afin de permettre à la fabrication, à la chaine d’approvisionnement et à l’ingénierie de production de concevoir rapidement des applications analytiques, prédictives et basées sur l’IA :

Les solutions éprouvées de Google Cloud en big data, en analytique et en Machine Learning répondaient parfaitement aux ambitions de Renault.

Construction d’IDM 4.0 dans le cloud

Avant l’élaboration du programme IDM 4.0, l’équipe « Renault Digital » avait déjà eu l’idée de gérer les données dans le cloud. Après quelques tests, elle est parvenue à réduire les coûts du stockage de plus de 50% grâce à Google Cloud. Pour Renault, fiabilité, stockage durable et données infalsifiables étaient des critères essentiels. C’est pourquoi l’entreprise a choisi Spanner pour base principale, combinée à Apache Spark sur un Dataproc entièrement managé pour le traitement de ses données.

Avec IDM 4.0, Renault souhaitait non seulement monter en puissance mais également favoriser le déploiement de nouveaux usages tout en préservant la rentabilité, les performances et la fiabilité de sa plateforme. Pour atteindre cet objectif, le constructeur a dû revoir son architecture car les projections de coûts montraient clairement que le budget alloué au projet allait être dépassé avec l’essor des usages.

L’accélération de la refonte de l’architecture existante est au cœur du partenariat entre Renault et Google Cloud. L'équipe Professional Services Organization (PSO) de Google Cloud a en effet aidé Renault à concevoir la meilleure architecture possible, capable non seulement de répondre aux exigences du Groupe et de résoudre certains problèmes mais également de gérer la volumétrie générée par ses 40 sites de manière fiable et rentable sur le long terme.

Complexe, la collecte des données s’appuie sur différentes briques. Fondamentalement, Renault a mis en place un processus spécifique reposant sur des modèles de données standard OPC-UA, un protocole ouvert de communication entre machines. Dans la nouvelle architecture Google Cloud, ce modèle de données est géré dans BigQuery, de sorte que la plupart des écritures sont seulement de simples ajouts. Renault évite ainsi les jointures à répétition pour récupérer les données dont le groupe a besoin. BigQuery est associé à un cache dans Memorystore qui permet de récupérer les états mis à jour à tout moment. Cette architecture favorise des lectures et des écritures très performantes et efficientes.

L’équipe Renault Digital a également réalisé ses premiers développements avec Dataflow et le framework Beam. À cette occasion, elle a non seulement constaté que Beam était aussi simple à utiliser que Spark mais qu’il présentait surtout certains avantages :

Un modèle unifié pour les traitements par lot et en temps réel : moins de code différent à écrire et plus de flexibilité dans le choix des tâches de traitements en fonction des besoins et des objectifs de couts.
Un écosystème Beam très riche : avec de nombreux connecteurs disponibles (PubsubIO, BigQueryIO, JMSIO, etc.)
Des opérations simplifiées : autoscaling efficace, mises à jour plus fluides, suivi des coûts plus granulaire, surveillance facilitée, tests de bout en bout et gestion avancée des erreurs.

Depuis, Dataflow est devenu l'outil de prédilection pour la plupart des besoins en matière de traitement des données dans la plateforme. Le service de messagerie Pub/Sub était également un choix logique pour le traitement des données en continu. Il a été combiné à d’autres systèmes de messagerie tiers. Les équipes ont également conservé l’usage avancé qu’elles avaient déjà des services managés de Google Cloud, tels que Google Kubernetes Engine (GKE), Cloud Composer et Memorystore.

Conçue pour être évolutive, la nouvelle architecture a été interfacée au premier trimestre 2021 avec plus de 4 900 machines industrielles via la solution d’acquisition de données développée en interne par Renault. Au total, elle transmet plus d’un milliard de messages par jour à la nouvelle architecture dans Google Cloud !

Focus sur l’optimisation des coûts

Pendant le redéploiement vers la nouvelle architecture, l’optimisation des coûts est devenue un facteur prépondérant en raison de la pandémie et de son impact sur l’économie mondiale.

L'équipe de direction de Renault et l'OSP de Google Cloud ont alors convenu d'affecter une équipe spéciale à l'optimisation des coûts sur les parties de la plateforme qui n'avaient pas encore été migrées.

Ce groupe de travail dédié a découvert qu'un cluster Apache Spark effectuait en continu des opérations Cloud Storage de type A & B toutes les dix millisecondes environ alors que les données n’étaient rafraîchies que toutes les heures ou une fois par jour selon les batchs. Nous avons appliqué une correction très simple : l’intervalle entre les requêtes adressées au système de fichiers a été augmenté via le paramètre spark.sql.streaming.pollingDelay de Spark. Cette modification a permis de diviser par 100 les appels Cloud Storage de type A et de réduire de façon significative les appels de type B, ce qui s’est traduit par une baisse des coûts de production de l’ordre de 50%.

Renault utilise désormais Dataflow pour ingérer et transformer les données provenant de ses usines et d'autres bases de données de référence clés.
BigQuery est utilisé pour stocker et analyser des volumétries colossales, comme le suivi des colis et des véhicules. Et d’autres sources de données devraient prochainement enrichir encore la plateforme.

Le graphique ci-dessous permet déjà de voir les succès impressionnants obtenus l'année dernière :

La plateforme IDM 4.0 est passée en production il y a à peine quelques mois mais Renault estime déjà qu’elle devrait gérer 10 fois plus de traitements de données dans les deux prochaines années, tout en permettant de conserver les coûts, la fiabilité et les performances à un niveau optimal.

De nouvelles perspectives et une meilleure accessibilité des données

L’équipe Renault Digital a non seulement réussi à regrouper les données industrielles de ses usines mais elle est également parvenue à les fusionner de manière cohérente dans une plateforme évolutive, fiable et rentable. Au passage, elle a aussi exposé les données de sorte qu’elles puissent être facilement consommées par les data scientists, par les métiers ou encore par les applications.

Dans ce billet, nous n’avons mentionné que des cas d’usage allant du suivi à la maintenance conditionnelle. Mais il est évident que cette plateforme offre de nombreuses nouvelles opportunités, tant du point de vue de l’innovation que de l’impact sur les activités de l’entreprise, dont notamment une démocratisation des données et des décisions fondées sur les bonnes informations grâce à de l’Analytics en libre-service.

Cette transformation de Renault opérée avec Google Cloud met en lumière le potentiel de l’industrie 4.0, qu’il s’agisse d’améliorer les processus de fabrication, l’ingénierie des processus ou encore la chaîne d'approvisionnement. Elle constitue également un exemple pour d'autres entreprises qui cherchent à tirer parti des données et des plateformes cloud pour améliorer leurs résultats. Pour en savoir plus sur BigQuery, cliquez ici.

Remerciements

Nous souhaitons remercier tous les collaborateurs de Renault et Google qui ont activement participé à la rédaction de cet article et qui ont travaillé pendant plus d'un an sur ce projet comme une seule et même équipe :

Rédacteurs Google :

Jean-François Macresy, consultant, bonnes pratiques d'architecture IDM 4.0
Jérémie Gomez, ingénieur stratégie, spécialiste des données IDM 4.0
Rifel Mahiou, responsable de programmes, gouvernance et stratégie de partenariat IDM 4.0
Razvan Culea, Data Engineer, IDM4.0 Data optimization

Réviseurs internes de Renault :

Sébastien Aubron, responsable du programme IDM 4.0
Jean-Marc Chatelanaz, directeur IDM 4.0
Matthieu Dureau, Product Owner plateforme IDM 4.0
David Duarte, Data Engineer plateforme IDM 4.0

Des usines intelligentes pour des collaborateurs plus efficaces avec Google

Fri, 09 Sep 2022 08:00:00 +0000

En pleine transformation numérique, les acteurs de l’industrie manufacturière misent sur les technologies innovantes, comme le cloud et l’IA, pour accroître leur compétitivité et assurer une croissance durable. Selon le cabinet McKinsey, près des deux tiers des acteurs du secteur utilisent déjà des solutions cloud. Toutefois, le passage du stade de PoC (Proof of Concept) à l’industrialisation reste un défi pour la majorité d’entre eux, selon les analystes.

Nous sommes convaincus que les problèmes rencontrés lors du déploiement à grande échelle des projets pilotes sont de deux ordres : d’une part, pas ou peu d’accès aux données opérationnelles contextualisées, et d’autre part, une pénurie de compétences dans les usines pour utiliser les outils complexes de la datascience et de l’IA.

Afin de permettre aux manufacturiers de convertir leurs efforts de transformation numérique en véritables applications de production, Google Cloud vient de lancer de nouvelles solutions spécialement conçues pour répondre aux besoins du secteur de l’industrie.

Ces solutions permettent aux ingénieurs et directeurs d’usines d’unifier et contextualiser l’accès aux données éparpillées entre différentes sources et processus.

Pour vous présenter ces nouvelles solutions, nous vous proposons de suivre le parcours des données, en partant de l’usine jusqu’au cloud :

Manufacturing Data Engine constitue le socle de notre solution pour traiter, contextualiser et stocker les données d'usine. Cette plateforme cloud peut acquérir des données provenant de n'importe quel type de machine et accepte n’importe quel type de données, de la télémétrie aux images. Le transfert est réalisé via une connexion privée, sécurisée et à faible coût entre le site (edge, autrement dit en périphérie) et le cloud. Dotée de fonctionnalités de normalisation et d’enrichissement du contexte, la plateforme permet d’aboutir à un modèle de données commun avec un stockage des données dans un datalake optimisé pour les besoins de l’usine.
Manufacturing Connect est une plateforme edge pour usines. Elle a été co-développée avec Litmus Automation. Grâce à sa bibliothèque riche de plus de 250 protocoles machine, elle peut se connecter très facilement avec quasiment tous les équipements présents en usine. Elle transforme les données des machines en jeux de données exploitables avant de les transmettre à la plateforme Manufacturing Data Engine pour traitement, contextualisation et stockage. Hébergeant des workloads sous forme de containers, elle permet aux manufacturiers de mettre en place des solutions exigeantes en termes de temps de réponse, qu’il s’agisse de visualisation de données en quasi-temps-réel, d’analyses avancées ou encore d’applications exploitant des fonctionnalités ML.

En collaboration avec nos partenaires, nous enrichissons sans cesse Manufacturing Data Engine de nouvelles applications d’analyses boostées à l’IA et répondant à des cas d’usage concrets :

Analyses et tableaux de bord pour l’industrie : réalisation de tableaux de bord et analyses sans écrire une seule ligne de code grâce l’intégration de données facile, rapide et intuitive avec les templates de Looker. Les ingénieurs et responsables d’usine peuvent ainsi créer, personnaliser et modifier rapidement des tableaux de bord en ajoutant automatiquement de nouvelles machines, configurations et usines. La solution permet d’analyser en profondeur les données relatives aux indicateurs clés de performance (KPI) et/ou d’effectuer des analyses à la volée pour identifier des opportunités d'amélioration dans toute l'usine. Les analyses peuvent être partagées, ce qui favorise une meilleure collaboration à l'échelle de l'entreprise et avec les partenaires.
Maintenance prédictive : grâce aux modèles ML prêts à l’emploi dédiés à la maintenance prédictive, les manufacturiers peuvent déployer en quelques semaines des solutions offrant des résultats pertinents dès le départ. Ils peuvent ensuite les améliorer et les affiner avec la collaboration des ingénieurs de Google Cloud.
Détection des anomalies machine : grâce à l’intégration avec l’API Timeseries Insights de Google Cloud (Prévisions de séries temporelles à grande échelle et détection d'anomalies en temps réel), les données des machines - collectées par les capteurs - sont analysées en temps réel afin d’identifier d’éventuels dysfonctionnements et générer des alertes en temps réel.

« Le volume de données collecté par les capteurs situés sur nos chaines de production ne cesse d’augmenter. Cette volumétrie croissante constitue à la fois une opportunité pour améliorer la qualité des produits, gagner en productivité ou encore mieux superviser l’état de nos machines grâce à des analyses plus avancées, mais aussi un challenge dans la mesure où il faut intégrer et gérer cette masse de données », explique Jason Ryska, directeur du développement des technologies de fabrication chez Ford Motor Company. « Nous avons travaillé avec Google Cloud afin de mettre en œuvre une plateforme qui stocke les données provenant de plus de 100 machines clés connectées à travers deux usines. Au total, elles émettent plus de 25 millions d’enregistrements par semaine. Ces données nous fournissent des informations précieuses qui devraient nous aider à mettre en œuvre des actions prédictives et préventives et à rendre nos usines plus efficaces ».

« Grâce à l’intégration entre une puissante solution d’usine déployée sur site (edge) et Google Cloud, il n’a jamais été aussi facile d’exploiter les avantages du cloud », estime pour sa part Masaharu Akieda, directeur général de la division des solutions numériques chez KYOCERA Communication Systems Company. « Les solutions de Google Cloud permettent à un panel plus large d’utilisateurs (au-delà des data-scientists) d'accéder rapidement aux données, de les analyser et de les utiliser pour répondre à de nombreux besoins différents. Nous sommes ravis de nous associer à Google Cloud pour mettre en œuvre de nouvelles solutions visant à optimiser les opérations de production et à augmenter la qualité de manière constante ».

« En tant que leader mondial et innovant dans le domaine des technologies de refroidissement et de chauffage à l'état solide, nous avons développé une plateforme industrielle durable qui utilise moins d'eau, moins d'électricité et moins de déchets chimiques », explique de son côté Jason Ruppert, directeur des opérations de Phononic. « Ce partenariat avec Google Cloud nous permet de contextualiser les données sur l'ensemble de nos processus de fabrication. Plus concrètement, nous disposons aujourd’hui des analyses et informations nécessaires pour optimiser nos opérations et ainsi continuer à proposer au monde des produits qui refroidissent durablement, contribuent à la réduction des émissions de gaz à effet de serre (GES) et donc à la préservation de l'environnement ».

Un nombre croissant de partenaires enrichissent les solutions pour l’industrie de Google Cloud avec de nouveaux connecteurs, de nouvelles applications boostées à l’IA, etc. Nombre d’entre eux sont revenus sur leurs expériences et ont partagé leurs cas d’usage à l’occasion de l’événement Google Cloud Manufacturing Spotlight. Ces témoignages sont à découvrir ou redécouvrir à la demande en cliquant sur ce lien.

Grâce aux nouvelles solutions cloud de Google pour l’industrie, trois piliers essentiels à l’ère de l’industrie « intelligente » se trouvent à la fois renforcés et mieux intégrés : les ingénieurs en usine, les données et l’IA.

Donner aux ingénieurs en usine les moyens d'être le pivot de la fabrication intelligente

Au cours des dernières années, l'industrie manufacturière a contribué à plus de 10 % du produit intérieur brut américain, ou 24 % du PIB en incluant la valeur indirecte (c'est-à-dire les achats auprès d'autres industries). Ce secteur emploie également environ 15 millions de personnes, soit 10 % de l'emploi total aux États-Unis. Cependant, plus de 20 % de la main-d'œuvre de ce secteur aux États-Unis a plus de 55 ans avec une moyenne qui s’établit autour de 44 ans. On observe des tendances similaires dans le monde entier. Dit autrement, il est de plus en plus difficile pour les manufacturiers de trouver de nouveaux talents pour remplacer la main-d'œuvre qui part à la retraite.

Dans ce contexte, les entreprises doivent non seulement capitaliser sur leur main-d'œuvre existante mais également gagner en attractivité pour attirer de nouveaux talents. Pour relever ce double challenge, elles doivent rendre les technologies essentielles, telles que le cloud et l'IA, plus accessibles, plus faciles à utiliser et les ancrer profondément dans leurs opérations au quotidien.

Les solutions de Google dédiées à l’industrie ont précisément été conçues dans cette perspective. En combinant mise en œuvre rapide et facilité d'utilisation, elles permettent aux collaborateurs de s’approprier de puissants outils numériques pour identifier de nouvelles opportunités et optimiser les opérations de manière entièrement nouvelle.

Une des grandes forces de l’approche Google est de ne requérir aucune (ou très peu) de compétences en programmation pour configurer et utiliser ses services. Reposant sur les méthodes no-code ou low-code, les solutions peuvent donc être appréhendées par un large éventail d’utilisateurs finaux. Parallèlement, elles sont nativement conçues pour monter en puissance et leur déploiement - basé sur l’utilisation de templates - favorise la normalisation et la réutilisation. Élaborées à partir des meilleures pratiques, elles permettent aux acteurs de l’industrie de concentrer leurs précieuses ressources sur des cas d’utilisation et non pas sur l’infrastructure sous-jacente.

Les ingénieurs peuvent ainsi visualiser les données et approfondir les analyses en utilisant Manufacturing Analytics & Insights, construit sur le moteur de business intelligence de Looker. Intégrée au Manufacturing Data Engine, la solution se configure automatiquement et permet d’avoir une vue actualisée sous tous les angles des opérations d’une chaine de fabrication. Du directeur d’exploitation aux directeurs d'usine en passant par les ingénieurs, tous les utilisateurs peuvent facilement parcourir et explorer les données au niveau de l'entreprise, de l'usine, d’une machine ou d’un capteur.

Donner aux ingénieurs en usine les moyens d'être le pivot de la fabrication intelligente

Au-delà de leur facilité d’utilisation, ces solutions conçues sur mesure pour l’industrie par Google et ses partenaires permettent également aux manufacturiers de faire monter leurs salariés en compétences avec un service de mise en œuvre dédié.

Rendre chaque source de données accessible et exploitable

Les données constituent la colonne vertébrale de la transformation numérique de l’industrie et les acteurs du secteur ont déjà potentiellement accès à une manne conséquente d’informations : les journaux de performance d'une seule machine peuvent générer 5 gigaoctets de données par semaine, et une usine intelligente typique peut produire 5 pétaoctets par semaine.

Pour l’heure, cette richesse – et les perspectives qu’elle pourrait ouvrir – reste toutefois largement inexploitée par de nombreux manufacturiers. Les données ne sont encore que partiellement capturées avant d’être silotées dans des systèmes hétérogènes et propriétaires.

Développé en collaboration avec Litmus Automation, Manufacturing Connect propose plus de 250 connecteurs pour protocoles natifs de machines. Dit autrement, la plateforme permet de se connecter rapidement à quasiment tous les équipements d’une usine et donc d’acquérir les données collectées en quelques clics. Les fonctions d'analyse intégrées et la prise en charge des traitements conteneurisés offrent aux industriels la possibilité de traiter les données directement sur site.

Grâce à un composant cloud complémentaire, les manufacturiers peuvent centraliser la gestion, la configuration, la normalisation et la mise à jour des instances Edge et ce dans toutes leurs usines à l’échelle mondiale. Ils ont également la possibilité de traiter les données avant de les envoyer vers le cloud à partir de la même interface en configurant Manufacturing Data Engine de Google Cloud en conséquence.

Le Manufacturing Data Engine structure les données et leur apporte une contextualisation sémantique. Elles sont dès lors utilisables par tous et utiles à toute l’entreprise. En faisant abstraction de la complexité sous-jacente des données provenant des usines, les acteurs de l’industrie et les partenaires sont ainsi en mesure de développer des solutions analytiques et IA à forte valeur ajoutée répondant à des cas d’usages concrets.

L’IA pour une industrie intelligente suppose un écosystème étendu de partenaires

Les manufacturiers considèrent l’IA comme un outil prometteur pour optimiser les coûts et gagner en productivité. Certains d’entre eux détiennent même des brevets actifs sur des initiatives IA. De fait, selon une étude menée par Google en juin 2021, 66 % des acteurs de l’industrie utilisant l’IA dans leurs opérations au quotidien avouent enregistrer une dépendance croissante à l’IA.

Google Cloud accompagne les manufacturiers dans la mise en œuvre des technologies du cloud et de l’IA afin d’accélérer et fluidifier le fonctionnement des usines. Les clients qui utilisent le Manufacturing Data Engine de Google Cloud peuvent accéder directement à la plateforme Vertex AI de Google Cloud. Leader sur le marché, elle propose des outils intégrés d'IA/ML, allant d'AutoML pour les ingénieurs à des outils d'IA avancés pour les experts qui souhaitent affiner les analyses. Avec Google Cloud, le développement d’applications boostées à l'IA/ML n'a jamais été aussi facile pour les acteurs de l’industrie.

Surmonter le « purgatoire des PoCs » dans l’industrie en profitant de la puissance du cloud et de l’IA

Notre mission est d'accélérer votre transformation numérique en établissant des ponts entre les silos de données et en contribuant à faire de chaque ingénieur un data-scientist grâce à des technologies IA faciles à utiliser et à une plateforme adaptée aux besoins de l’industrie.
Ces nouvelles solutions Google dédiées à l’industrie ont été divulguées pour la première fois lors de l’Hannover Messe 2022 qui s’est tenue du 30 mai au 2 juin.
Pour en savoir plus, nous vous invitons à explorer les présentations, démonstrations et contenus du Google Cloud Manufacturer Spotlight disponibles dès aujourd’hui « à la demande ».

Comment accélérer l’adoption de l’IA dans l’industrie manufacturière

Mon, 20 Sep 2021 10:00:00 +0000

La promesse de voir l’intelligence artificielle transformer l’industrie manufacturière n’est pas nouvelle. Mais jusqu’à présent, les différentes expériences réalisées depuis plusieurs années n’ont globalement pas démontré d’avantage concurrentiel. Les manufacturiers continuent d’errer dans le « purgatoire des PoC » : seulement 21% des industriels auraient ainsi passé des projets IA en production selon le cabinet d’analyse Gartner.

De nouvelles recherches menées par Google Cloud révèlent toutefois que la pandémie pourrait avoir stimulé de façon significative l’adoption de l’IA ainsi que de nouvelles technologies innovantes dans le secteur manufacturier. Selon notre étude, qui s’appuie sur les témoignages de plus de 1000 dirigeants du secteur dans sept pays, 76% des personnes interrogées se seraient en effet tournées vers ces technologies disruptives, qu’il s’agisse d’analyses de données, de cloud ou d’IA, à cause de la pandémie. Et, plus de la moitié (66%) de ceux qui utilisent déjà l’IA dans leurs opérations quotidiennes reconnaissent que leur dépendance à l’IA ne cesse d’augmenter.

Cliquez sur l'image pour l'agrandir

Les 3 premiers sous-secteurs manufacturiers ayant déployé l’IA dans leurs opérations quotidiennes sont : les OEMs (Original Equipment Manufacturer ou « fabricant d'équipement d'origine ») de l’industrie automobile (76%), leurs équipementiers (68%) et les machines lourdes (67%).

Cliquez sur l'image pour l'agrandir

Directeur de l’Intelligence Artificielle et du Cloud chez Ford Global Data & Insight and Analytics, Bryan Goodman explique cette recrudescence de l’IA dans ses activités : « Notre nouvelle relation avec Google va booster nos efforts pour démocratiser l’IA dans notre entreprise, des usines jusqu’aux véhicules en passant par les concessionnaires. Nous avions l’habitude de comptabiliser le nombre de projets de Machine Learning et d’IA chez Ford. Ils sont maintenant tellement nombreux que c’est un peu comme demander combien de personnes utilisent des maths. Nous disposons désormais d’un écosystème IA, alimenté par la donnée, qui est aux commandes d’un vaste réseau numérique ».

Évoluer des initiatives périphériques vers des projets au coeur de métier

Comment expliquer le nombre croissant d’acteurs de l’industrie manufacturière se tournant vers l’IA ? Notre étude montre que les entreprises s’appuyant déjà sur l’IA dans leurs activités quotidiennes l’utilisent pour renforcer la continuité d’activité (38%), améliorer l’efficacité de leurs employés (38%) et, plus globalement, apporter une aide aux collaborateurs (34%). De fait, les technologies IA/ML peuvent en effet apporter une aide significative aux collaborateurs de ce secteur, notamment en leur proposant des analyses prescriptives pour les guider en temps réel ou pour les entraîner, en les alertant sur les dangers pour leur sécurité ou encore en détectant des défauts potentiels sur la chaîne d’assemblage.

Cliquez sur l'image pour l'agrandir

En termes de cas d’usage, deux principaux domaines d’application émergent selon notre étude : le contrôle qualité et l’optimisation de la chaîne d’approvisionnement.

Concernant le contrôle qualité, plus d’un tiers (39%) des manufacturiers interrogés ayant déjà implémenté l’IA dans leurs opérations quotidiennes l’utilise pour inspecter la qualité et 35% pour les contrôles de qualité des produits et/ou des lignes de production.
Les équipes de Google Cloud discutent fréquemment avec les manufacturiers autour de l’utilisation de l’IA dans l’inspection visuelle des produits finis. Avec la vision par l’IA, les employés sur les lignes de production peuvent en effet passer moins de temps sur les tâches répétitives d’inspection et se concentrer davantage à des tâches plus complexes comme l’analyse de l’origine des problèmes.

Sur le second domaine, l’optimisation de la chaîne d’approvisionnement, les manufacturiers déclarent utiliser l’IA pour la gestion de la chaîne d’approvisionnement (36%), la gestion des risques (36%) et la gestion prédictive des stocks (34%).

Cliquez sur l'image pour l'agrandir

Sur le terrain, nous constatons que de nombreux fabricants repensent leurs chaînes d’approvisionnement et leurs modèles d’exploitation pour mieux s’adapter à la volatilité accrue provoquée par la pandémie et à la demande croissante des consommateurs pour des produits personnalisés. Pour plus d’informations sur la démondialisation, n’hésitez pas à consulter la troisième partie de notre série d’informations sur l’industrie manufacturière.

L'usage de l'IA varie selon les régions, mais pas pour les raisons que l’on pourrait imaginer

Notre étude montre également que l’usage de l’IA varie assez fortement d’une région à l’autre. Alors que 80% des manufacturiers en Italie et 79% en Allemagne déclarent utiliser l’IA dans leurs activités quotidiennes, ces pourcentages chutent significativement aux USA (64%), au Japon (50%) et en Corée (39%).

Cliquez sur l'image pour l'agrandir

Il serait tentant d’attribuer une telle disparité à un déficit de talents en IA. Bien qu’il s’agisse de l’obstacle le plus fréquent, seulement 23% des fabricants estiment ne pas avoir les compétences nécessaires pour tirer pleinement parti de l’IA. Le coût ne semble pas non plus être un frein, seulement 21% des répondants en font état.

De fait, d’après nos observations, le principal frein proviendrait de la difficulté à disposer de la bonne plateforme technologique et des bons outils pour gérer un pipeline IA en production. Et c’est précisément sur ce point que portent tous les efforts des acteurs du domaine, et tout particulièrement ceux de Google Cloud, car nous sommes convaincus que le cloud peut véritablement changer la donne en permettant à l’industrie manufacturière de franchir une nouvelle étape dans l’utilisation de l’IA.

L’industrie manufacturière en phase d’entrer dans l'âge d'or de l'IA

La clé d’une adoption généralisée de l'IA réside dans sa facilité de déploiement et d'utilisation. À mesure que l'IA devient toujours plus omniprésente dans la résolution de problèmes concrets pour les manufacturiers, nous voyons l'industrie passer du « purgatoire des PoCs » à « l'âge d'or de l'IA ».
De l’époque de la production de masse à celle du Lean Manufacturing, en passant par la méthode Six Sigma sans oublier l’adoption plus récente des ERP, l’industrie manufacturière a toujours su tirer avantage de l’innovation. Nous sommes persuadés que l’IA devrait lui permettre de franchir un nouveau cap dans ce domaine.

Pour en savoir plus sur cette étude, téléchargez notre infographie et notre rapport complet.

^{Méthodologie de l’étude}

^{L'enquête a été menée en ligne par The Harris Poll pour le compte de Google Cloud, du 15 octobre au 4 novembre 2020, auprès de 1154 dirigeants (directeur ou niveau supérieur) de l'industrie manufacturière en France (n=150), en Allemagne (n=200), en Italie (n=154), au Japon (n=150), en Corée du Sud (n=150), au Royaume-Uni (n=150) et aux États-Unis (n=200) qui travaillent à temps plein dans une entreprise de l’industrie manufacturière comptant plus de 5000 employés. Les données dans chaque pays ont été pondérées par le nombre d'employés pour les aligner sur la taille réelle de l'entreprise de l’échantillonnage. Une pondération globale a été appliquée pour assurer à chaque pays un poids équivalent dans le calcul mondial.}

Visual Inspection AI : une solution pour des contrôles qualité rapides et précis

Tue, 22 Jun 2021 15:00:00 +0000

Quel que soit le secteur industriel (automobile, semiconducteurs, smartphones, alimentations, boissons, …), deux métriques se révèlent incontournables : la qualité et le rendement. D’autant que la seconde dépend intrinsèquement de la première. Un mauvais contrôle qualité engendre en effet des coûts opérationnels et financiers importants liés à la réfection des pièces, à leur mise au rebut, à la baisse de rendement, à des traitements de stock plus importants, à des rappels de produits sans oublier la gestion des réparations et des réclamations des clients.

L'American Society for Quality estime que ces coûts liés à la qualité représentent jusqu’à 15 à 20 % du chiffre d'affaires annuel de nombreuses entreprises, soit des milliards de dollars perdus chaque année par les plus grandes entreprises industrielles.

Pour aider les fabricants à améliorer la précision et à réduire les coûts des contrôles qualité sur leurs chaînes de production, Google Cloud annonce le lancement de Visual Inspection AI. Conçue sur mesure pour le secteur industriel, cette nouvelle solution embarque nos meilleures technologies d'intelligence artificielle (IA) et de vision par ordinateur. Objectif : résoudre ce problème à l'échelle de la production.

Les limites actuelles de l'inspection visuelle

En règle générale, les processus de fabrication comportent une ou plusieurs étapes d'inspection visuelle des produits visant à détecter des défauts. Souvent très manuelles, ces tâches d'inspection sont chronophages et sources d'erreurs. Au fil des ans, des machines d'inspection visuelle basées sur des règles ont fait leur apparition.

Mais, ces deux approches ont chacune leurs inconvénients :

L'inspection manuelle repose sur la perception et l'expérience d’un opérateur, ce qui affecte la cohérence globale.

Les machines d'inspection traditionnelles manquent de flexibilité : elles ne s'adaptent pas aux changements de produits et doivent être fréquemment reprogrammées.

Les machines actuelles d'inspection basée sur la vision ne peuvent détecter qu'un nombre limité de défauts à la fois.

L'innovation a toujours joué un rôle important au sein de l'industrie manufacturière. Et ce, depuis l'ère de la production en série à la fabrication en flux tendu, en passant par la méthode Six Sigma et, plus récemment, par les progiciels de gestion intégrés. Avec l'essor de l'intelligence artificielle (IA), de plus en plus de solutions innovantes tentent de s'imposer sur le marché. En pratique, l'IA offre de nombreux avantages :

Elle permet de réduire la charge cognitive des opérateurs et de détecter davantage de défauts.

Elle ne nécessite aucune programmation et s'adapte aux changements de produits.

Elle détecte des centaines de zones d'intérêt sur un produit en quelques secondes.

Avant la COVID-19, beaucoup de commerçants ayant envisagé des projets utilisant le ML ou l’IA n’ont pas dépassé le stade du pilote, faute de ROI suffisant. Une nouvelle étude Google Cloud, à laquelle ont participé plus de 1 000 dirigeants de l'industrie manufacturière dans sept pays différents, montre que leur position a depuis changé : 76 % des entreprises s’ouvrent aujourd’hui aux outils numériques, comme l’analyse des données, le cloud et l'IA.

Présentation de Visual Inspection AI

La solution Visual Inspection AI de Google Cloud automatise les tâches d'inspection visuelle à l'aide d'un ensemble de technologies de vision par ordinateur et d’IA. Elles permettent aux fabricants de métamorphoser les processus de contrôle qualité grâce à la détection automatique des défauts sur les produits.

Nous avons créé Visual Inspection AI pour répondre aux besoins des ingénieurs chargés des processus de qualité, de test, de fabrication et de traitement qui excellent dans leur domaine sans pour autant être des experts en IA. Et, parce qu’elle est non seulement facile à utiliser mais aussi pensée pour les principaux usages métier en industrie, notre solution présente de nombreux avantages par rapport aux approches de machine learning (ML) généralistes :

Une exécution autonome sur site : les commerçants peuvent mettre en œuvre les modèles d'inspection directement sur site ou à la périphérie du réseau (edge computing). L'inspection peut indifféremment être réalisée de manière entièrement autonome au sein de l’usine ou dans Google Cloud.

Un retour sur investissement rapide : les clients peuvent déployer Visual Inspection AI en quelques semaines, contrairement aux outils de machine learning (ML) traditionnels dont la configuration nécessite souvent plusieurs mois. Spécialement pensée pour les ingénieurs chargés de la qualité et du traitement, elle ne nécessite aucune compétence en vision par ordinateur ni en ML. Un assistant interactif guide les utilisateurs à travers toutes les étapes.

Une technologie avancée d'IA et de vision par ordinateur : selon les benchmarks réalisés par les premiers utilisateurs de Visual Inspection AI dans le cadre d’essais en production, notre solution offre une précision jusqu'à 10 fois supérieure aux approches de machine learning à usage général. Elle peut détecter même les plus petits défauts grâce au support d’images en très haute définition (jusqu'à 100 Megapixels) et à l’efficacité de notre technologie de vision par ordinateur, considérée comme la meilleure du marché par Forrester.

Une mise en route rapide et sans effort : Visual Inspection AI peut entraîner des modèles de grande précision en s’appuyant sur 300 fois moins d'images manuellement étiquetées que les plates-formes de ML généralistes, d’après les tests pilotes réalisés par plusieurs clients Google Cloud. Pour être capables de détecter des anomalies, les anciennes solutions requièrent en effet des milliers de modèles étiquetés avec et sans défaut, un travail titanesque qui coûte cher.

Des fonctionnalités allant au-delà de la détection d'anomalies : contrairement aux solutions concurrentes qui ne procèdent qu'à une simple détection d'anomalies, les fonctionnalités de deep learning de Visual Inspection AI permettent aux clients d'entraîner des modèles qui détectent, classifient et situent avec précision plusieurs types de défauts dans une seule image. Ces différentes capacités permettent aux clients d’automatiser pleinement la ligne de production, avec déclenchement d’actions en fonction de l’analyse sans aucune intervention

Un déploiement hautement évolutif : les fabricants gagnent en flexibilité sur le déploiement et la gestion du cycle de vie des modèles ML, en adaptant la solution à leurs différentes lignes de production et usines.

Cas d'utilisation dans différents secteurs

Notre démonstration animée de Visual Inspection AI illustre différents cas d’utilisation dans de nombreux secteurs, dont :

La construction automobile : inspection de surfaces dans les ateliers de peinture, inspection des joints de soudure dans les ateliers de carrosserie, inspection générale dans les ateliers d'emboutissage (rayures, enfoncements, fissures, taches), inspection du bloc moteur dans les fonderies (fissures, déformations, anomalies) ;

La fabrication de semi-conducteurs : localisation des défauts et des anomalies au niveau du wafer, inspection des fissures au niveau des moules, inspection globale avant la mise en place, inspection du conditionnement des SoC, inspection de l'assemblage des cartes ;

La fabrication de produits électroniques : détection des composants défectueux ou manquants (vis, ressort, mousse, connecteur, bouclier, etc.) sur les circuits imprimés (PCB), contrôle du collage et soudage des circuits imprimés (soudure insuffisante, stalactite, variation, surplus d'étain, etc.), contrôle de la surface des produits (coulures de colle, déformation des mailles, rayures, bulles, etc.) ;

La fabrication d'équipements à usage général : inspection des emballages et des étiquettes, inspection des tissus (maille, déchirure, fil), inspection des joints de soudure plastiques et métaux, inspection de la surface.

Exemples de clients générant déjà de la valeur grâce à Visual Inspection AI

Filiale de Foxconn, FIH Mobile est le leader mondial de la fabrication et des services dans le domaine des communications sans fil et des combinés. Elle a testé Visual Inspection AI en début d'année. « Travailler avec Google Cloud pour intégrer des technologies innovantes de machine learning et de vision par ordinateur à nos processus qualité a été une expérience incroyable », témoigne Sabcat Shih, responsable associé senior chez FIH Mobile. « Les ingénieurs de FIH Mobile font confiance à Google Cloud, et nous sommes parvenus à considérablement améliorer nos produits grâce à notre collaboration avec vos équipes. Nous avons hâte de déployer la solution d'inspection des assemblages sur l'ensemble de nos opérations de fabrication de circuits imprimés. »

Kyocera Communications Systems, un important fabricant de téléphones mobiles pour les fournisseurs de services sans fil, a pu faire monter en puissance son expertise en IA et ML grâce à Visual Inspection AI. « Avec le manque d'ingénieurs en IA, Visual Inspection AI constitue un atout innovant parce qu’il peut être utilisé par des ingénieurs non spécialistes de ce domaine », estime Masaharu Akieda, responsable du département des solutions numériques chez KYOCERA Communication Systems. « Visual Inspection AI nous permet de créer des modèles très précis avec seulement 10 à 20 images de défauts durant l’apprentissage. Nous allons continuer à renforcer notre partenariat avec Google pour développer des solutions qui garantiront la réussite des projets de transformation numérique de nos clients. »

Premiers pas avec Visual Inspection AI

Visual Inspection AI est une solution performante qui permet aux fabricants d'améliorer leurs processus de contrôle qualité en production. Pour en savoir plus sur les fonctionnalités et les cas d’usage de Visual Inspection AI, accédez à la page Web de la solution et visionnez cette démonstration.

Créer une digital factory avec SAP sur Google Cloud

Tue, 20 Apr 2021 17:00:00 +0000

De nos jours, les fabricants doivent relever des défis de tous types : les attentes des clients sont de plus en plus fortes, les coûts ont augmenté, le développement durable est dans tous les esprits, et récemment à cause de la pandémie mondiale de la COVID-19. Cependant, les entreprises peuvent s'appuyer sur les données pour faire face aux exigences de l'industrie moderne. Celle-ci génère des pétaoctets de données utiles qui permettent d'améliorer le rendement de production, d'éviter les problèmes et d'identifier les opportunités. Toutefois, l'utilité de ces données dépend de la capacité de chaque entreprise à les analyser et à prendre des décisions en conséquence. Les clients SAP doivent fusionner leurs données d'entreprise avec les données IoT et de machine learning afin de développer une informatique décisionnelle plus pertinente, d'alimenter les fonctionnalités avancées d'automatisation et de développer des solutions d'industrie 4.0 plus innovantes.

Comment ? En intégrant les applications d'entreprise SAP aux fonctionnalités d'intelligence artificielle (IA), de machine learning (ML) et d'analyse de données de Google Cloud. Google Cloud simplifie le déploiement de SAP et offre une suite d'applications qui s'intègrent à SAP et l'optimisent. Les fabricants peuvent regrouper leurs données opérationnelles et commerciales à grande échelle pour créer une usine numérique intelligente et connectée. Voici certains des avantages de Google Cloud pour les applications d'entreprise SAP utilisées au sein de votre organisation :

Migration vers le cloud avec un risque minimal : comme les déploiements SAP s'avèrent parfois complexes, la migration vers le cloud peut paraître difficile. Les outils et services de Google Cloud simplifient et rationalisent ce processus grâce à leurs diverses fonctionnalités de sécurité et options de migration. Les fabricants peuvent exploiter les modèles automatisés de Google Cloud conçus pour SAP afin de déployer plus rapidement des applications, de regrouper les données SAP dans le cloud et d'accélérer le retour sur investissement grâce aux insights générés par l'IA et le ML. Avec le programme d'accélération de la transition vers le cloud qui leur est réservé, les clients SAP peuvent tirer parti des applications et solutions de migration intégrées de notre réseau de partenaires pour passer au cloud de manière moins risquée et plus efficace.

Résolution des problèmes de gestion des données : lorsqu'ils exécutent SAP sur Google Cloud, les fabricants peuvent stocker de grandes quantités de données de façon extrêmement flexible, sans devoir supporter les coûts associés à l'achat et à la maintenance d'une infrastructure. Ils peuvent rapidement obtenir des insights à jour à partir des données de l'historique, mais aussi des données de production, de qualité et d'entreprise en temps réel.

Tous les chemins mènent au cloud : les raisons ne manquent pas pour continuer d'exécuter d'anciens systèmes sur site et conserver plusieurs déploiements sur le cloud. Parmi elles se trouvent les exigences réglementaires et les besoins propres à chaque secteur d'activité. Les fabricants qui s'appuient sur SAP pour leurs principales opérations peuvent tirer parti de l'IA, du ML et de l'analyse de données de Google Cloud, quel que soit l'emplacement de leurs applications. Grâce aux environnements hybrides et multicloud de Google Cloud, ils peuvent exploiter la puissance de plusieurs plates-formes cloud, solutions sur site, autres fournisseurs et matériels divers. Les fabricants SAP tels que Kaeser Kompressoren utilisent également Anthos. Cette plate-forme d'applications leur permet de facilement migrer leurs anciennes applications vers le cloud et de les moderniser, d'en développer de nouvelles en toute sécurité dans le respect des règles de conformité, ainsi que de collecter et d'analyser des données.

Intégration de données enrichies : les fabricants peuvent entièrement développer leur digital factory à l'aide des outils d'API de Google Cloud. La consolidation des signaux de données provenant des divers outils Google Cloud (données des recherches sur le Web, Météo, Maps, Shopping, etc.) permet aux entreprises d'obtenir des insights sur la planification de la production, les besoins des clients et d'autres processus métier. Par exemple, les fonctionnalités d'AutoML Vision permettent aux clients SAP d'automatiser l'inspection visuelle, d'identifier rapidement les défaillances et de réduire les coûts.

Analyses intelligentes : Google BigQuery permet aux fabricants d'analyser rapidement de grandes quantités de données issues de sources multiples (comme les systèmes SAP, les usines de production, les lacs de données, les capteurs, etc.) de manière à prendre des décisions plus éclairées. Les fabricants peuvent entraîner des modèles de ML personnalisés pour effectuer des prévisions plus précises avec Cloud AutoML, qui exploite le machine learning pour créer des modèles de maintenance prédictive basés sur les données. Les entreprises qui prévoient la demande en s'appuyant sur l'IA peuvent réduire les délais de production, améliorer le rendement dans leurs usines et libérer de la trésorerie.

Innovation accélérée : regroupez vos fonctionnalités et données SAP backend en tant que produits d'API à l'aide d'Apigee, l'outil de gestion des API de Google Cloud. Utilisez ces produits d'API complets et précieux avec AppSheet pour aider les non-développeurs à concevoir plus rapidement des applications innovantes sans coder.

Southwire amorce son évolution technologique grâce à SAP sur Google Cloud

Southwire, l'un des leaders mondiaux de la fabrication de câbles, de fils électriques, d'outils et de composants, a établi un programme complet de refonte de son environnement SAP. Ce programme comporte trois étapes importantes : mettre à niveau l'environnement SAP pour profiter des dernières fonctionnalités, déployer SAP Business Warehouse sur SAP HANA afin d'accélérer la génération de rapports et installer la dernière version de SAP Process Orchestration, un composant essentiel qui s'applique à des interfaces de fabrication clés dans tous les locaux de Southwire.

"Nous souhaitions utiliser une plate-forme pour SAP à la fois flexible, évolutive, sécurisée et rapidement opérationnelle", explique Dan Stuart, vice-président senior des services informatiques chez Southwire. "C'est en partie pour ces raisons que nous avons opté pour Google Cloud, mais aussi parce que nous savons que Google offre d'autres avantages que nous serons peut-être en mesure d'exploiter par la suite, comme l'intelligence artificielle. Google Cloud aura un rôle à jouer dans beaucoup de domaines. Nous prévoyons d'étudier les différents cas d'utilisation en gardant l'esprit ouvert pour comprendre comment exploiter nos investissements actuels de manière à faire évoluer notre entreprise comme nous l'entendons."

Exploiter pleinement les données de fabrication

Pour maximiser la valeur de leurs données, les fabricants ne peuvent plus se contenter de connecter entre eux des flux de données disparates. Ils doivent aussi dégager des insights, établir des prévisions précises et prendre des décisions éclairées. Les fabricants qui exécutent SAP sur Google Cloud cumulent les avantages : le contrôle numérique avancé des processus de fabrication, ainsi que l'automatisation et l'analyse basées sur le ML et l'IA.

Pour en savoir plus sur la façon dont Google Cloud peut vous aider à exploiter des données enrichies dans vos opérations de fabrication afin de rester compétitif dans l'industrie 4.0, consultez le livre blanc SAP on Google Cloud for Manufacturing ("SAP sur Google Cloud pour le secteur de l'industrie") et regardez cette vidéo.

Manufacturing

Quand l’IA optimise l’utilisation des équipements et le fonctionnement des usines

Pas de ML sans données accessibles

Un schéma directeur pour évaluer l'état des actifs

De l’edge au cloud : optimiser la production de l’industrie manufacturière

Pour aller plus loin

Comment Renault a résolu les problèmes de montée en charge et de coûts de sa plateforme data industrielle avec BigQuery et Dataflow

Tout est parti de la stratégie de transformation de Renault

Construction d’IDM 4.0 dans le cloud

Focus sur l’optimisation des coûts

Des usines intelligentes pour des collaborateurs plus efficaces avec Google

Donner aux ingénieurs en usine les moyens d'être le pivot de la fabrication intelligente

Donner aux ingénieurs en usine les moyens d'être le pivot de la fabrication intelligente

Rendre chaque source de données accessible et exploitable

L’IA pour une industrie intelligente suppose un écosystème étendu de partenaires

Surmonter le « purgatoire des PoCs » dans l’industrie en profitant de la puissance du cloud et de l’IA

Comment accélérer l’adoption de l’IA dans l’industrie manufacturière

Évoluer des initiatives périphériques vers des projets au coeur de métier

L'usage de l'IA varie selon les régions, mais pas pour les raisons que l’on pourrait imaginer

L’industrie manufacturière en phase d’entrer dans l'âge d'or de l'IA

Google Cloud Next (du 12 au 14 octobre) : Ouverture des inscriptions

Visual Inspection AI : une solution pour des contrôles qualité rapides et précis

Les limites actuelles de l'inspection visuelle

Présentation de Visual Inspection AI

Cas d'utilisation dans différents secteurs

Exemples de clients générant déjà de la valeur grâce à Visual Inspection AI

Premiers pas avec Visual Inspection AI

Créer une digital factory avec SAP sur Google Cloud

Southwire amorce son évolution technologique grâce à SAP sur Google Cloud

Exploiter pleinement les données de fabrication

BeyondCorp Enterprise : une architecture zéro confiance pour le multicloud