Les données constituent la base de l’IA et de la production intelligente. Mais avant que les entreprises puissent réellement en tirer des enseignements, il faut d’abord regrouper les informations provenant de différentes machines, capteurs et systèmes. C’est précisément là que réside encore l’un des plus grands obstacles pour de nombreuses entreprises industrielles. Dans cet entretien, le Prof. Dr.-Ing. Mario Studer, professeur de simulation et de conception à l’OST (Haute école spécialisée de Suisse orientale), explique pourquoi l’établissement teste, en collaboration avec AWS, de nouvelles approches pour l’usine intelligente, pourquoi les connaissances métier restent indispensables malgré l’IA et pourquoi tous les processus de production ne devraient pas être numérisés au maximum.
À propos de la personne et de la Haute école spécialisée de Suisse orientale (OST)
Rôle au sein de l’Institut de technologie des matériaux et de transformation des matières plastiques
Prof. Dr Mario Studer : À l’OST, je suis responsable du domaine Simulation et conception au sein de l’Institut de technologie des matériaux et de transformation des matières plastiques. Mon activité se répartit à peu près à parts égales entre l’enseignement et la recherche. Dans le cadre de l’enseignement, j’enseigne notamment les méthodes de simulation et je m’intéresse aux prédictions de qualité. Au sein de l’institut, nous travaillons également sur de nombreux projets industriels et de recherche.
Recherche appliquée en collaboration avec l’industrie
En tant que haute école spécialisée, l’OST est fortement axée sur la pratique. Qu’est-ce que cela signifie concrètement pour votre travail ? Nous mettons l’accent sur la recherche appliquée en collaboration avec l’industrie. De nombreux projets voient le jour en partenariat avec Innosuisse et, en particulier, avec des PME. Notre objectif est de renforcer les entreprises grâce à la recherche appliquée. Les échanges avec le secteur industriel sont donc très étroits.
De l’usine intelligente au recoupement des données
Le point de départ et le véritable obstacle
En collaboration avec AWS, vous avez mis en œuvre un premier projet dans le domaine de l’usine intelligente. Quel en était le point de départ ? Nous souhaitions donc étudier comment les données pouvaient être regroupées de manière plus structurée grâce à des solutions cloud et comment en tirer des connaissances de la manière la plus efficace possible. Le projet a été initialement lancé par mon collègue, le professeur Roman Hänggi, en collaboration avec Christoph Schniderig d’AWS. Une partie du projet initial a déjà été mise en œuvre, une autre partie est encore en cours. Pour nous, il s’agit dans un premier temps de se familiariser avec les différents outils et services et d’acquérir de l’expérience dans leur utilisation. Dans un deuxième temps, nous souhaitons transposer ces approches dans une « usine à innovation ». Selon vous, quel a été jusqu’à présent le véritable obstacle sur la voie menant à l’usine intelligente ? Nous avions déjà développé différentes approches, mais celles-ci étaient parfois très isolées les unes des autres. À cela s’ajoutaient des sources de données disparates et des silos locaux. Le véritable défi consistait à regrouper de manière pertinente les données provenant de différentes machines et de différents systèmes. C’est précisément là que réside encore aujourd’hui une grande partie du travail manuel. Avant de pouvoir réellement tirer des enseignements des données de production et, par exemple, identifier des corrélations ou des problèmes de qualité, les données doivent d’abord être harmonisées et reliées entre elles. Dans le cadre du projet commun avec AWS, nous avons pour la première fois abordé cette question de manière très ciblée et structurée. Il est essentiel pour nous d’automatiser davantage le passage des données brutes à des informations exploitables et d’aboutir ainsi plus rapidement à l’acquisition effective de connaissances. Qu’entends-tu exactement par « mise en correspondance des données » ? J’entends par là la fusion des données de production provenant de différentes machines, installations et systèmes. Ces données se présentent souvent sous des formats et des structures variés et doivent d’abord être harmonisées et reliées entre elles. Dans la pratique, cela représente un défi considérable. Dans bon nombre de nos projets, nous avons consacré environ 80 % du temps uniquement à établir un « data matching » de qualité. Ce n’est qu’ensuite que nous pouvons commencer à exploiter réellement les données et à en tirer des enseignements.
Avantages du cloud, réserves et limites de la transférabilité
Est-ce là précisément la plus grande valeur ajoutée des plateformes cloud et des services associés ? Je dirais que oui. Pour les entreprises, ce qui est déterminant, c’est l’effort qu’elles doivent fournir avant même de pouvoir commencer à tirer des enseignements de leurs données. Si nous parvenons à réduire cet effort, la numérisation devient nettement plus intéressante sur le plan économique. C’est précisément pour cette raison que nous souhaitons également montrer que les solutions cloud peuvent constituer une option pour les PME. Mais c’est justement en matière de données industrielles qu’on observe souvent une certaine réticence vis-à-vis du cloud. Est-ce que vous constatez la même chose ? Nous travaillons sur de nombreux projets impliquant des données confidentielles. Les entreprises sont donc très sensibles à la question de savoir où leurs données sont stockées ou traitées. C’est également la raison pour laquelle les entreprises restent réticentes à l’égard des solutions cloud, alors même qu’elles utilisent d’autres services basés sur le cloud. C’est aussi pour cette raison qu’il est important pour nous d’acquérir une expérience pratique et de pouvoir présenter différentes possibilités. Une solution développée une fois peut-elle ensuite être facilement transposée à d’autres entreprises de production ? Non, ce n’est pas aussi simple que cela. Chaque produit et bon nombre des processus sous-jacents sont très spécifiques. Selon la production, différents capteurs et critères de qualité sont utilisés. Le cadre de base peut être transposé. Mais il faut toujours des experts qui comprennent le processus concerné et savent quels signaux et attributs de qualité sont pertinents. Installer une « boîte noire » et partir du principe que tout fonctionnera ensuite n’est pas une vision réaliste. La technologie peut simplifier les processus et tirer des enseignements des données. Mais elle ne remplace pas l’expertise. Quel rôle l’OST peut-elle jouer à cet égard pour les PME ? Nous pouvons apporter notre soutien en tant que partenaire de réflexion. Dans l’industrie des plastiques en particulier, nous disposons d’une expertise spécifique au domaine et aux processus, que nous pouvons associer à des solutions technologiques. Parallèlement, nous souhaitons comparer différentes approches et analyser quels systèmes présentent des avantages et des inconvénients pour quelles exigences. Cependant, nous ne pouvons ni ne voulons développer nous-mêmes l’ensemble des compétences technologiques. C’est pourquoi des partenariats, comme celui conclu avec AWS par exemple, sont essentiels.
L’« usine à innovations » et la transformation de l’établissement d’enseignement supérieur
L’« usine à innovations » : un terrain d’expérimentation pour les étudiants, les prestataires et l’industrie
La prochaine étape consiste à créer une « usine à innovation ». Quelle est l’idée derrière ce projet ? L’« usine à innovation » doit remplir plusieurs fonctions à la fois. Nos étudiants doivent travailler dans une usine de demain aussi proche que possible de la réalité et se familiariser avec les technologies directement sur les machines et dans les processus de production. Parallèlement, les fournisseurs de technologies pourront tester leurs solutions dans des conditions réalistes. Il peut s’agir de technologies cloud telles que celles proposées par AWS, mais aussi de systèmes de vision ou de nouveaux appareils de mesure. Les entreprises industrielles ont ainsi la possibilité de découvrir et d’évaluer ces technologies dans la pratique. Enfin, nous pouvons transposer les résultats des projets de recherche dans cet environnement. Nous pouvons par exemple commencer par développer dans nos laboratoires, puis transférer les résultats dans l’environnement de l’usine. Un tel environnement peut-il également contribuer à combler le fossé entre la recherche et l’application industrielle ? Dans certains cas, certainement. Il existe toutefois différentes raisons pour lesquelles les projets de recherche ne débouchent pas sur une mise en œuvre industrielle. C’est notamment le cas pour les projets de longue durée, où le contexte économique peut évoluer. Parallèlement, la technologie évolue aujourd’hui si rapidement qu’un projet peut, à un moment donné, s’avérer trop long pour permettre de concrétiser les bénéfices initialement escomptés. L’« usine à innovations » peut aider à tester les développements dans des conditions proches de la pratique et à les rendre visibles plus rapidement. Mais elle ne résout bien sûr pas tous les problèmes liés au transfert.
L’enseignement supérieur en mutation : principes fondamentaux, nouveaux outils, nouvelles offres de formation
Comment les établissements d’enseignement supérieur doivent-ils évoluer face à l’évolution si rapide des technologies et des exigences dans l’industrie ? C’est un défi de taille. Je pense toutefois que les connaissances fondamentales restent essentielles. La physique ne change pas simplement parce que de nouveaux outils d’IA sont disponibles. Les étudiants doivent comprendre les principes fondamentaux pour pouvoir utiliser ces nouveaux systèmes de manière pertinente et évaluer leurs résultats d’un œil critique. En revanche, c’est la manière dont nous utilisons ces outils qui doit évoluer. Nous devons davantage nous interroger sur ce que les étudiants devront être capables de faire eux-mêmes à l’avenir, sur les tâches que l’IA peut prendre en charge et sur la manière dont nous vérifierons encore les connaissances. Si, par exemple, un rapport peut être rédigé à l’aide de l’IA, la question se pose inévitablement de savoir ce qu’un tel travail révèle encore de la compréhension réelle d’un étudiant. À mon sens, la mission de l’enseignement supérieur ne s’amenuise donc pas, mais elle évolue. Nous devons continuer à transmettre les bases tout en donnant aux étudiants les moyens d’utiliser les nouvelles technologies avec compétence, ainsi que de remettre en question et de contextualiser leurs résultats. Cela modifie-t-il également l’offre de formation ? À l’OST, de nouvelles formations voient le jour, parmi lesquelles, par exemple, le cursus « AI-Transformation ». En informatique également, de nouvelles spécialisations voient le jour, et en génie mécanique, des thèmes tels que l’analyse de données jouent un rôle de plus en plus important. En principe, on pourrait même se demander si les étudiants n’ont pas d’abord besoin d’une sorte de formation de base à l’utilisation de ces nouveaux outils, avant d’acquérir ensuite les fondamentaux de leur discipline à l’aide de ces derniers. Nous n’en sommes pas encore là pour le moment. Cela va-t-il rapprocher encore davantage les universités et l’industrie à l’avenir ? Pas nécessairement. Dans certains cas, c’est même le contraire qui pourrait se produire. De nombreuses entreprises développent, grâce à l’IA, leurs propres compétences, qu’elles ne possédaient peut-être pas auparavant. Elles ont donc moins besoin du soutien des universités dans certains domaines. Notre force réside toujours dans l’infrastructure, la maîtrise des processus et l’expertise spécifique à certains domaines. À cela s’ajoute l’étendue d’une formation universitaire. Ceux qui travaillent directement en entreprise évoluent souvent de manière très ciblée au sein d’un domaine d’application précis. Un cursus universitaire, en revanche, offre sur plusieurs années une vision plus large de différents thèmes, méthodes et contextes. L’industrie continuera d’ailleurs à avoir besoin de cette vision à long terme.
L’IA dans la production : opportunités, limites et perspectives à l’horizon 2035
Où l’IA est-elle surestimée – et où la numérisation crée-t-elle de nouveaux risques ?
Dans quels domaines les possibilités de l’IA dans la production sont-elles aujourd’hui surestimées ? Par exemple, en ce qui concerne la fiabilité des systèmes. Dans le cadre de notre projet également, nous constatons que les systèmes fournissent des résultats, mais qu’ils peuvent tout à fait contenir des erreurs. Sans connaissance du domaine, il est possible de ne pas détecter ces erreurs. C’est précisément cela qui est critique. Dans le même temps, il ne faut pas sous-estimer les capacités de ces systèmes. Lorsqu’ils disposent de données en quantité suffisante, ils peuvent analyser bien plus d’informations qu’un être humain et identifier des corrélations que nous ne verrions peut-être pas. La question suivante est alors : avons-nous vraiment besoin de toutes ces informations ? Une quantité accrue de données n’implique donc pas automatiquement une utilité accrue ? Exactement. On peut bien l’illustrer, par exemple, avec la simulation. La puissance de calcul ne cesse d’augmenter. Pourtant, une simulation ne dure pas forcément moins longtemps. Au contraire, nous simulons de manière de plus en plus détaillée et précise. La richesse des informations augmente, mais cela doit aussi se traduire par un bénéfice économique. Il en va de même pour les mesures. Plus nous mesurons avec précision, plus nous découvrons d’écarts. Se pose alors la question de savoir si cet écart constitue réellement un problème. De nouvelles informations entraînent également de nouvelles décisions, et chacune de ces décisions engendre des efforts et des coûts. Une numérisation toujours plus poussée peut-elle même créer de nouveaux risques pour la production ? Oui, car la mise en réseau engendre de nouvelles dépendances. Il peut par exemple arriver qu’un appareil fonctionne sans problème sur le plan technique et continue de produire de bonnes pièces, mais qu’il ne transmette plus de données en raison d’une erreur logicielle. Si l’ensemble de la cellule de production en dépend, la production peut tout de même s’arrêter. Pour les systèmes complexes, je vois une grande valeur ajoutée dans la numérisation et l’automatisation. En revanche, pour les systèmes simples, il convient de se demander si l’effort supplémentaire en vaut réellement la peine. Il ne faut pas abuser de la numérisation.
Analyse coûts-bénéfices et l’industrie suisse en 2035
Comment les entreprises peuvent-elles alors décider où l’effort en vaut la peine ? Pour les nouveaux systèmes, je prendrais en compte dès le départ les données et les structures correspondantes. C’est là qu’il est possible d’apporter des modifications à un coût relativement faible. Pour les installations existantes, la situation est différente. Il convient de s’interroger très sérieusement sur l’opportunité de procéder à une modernisation complète uniquement pour disposer de toutes les données imaginables. Si un produit et un processus ne posent aucun problème, il n’est pas nécessaire d’investir automatiquement des sommes importantes uniquement pour collecter des données supplémentaires. D’un autre côté, il existe désormais des processus de production si complexes que nous pouvons à peine en avoir une vue d’ensemble sans numérisation. C’est pourquoi il n’y a pas de solution unique. Pour conclure, si l’on se tourne vers l’industrie suisse en 2035 : quelles compétences resteront déterminantes ? Les compétences techniques classiques resteront importantes. Dans des secteurs tels que l’industrie des plastiques notamment, on a besoin de personnes capables de régler les machines et de fabriquer des outils. Sans cette expertise, aucune production ne pourra fonctionner à l’avenir. À mon avis, c’est surtout le paysage des processus qui va évoluer. Grâce aux nouveaux outils d’IA, les spécialistes peuvent automatiser eux-mêmes une part bien plus importante des tâches, mettre en œuvre leurs idées plus rapidement et montrer à quoi pourrait ressembler un processus. Auparavant, cela nécessitait souvent l’intervention d’informaticiens spécialisés. Une mise en œuvre professionnelle nécessitera peut-être encore un accompagnement. Mais le chemin entre l’idée et une solution fonctionnelle sera nettement plus court. L’« usine à innovations » est-elle donc aussi une tentative de reproduire dès aujourd’hui une partie de cette production de demain ? C’est précisément ce genre de questions que nous souhaitons y étudier. Nous gérons nous-mêmes des processus de production, ce qui nous permet d’observer les nouvelles technologies dans un environnement réaliste. En même temps, nous ne savons bien sûr pas aujourd’hui à quoi ressemblera réellement la production dans cinq ou dix ans. C’est précisément pour cette raison qu’il est important de disposer d’un environnement dynamique dans lequel les étudiants, les chercheurs et les acteurs de l’industrie peuvent tester de nouvelles approches.
