Les plateformes dotées d’IA transforment l’efficacité des industries de transformation

Pourquoi les opérations de procédés ont besoin d’un nouveau modèle d’exploitation numérique

L’industrie des procédés est entrée dans une période de changements opérationnels exceptionnellement rapides. Les prix de l’énergie fluctuent. Les chaînes d’approvisionnement restent incertaines. Les calendriers de production changent avec peu de préavis. Les exigences réglementaires continuent de s’étendre. Dans le même temps, les clients attendent des livraisons fiables, une qualité constante et un impact environnemental réduit.

Ces pressions touchent tous les niveaux d’une organisation de production. Les responsables d’usine doivent protéger la production et la rentabilité. Les ingénieurs procédés doivent stabiliser des systèmes de production de plus en plus complexes. Les équipes de maintenance doivent résoudre les problèmes d’équipement dans un temps limité. Les opérateurs doivent prendre des décisions sûres pendant chaque relève.

L’automatisation traditionnelle reste essentielle dans cet environnement. Les systèmes de contrôle distribué, les automates programmables, les systèmes de sécurité, les systèmes d’historisation et les plateformes de surveillance de l’état des équipements constituent toujours le socle des opérations industrielles. Cependant, ces systèmes organisent souvent les informations autour des équipements, des tags, des alarmes et des fonctions de contrôle.

Ils n’organisent pas toujours les informations autour des questions que les opérateurs posent réellement.

Un opérateur ne commence que rarement par une requête parfaitement structurée dans une base de données. Il peut plutôt demander pourquoi un compresseur se déclenche à répétition par temps froid. Un technicien peut se rappeler qu’une panne similaire s’est produite deux ans plus tôt. Un responsable peut savoir qu’une autre ligne de production a résolu le même problème grâce à un réglage d’exploitation inhabituel.

Ces connaissances sont précieuses, mais elles sont souvent dispersées entre les journaux de relève, les notes de maintenance, les courriels, les rapports d’incident, les ordres de travail, les feuilles de calcul et l’expérience personnelle.

Les plateformes d’entreprise dotées d’IA comblent cette lacune. Elles relient les données structurées des machines aux connaissances opérationnelles non structurées. Elles aident les équipes de production à repérer les événements pertinents, à comparer les incidents antérieurs et à retrouver des réponses éprouvées sans devoir rechercher manuellement dans des dossiers disparates.

Cette approche ne remplace pas l’architecture d’automatisation existante. Elle crée au-dessus de celle-ci une couche d’intelligence opérationnelle.

Les plateformes les plus performantes combinent les informations provenant des systèmes de contrôle, des systèmes de gestion des actifs, des applications de maintenance, des systèmes de laboratoire, des outils de planification de la production et des communications avec les opérateurs. Elles présentent ensuite ces informations dans des interfaces conçues pour prendre des décisions opérationnelles concrètes.

Les organisations qui planifient cette transition doivent néanmoins conserver une base de contrôle fiable. Une couche moderne d’intelligence ne peut pas compenser une instrumentation instable, des alarmes incomplètes, une mauvaise conception du réseau ou des registres de maintenance incohérents. Les lecteurs qui évaluent la base de contrôle de ces projets peuvent consulter les architectures et composants actuels des systèmes de contrôle DCS utilisés dans les usines de procédés.

Figure 1. Des opérations numériques efficaces relient les paramètres des équipements, le contexte des procédés et les connaissances pratiques du personnel.

La volatilité renforce la valeur des connaissances opérationnelles

Les entreprises de procédés doivent réagir à l’évolution rapide des conditions commerciales et opérationnelles. Les prix du gaz naturel en offrent un exemple clair. Une hausse soudaine des prix peut modifier les priorités de production, les stratégies énergétiques et les objectifs d’exploitation dans l’ensemble d’une installation.

La demande du marché peut également évoluer rapidement. Une usine peut devoir produire des lots plus petits, modifier plus fréquemment les qualités de produit ou faire fonctionner les équipements au-delà de leur schéma de production traditionnel. Chaque changement introduit des interactions supplémentaires entre les procédés.

L’innovation technologique ajoute une couche supplémentaire de complexité. Les usines gèrent désormais l’automatisation conventionnelle parallèlement aux réseaux industriels, aux services cloud, à l’informatique en périphérie, aux contrôles de cybersécurité, aux analyses avancées et aux applications d’assistance à distance.

La complexité ne vient pas uniquement du nombre de technologies. Elle vient aussi des relations entre elles.

Une perturbation du procédé peut commencer par un problème mécanique. Elle peut ensuite influencer les relevés des instruments, les boucles de régulation, la qualité des produits et les cadences de production en amont. L’alarme visible peut apparaître loin de la cause initiale.

Les équipes de production ont donc besoin de plus que de simples messages d’alarme. Elles ont besoin de contexte.

Le contexte explique ce qui s’est passé avant une alarme. Il recense les conditions environnementales, les activités de maintenance, les changements de produit, les actions des opérateurs et le comportement des équipements. Il relie également l’événement actuel à des événements historiques comparables.

De nombreuses usines possèdent déjà ces informations. Le problème est leur accessibilité.

Une solution antérieure peut figurer dans un dossier de maintenance. Une autre observation utile peut apparaître dans un rapport de relève. Un opérateur à la retraite a peut-être documenté la cause dans une note informelle. Pourtant, l’équipe de la relève actuelle peut ne jamais retrouver ces documents pendant un incident en cours.

Le coût de cet échec peut être important. La production peut rester à l’arrêt pendant que les employés répètent des étapes de dépannage qui avaient échoué lors d’incidents précédents. Le personnel de maintenance peut remplacer des composants en bon état. Les opérateurs peuvent redémarrer les équipements sans comprendre la situation sous-jacente.

Chaque minute supplémentaire peut accroître les pertes de production, mobiliser les ressources de maintenance et augmenter les risques opérationnels.

Les systèmes dotés d’IA facilitent la réutilisation des connaissances historiques. Ils peuvent reconnaître les similitudes entre des données formulées différemment. Ils peuvent identifier les équipements, les conditions de fonctionnement, les symptômes et les actions correctives associés. Ils peuvent ensuite présenter les informations pertinentes avant que les équipes n’épuisent un temps précieux.

Cette capacité transforme la valeur de la documentation existante de l’usine. Les anciens rapports ne restent plus de simples archives statiques. Ils deviennent une ressource opérationnelle active.

Des informations stockées aux connaissances exploitables sur l’usine

La plupart des organisations industrielles ne souffrent pas d’une absence totale de données. Elles souffrent de données fragmentées, d’une terminologie incohérente et de méthodes de recherche limitées.

Une grande installation peut enregistrer des milliers d’événements opérationnels chaque mois. Ces enregistrements peuvent inclure des alarmes, des ordres de travail, des commentaires d’opérateurs, des écarts de procédé, des événements qualité et des constats de maintenance.

Chaque source utilise une structure différente.

Un historien de données enregistre des valeurs chronologiques. Un système informatisé de gestion de la maintenance enregistre les interventions sur les actifs. Un journal de relève consigne les observations. Un système qualité enregistre les écarts et les résultats de laboratoire. Un système d’alarme enregistre les changements d’état et les acquittements.

Ces systèmes décrivent la même usine selon des perspectives différentes.

Les outils de reporting traditionnels exigent généralement que les utilisateurs sachent où sont stockées les informations pertinentes. Ils peuvent également exiger des mots-clés exacts, des numéros d’équipement, des plages de dates ou des catégories de rapports.

Cette exigence crée une sérieuse limitation lors des événements imprévus.

Un opérateur confronté à une interruption de production peut ne pas connaître la terminologie de maintenance appropriée. Un technicien de maintenance peut ne pas connaître le nom du procédé utilisé par les opérations. Deux équipes peuvent décrire des symptômes identiques avec des mots complètement différents.

Par exemple, un opérateur peut écrire qu’une pompe était instable. Un autre peut signaler un débit oscillant. Un technicien peut décrire une pression d’aspiration intermittente. Un ingénieur procédés peut classer le même événement comme un phénomène de cavitation.

Une recherche classique par mots-clés peut considérer ces enregistrements comme sans rapport entre eux.

Un système de recherche intelligent peut analyser leur signification. Il peut reconnaître que les descriptions concernent le même schéma de fonctionnement. Il peut également examiner les balises associées, les relations entre les équipements, les ordres de travail, les conditions météorologiques et les états de production.

Cela transforme la recherche, qui passe d’une fonction de récupération de documents à un outil d’aide au raisonnement opérationnel.

Le système n’a pas besoin de déterminer seul la réponse finale. Sa première responsabilité est de faire ressortir les éléments de preuve les plus pertinents.

Les opérateurs peuvent alors examiner les événements antérieurs, comparer les conditions et déterminer si une réponse établie s’applique. Les ingénieurs peuvent valider la cause suspectée à l’aide des données de procédé. Les équipes de maintenance peuvent inspecter l’équipement avant d’effectuer des interventions inutiles.

Le résultat est un processus décisionnel plus rapide et plus rigoureux.

Une IA centrée sur l’humain maintient la responsabilité là où elle doit être

L’intelligence artificielle ne devrait pas écarter les personnes des décisions critiques de production. Elle devrait améliorer les informations dont elles disposent.

Cette distinction est particulièrement importante dans les secteurs de la chimie, de la production d’électricité, du pétrole et du gaz, de l’industrie pharmaceutique, de la métallurgie, de la production alimentaire et du traitement de l’eau. Les décisions prises dans ces environnements peuvent avoir des conséquences sur la sécurité du personnel, la conformité environnementale, la qualité des produits et des équipements coûteux.

Un algorithme ne peut pas assumer la responsabilité juridique ou opérationnelle d’une usine.

Elle peut identifier un schéma. Elle peut estimer un résultat probable. Elle peut recommander une intervention plus précoce. Toutefois, le personnel qualifié doit évaluer la recommandation dans le contexte d’exploitation actuel.

L’IA centrée sur l’humain commence donc par une répartition claire des rôles.

Le système d’automatisation assure le contrôle déterministe. Les systèmes de sécurité exécutent des fonctions de protection définies. Les applications dotées d’IA analysent les informations et mettent en évidence les relations possibles. Les opérateurs et les ingénieurs conservent le pouvoir de décision.

Cette architecture évite un malentendu important. L’IA n’a pas besoin d’un accès sans restriction aux commandes pour créer de la valeur.

De nombreuses applications utiles jouent un rôle consultatif. Elles analysent des données en lecture seule, des relevés de production, des alarmes et des communications entre équipes. Elles fournissent ensuite des informations classées par priorité ou des recommandations.

Cette organisation facilite également une adoption progressive. Une entreprise peut commencer par la recherche, la récupération des connaissances et la création de rapports. Elle peut instaurer la confiance avant d’envisager des applications prédictives plus avancées.

La confiance est essentielle, car les opérateurs rejettent rapidement les systèmes qui produisent des recommandations impertinentes ou inexpliquées.

Un assistant d’IA pratique devrait expliquer pourquoi il a présenté un résultat. Il devrait identifier l’incident associé, les conditions correspondantes, l’historique des équipements et les mesures correctives antérieures. Les utilisateurs doivent pouvoir examiner les éléments probants sous-jacents.

L’explicabilité n’exige pas de révéler chaque détail mathématique. Elle exige suffisamment de contexte opérationnel pour qu’une personne qualifiée puisse évaluer la recommandation.

Les mises en œuvre les plus réussies considèrent les opérateurs comme des participants à la conception du système. Leur terminologie, leurs flux de travail, leurs besoins en informations et leurs retours façonnent l’application finale.

Cette participation améliore la pertinence du système. Elle réduit également l’impression que la numérisation est imposée sans compréhension de la réalité de l’usine.

Figure 2. L’IA centrée sur l’humain aide le personnel de l’usine, tandis que les opérateurs conservent le contrôle et la responsabilité.

Pourquoi une logique SI-ALORS simple ne peut pas prendre en compte toutes les perturbations

L’automatisation industrielle repose depuis longtemps sur une logique déterministe. Les règles SI-ALORS restent adaptées aux séquences de commande, aux verrouillages, aux autorisations et aux actions de protection.

Cependant, les connaissances opérationnelles ne s’intègrent pas toujours dans une structure déterministe.

Une interruption de la production peut dépendre de la météo, des propriétés des matières premières, de l’état des équipements, des actions des opérateurs et des écarts antérieurs du procédé. Ces relations peuvent ne pas se produire dans le même ordre à chaque fois.

Écrire une règle distincte pour chaque combinaison possible serait irréalisable. L’ensemble de règles deviendrait difficile à maintenir. Il pourrait également échouer lorsqu’une nouvelle variante apparaîtrait.

L’IA propose une méthode différente. Elle examine les informations historiques et identifie des schémas parmi de nombreuses variables. Elle peut classer des événements similaires, même lorsque les descriptions, les séquences et les conditions diffèrent.

Considérons une ligne hypothétique de traitement de liquides en fonctionnement hivernal.

La ligne s’arrête après une série d’écarts de débit et de pression. L’équipe de poste suit la procédure standard de réinitialisation. Les instruments sont vérifiés. La pompe est redémarrée. Le procédé échoue de nouveau.

Les symptômes visibles suggèrent plusieurs causes possibles. Ils peuvent indiquer un problème de vanne, une dégradation de la pompe, une erreur d’instrument ou une restriction du débit.

Un spécialiste expérimenté de la production arrive et se souvient d’un événement similaire. Lors d’une précédente période de froid, une partie d’une conduite extérieure avait partiellement gelé. La restriction avait modifié la matière entrant dans le procédé. Cette modification avait ensuite provoqué un fonctionnement instable ailleurs sur la ligne de production.

L’explication essentielle existe en langage humain. Elle relie les conditions météorologiques, le comportement des matières, la réaction des équipements et les conséquences différées sur le procédé.

La logique conventionnelle des alarmes peut détecter chaque écart individuel. Elle peut ne pas expliquer la relation entre ces écarts.

Une plateforme dotée d’IA peut rechercher dans les journaux de poste antérieurs, les notes de maintenance et les données environnementales. Elle peut identifier l’incident précédent lié au gel et le présenter à l’équipe actuelle.

La plateforme n’a pas remplacé l’ingénieur. Elle a accéléré l’accès aux connaissances antérieures de l’ingénieur.

Cette différence est fondamentale pour l’IA industrielle.

La valeur la plus immédiate vient souvent de l’amélioration de l’accès à l’expérience humaine, plutôt que de la création d’usines entièrement autonomes.

Exemple pratique de réponse à un incident

Imaginez une usine de produits chimiques de spécialité exploitant plusieurs lignes de production parallèles. Chaque ligne comprend des pompes, des échangeurs de chaleur, des vannes de régulation, des analyseurs et des équipements de transfert par lots.

Une ligne de production commence à subir des alarmes répétées de haute pression pendant la fabrication d’une qualité de produit donnée. Les alarmes disparaissent après le rinçage de la ligne. Elles réapparaissent lors de la campagne suivante.

L’hypothèse immédiate est que la vanne de régulation reste bloquée. La maintenance inspecte l’actionneur et le positionneur. Aucun problème mécanique n’est détecté.

L’équipe remplace alors le transmetteur de pression. Le lot suivant déclenche la même alarme.

Sans plateforme d’intelligence partagée, l’enquête peut se poursuivre à travers des réunions, des feuilles de calcul et des recherches distinctes dans les systèmes. Plusieurs services peuvent répéter des analyses déjà effectuées sans savoir ce que les autres ont découvert.

Une plateforme intégrée modifie le flux de travail.

L’opérateur recherche le nom de l’équipement et décrit le symptôme en langage courant. Le système renvoie plusieurs relevés associés. L’un concerne un autre train de production. Un autre provient d’un rapport de non-conformité qualité créé dix-huit mois plus tôt.

Le rapport précédent indique qu’un fournisseur de matières premières a modifié la plage de viscosité. Le matériau demeurait conforme aux spécifications d’achat. Cependant, cela a affecté le transfert thermique lors de la fabrication d’une qualité de produit.

La modification du profil de température a augmenté la viscosité à proximité de la vanne de régulation. La résistance accrue a ensuite produit le comportement de pression observé.

L’équipe actuelle compare les lots de matières premières, les tendances de température, la position de la vanne et les données de pression. Les éléments probants étayent l’explication précédente.

L’ingénierie ajuste la séquence de chauffage dans les limites d’exploitation approuvées. Les achats réexaminent également la spécification de la matière première avec le fournisseur.

Cet exemple met en évidence plusieurs avantages importants.

Le système a relié les informations entre les trains de production. Il a associé un symptôme d’équipement à un relevé de qualité. Il a identifié une relation de procédé que le dépannage centré sur l’équipement n’avait pas détectée.

Cela a également évité le remplacement d’autres composants.

La valeur financière ne provient pas uniquement de la réduction des temps d’arrêt. L’usine évite les pièces inutiles, réduit la main-d’œuvre de maintenance, protège la qualité des produits et améliore les spécifications d’achat futures.

Figure 3. L’IA peut proposer des options de réponse fondées sur des données probantes en reliant les symptômes actuels à l’expérience antérieure de l’usine.

La recherche intelligente transforme la manière dont les équipes de quart utilisent leur expérience

La recherche intelligente est l’un des points de départ les plus pratiques pour l’IA industrielle. Elle répond à un problème immédiat sans nécessiter de contrôle autonome.

Les organisations de production possèdent déjà des années d’expérience opérationnelle. Le défi consiste à retrouver l’expérience adéquate au moment voulu.

Une application de recherche intelligente peut traiter des requêtes en langage naturel. Elle peut également analyser les relations entre les équipements, les horodatages, les zones de procédé, les séquences d’alarmes et le contexte documentaire.

Cela permet à un utilisateur d’effectuer une recherche par sens plutôt que par formulation exacte.

Supposons que deux employés décrivent différemment le même événement. L’un écrit que la ligne s’est arrêtée après des conditions d’alimentation instables. L’autre écrit que le procédé s’est déclenché à la suite de fluctuations de la pression d’entrée.

Une troisième personne peut noter que la pompe de transfert en amont a perdu son amorçage.

Une plateforme intelligente peut associer ces descriptions grâce à un contexte de processus commun. Elle peut identifier le même train d’équipements, le même schéma temporel ou la même condition d’exploitation.

La plateforme peut alors renvoyer les incidents associés et les classer par pertinence.

Le classement est important, car les bases de données industrielles peuvent contenir des milliers de correspondances possibles. Les utilisateurs n’ont pas besoin de tous les dossiers contenant un mot familier. Ils ont besoin des dossiers les plus susceptibles d’étayer la décision actuelle.

Les facteurs de classement utiles peuvent inclure l’identité de l’équipement, l’unité de procédé, le mode de fonctionnement, les conditions environnementales, la qualité du produit, la séquence d’alarmes, l’historique de maintenance et les résultats des actions correctives.

Le système doit également distinguer les interventions réussies des tentatives infructueuses.

Une note de maintenance indiquant qu’un instrument a été remplacé ne prouve pas que ce remplacement a résolu le problème. La plateforme doit examiner les dossiers ultérieurs et le comportement du processus.

Cela empêche les équipes de répéter une action antérieure simplement parce qu’elle apparaît dans un rapport.

La recherche intelligente peut également révéler des lacunes dans les connaissances. Si de nombreux incidents comportent des conclusions incomplètes, la direction peut améliorer les normes de compte rendu. Si des problèmes identiques sont décrits différemment, l’organisation peut renforcer les recommandations terminologiques.

La recherche devient donc à la fois un outil de dépannage et un outil d’amélioration de la qualité des connaissances.

L’apprentissage automatique et la programmation classique jouent des rôles différents

La programmation classique commence par des règles définies par des personnes. Un programmeur spécifie les entrées, les conditions et les sorties requises.

Cette méthode reste essentielle pour les fonctions industrielles prévisibles. Une séquence de démarrage de moteur doit suivre une logique vérifiée. Une fonction d’arrêt doit s’exécuter conformément à une conception de sécurité testée.

L’apprentissage automatique a un objectif différent.

Au lieu de définir manuellement chaque relation, les ingénieurs fournissent des données et des objectifs. L’algorithme identifie des schémas qui aident à distinguer les résultats pertinents.

Par exemple, un modèle peut examiner les vibrations, la température, la charge, les conditions de lubrification, l’historique de maintenance et les heures de fonctionnement. Il peut identifier des combinaisons associées à une dégradation antérieure de l’équipement.

Le modèle peut alors estimer la probabilité qu’une condition similaire se développe.

Ces estimations ne sont pas des faits absolus. Il s’agit de résultats probabilistes fondés sur les données disponibles.

Les équipes industrielles doivent donc comprendre le niveau de confiance, les limites des données et les limites de fonctionnement. Un modèle entraîné pendant une production normale peut être peu performant lors du démarrage. Un modèle développé pour un compresseur peut ne pas s’appliquer à une autre conception.

L’apprentissage automatique dépend également des étiquettes et des résultats historiques. Si les dossiers de maintenance classent incorrectement les défaillances, le modèle peut apprendre des relations trompeuses.

Pour ces raisons, le déploiement de l’IA nécessite une collaboration entre les spécialistes des données et les experts du domaine.

Les spécialistes des données comprennent l’architecture des modèles, la validation et les indicateurs de performance. Les ingénieurs procédés comprennent les modes de fonctionnement et les interactions entre les processus. Les professionnels de la maintenance comprennent les mécanismes de défaillance. Les opérateurs savent ce qui se passe réellement pendant les quarts de travail.

Aucun groupe ne possède à lui seul une vision complète.

Une mise en œuvre efficace réunit ces perspectives dès le début.

La qualité des données détermine la valeur de l’IA industrielle

Les données sont une exigence fondamentale de l’intelligence artificielle. La quantité compte, mais la qualité compte davantage.

Une usine peut collecter des millions de points de données tout en ne disposant toujours pas d’un contexte fiable. Les valeurs des capteurs peuvent être incomplètes. Les horodatages peuvent être incohérents. Les noms des équipements peuvent différer d’un système à l’autre. Les ordres de travail peuvent contenir des descriptions vagues.

Une plateforme d’IA ne peut pas corriger automatiquement toutes les faiblesses structurelles.

La qualité des données commence par l’instrumentation. Les capteurs doivent être adaptés à l’application. Les pratiques d’étalonnage doivent être maintenues. Les valeurs de mauvaise qualité doivent être identifiées. La synchronisation temporelle doit rester cohérente entre les systèmes.

Les données contextuelles sont tout aussi importantes.

Une valeur de température a une signification limitée sans l’identité de l’équipement, l’unité de procédé, le mode de fonctionnement, la qualité du produit et l’horodatage. Une alarme est plus utile lorsqu’elle est associée à sa priorité, à ses changements d’état, à son acquittement et aux conditions de procédé environnantes.

Les relevés saisis par des personnes nécessitent également une attention particulière.

Les relevés d’équipe doivent identifier l’actif et la zone de procédé concernés. Les rapports de maintenance doivent distinguer les symptômes, les actions, les constatations et les causes confirmées. Les dossiers d’incident doivent indiquer si les actions correctives ont été efficaces.

Les organisations n’ont pas besoin d’un langage parfaitement standardisé avant de commencer. Le traitement automatique du langage peut gérer les variations. Toutefois, un contexte totalement absent ne peut pas être reconstitué de manière fiable.

Un examen pratique de la préparation des données doit couvrir plusieurs domaines.

Premièrement, il doit identifier les systèmes contenant des connaissances opérationnelles utiles. Deuxièmement, il doit évaluer l’accessibilité et la responsabilité de ces données. Troisièmement, il doit évaluer la cohérence de la dénomination et la qualité des horodatages. Quatrièmement, il doit examiner les exigences en matière de cybersécurité et de conservation.

L’examen doit également permettre d’identifier les informations sensibles. Certaines notes de maintenance peuvent contenir des données personnelles. Les dossiers de production peuvent inclure des formulations confidentielles. Les journaux d’accès à distance peuvent révéler des informations de sécurité.

La gouvernance des données doit définir quelles informations une application d’IA peut traiter. Elle doit également définir qui peut consulter chaque résultat.

Une gouvernance solide ne bloque pas l’innovation. Elle crée des limites sûres pour un déploiement durable.

La communication interactive entre équipes crée une base de connaissances vivante

Les opérations en équipes reposent sur la communication. L’état des équipements, les limites d’exploitation temporaires, les activités de maintenance, les problèmes de qualité et les priorités de production doivent être transmis d’une équipe à l’autre.

Les relevés papier et les feuilles de calcul isolées entraînent souvent une perte d’informations. Des observations importantes peuvent rester avec l’équipe qui termine son poste. Des conversations informelles peuvent ne jamais être consignées dans un registre permanent.

Une plateforme d’entreprise peut fournir une vue opérationnelle partagée. Elle peut afficher les performances de l’installation, les ordres de travail actifs, les incidents, les consignes temporaires et les risques non résolus.

Les équipes de quart peuvent consigner les entrées dans un flux de travail numérique cohérent. Chaque entrée peut inclure l’heure, l’équipement, la zone de procédé, la priorité, les pièces jointes et la personne responsable du suivi.

Cette structure facilite le respect des exigences d’audit. Elle rend également l’information consultable.

La base de connaissances s’enrichit à chaque entrée utile. Un problème résolu aujourd’hui devient une ressource pour un poste futur.

L’utilisation entre sites peut créer une valeur supplémentaire. Une entreprise exploitant plusieurs installations similaires peut comparer les événements entre les différents sites. Un site peut déjà avoir résolu un problème qui semble nouveau ailleurs.

Cette fonctionnalité est particulièrement utile pour les parcs d’équipements standardisés. Plusieurs installations peuvent utiliser le même compresseur, la même plateforme de contrôle, le même analyseur ou le même système de sécurité.

Cependant, le partage entre sites doit s’accompagner de contexte. Une solution provenant d’une installation peut ne pas s’appliquer directement à une autre configuration de procédé. La plateforme devrait présenter l’information comme un élément probant, et non comme une instruction automatique.

Les passations de poste deviennent également plus efficaces lorsque les problèmes non résolus restent visibles.

L’équipe entrante peut voir quelles alarmes se sont déclenchées, quelles actions ont été tentées et quelles tâches de maintenance restent ouvertes. Elle peut examiner les tendances du procédé avant d’accepter la responsabilité.

La recherche intelligente ajoute une couche supplémentaire. Elle peut identifier des passations antérieures présentant des symptômes similaires. Elle peut également montrer quelles stratégies d’intervention ont produit des résultats stables.

L’objectif global est d’assurer la continuité.

Les connaissances de production devraient rester accessibles lorsque les personnes changent de poste, de service ou d’employeur.

Le contexte en temps réel améliore à la fois l’efficacité et la sécurité

Les connaissances historiques deviennent plus utiles lorsqu’elles sont mises en relation avec les conditions actuelles de l’installation.

Une plateforme peut identifier un incident antérieur, mais l’événement actuel peut différer sur des points importants. Les données en temps réel permettent à l’équipe de comparer ces différences.

Par exemple, un déclenchement antérieur de la pompe peut avoir eu lieu à forte charge. Le déclenchement actuel peut se produire au démarrage. La séquence d’alarmes peut sembler similaire, mais le contexte d’exploitation modifie la cause probable.

L’intégration en temps réel peut afficher les valeurs actuelles du procédé, les états des alarmes, la disponibilité des équipements et le mode de production. Elle peut également afficher les autorisations de maintenance actives ou les modifications récentes de configuration.

Ce contexte réduit le risque d’appliquer aveuglément une ancienne solution.

L’amélioration de la circulation de l’information peut également renforcer la sécurité.

Les opérateurs peuvent être avertis plus tôt de l’évolution de certaines conditions. Les équipes de maintenance peuvent reconnaître des symptômes récurrents avant que l’équipement n’atteigne un état critique. Les superviseurs peuvent repérer des problèmes non résolus sur plusieurs postes consécutifs.

L’IA ne devrait pas contourner les procédures de sécurité établies. Elle devrait renforcer la connaissance de la situation dans ce cadre.

Toute recommandation ayant une incidence sur l’exploitation doit rester conforme aux procédures approuvées, aux limites d’exploitation, aux exigences de gestion des modifications et aux fonctions instrumentées de sécurité.

La plateforme doit également signaler lorsque les informations sont incertaines. Elle ne doit pas présenter des résultats à faible niveau de confiance comme des causes confirmées.

Une incertitude clairement exprimée favorise une vérification appropriée.

Figure 4. Le contexte opérationnel en temps réel aide les équipes à évaluer les recommandations et à protéger la sécurité de l’usine.

Construire l’architecture de l’information qui sous-tend l’IA

Une application d’IA dépend de l’architecture qui relie les systèmes de l’usine. Cette architecture doit collecter les informations sans perturber les fonctions de contrôle critiques.

Une conception courante sépare les environnements de contrôle, d’exploitation et d’entreprise au moyen de zones réseau administrées. Les données transitent par des interfaces approuvées, des historiques, des passerelles ou des plateformes en périphérie.

Les systèmes de contrôle restent responsables du fonctionnement déterministe. La plateforme d’IA reçoit les données sélectionnées pour les analyser et les présenter.

Cette séparation réduit les risques. Elle permet également aux équipes de cybersécurité d’appliquer des contrôles d’accès, une surveillance et des restrictions des flux de données.

La fiabilité des communications industrielles demeure importante dans toute l’architecture. Les données manquantes, les passerelles instables ou une synchronisation temporelle incohérente peuvent réduire la précision analytique.

Les organisations qui étendent la connectivité de leurs usines peuvent examiner les composants de communication et de mise en réseau industriels disponibles, utilisés pour connecter les contrôleurs, les E/S déportées, les passerelles et les plateformes de supervision.

L’architecture doit définir plusieurs chemins d’information.

Un chemin transporte les données de processus en série temporelle. Un autre transporte les alarmes et les événements. D’autres chemins peuvent transporter les dossiers de maintenance, les ordres de production, les résultats de laboratoire et les communications entre équipes.

Le système doit préserver l’identité de la source. Les utilisateurs doivent savoir si une recommandation provient de données d’historique, d’un ordre de travail, d’une note d’opérateur ou d’un document d’ingénierie.

La traçabilité des données favorise la confiance et l’audit. Elle aide également les ingénieurs à enquêter sur les résultats incorrects.

Le traitement en périphérie peut être utile lorsque la bande passante est limitée ou que les données ne peuvent pas quitter le site. Le traitement dans le cloud peut offrir une capacité de calcul évolutive et une analyse centralisée entre plusieurs sites.

De nombreuses organisations utilisent un modèle hybride.

La collecte et le prétraitement immédiats des données s’effectuent à proximité de l’usine. Les informations approuvées sont ensuite transférées vers une plateforme centralisée pour une analyse plus large.

La conception appropriée dépend des politiques de cybersécurité, des exigences de latence, du volume de données, des obligations réglementaires et de la connectivité du site.

La cybersécurité doit être intégrée à la plateforme dès sa conception

L’IA industrielle accroît la connectivité et l’utilisation des données. Elle crée donc des considérations supplémentaires en matière de cybersécurité.

Le premier principe est celui du moindre privilège. Une application analytique ne doit recevoir que les accès nécessaires à sa fonction.

Une plateforme de recherche intelligente peut avoir besoin d’un accès en lecture aux journaux de relève, aux ordres de travail et à certaines données de processus. Elle n’a généralement pas besoin de l’autorisation de modifier la logique des contrôleurs.

La gestion des identités doit définir qui peut rechercher, consulter, exporter et administrer les informations. Les accès peuvent différer entre les opérateurs, les ingénieurs, les sous-traitants et les analystes du siège.

La segmentation du réseau doit protéger les zones de contrôle critiques. Le transfert de données doit utiliser des interfaces contrôlées. Les connexions à distance doivent respecter des pratiques approuvées d’authentification et de surveillance.

La sécurité des modèles exige également une attention particulière.

Un attaquant pourrait tenter de manipuler les données, de modifier les informations d’entraînement ou de soumettre du contenu trompeur. Des documents mal contrôlés pourraient influencer les résultats de recherche et les recommandations.

Les organisations doivent valider les systèmes sources et surveiller les changements inhabituels. Elles doivent également assurer le contrôle des versions des modèles, des invites, des index et des bases de connaissances.

Les journaux d’audit doivent enregistrer les principales actions administratives. Les équipes doivent savoir quand un modèle a été modifié, quelles données ont été utilisées et qui a approuvé le déploiement.

Les évaluations de cybersécurité doivent se poursuivre après la mise en œuvre. Les nouvelles intégrations, sources de données et groupes d’utilisateurs peuvent modifier le profil de risque.

La sécurité doit donc rester une composante du cycle de vie de la plateforme.

La gouvernance des connaissances évite la confusion numérique

L’IA peut récupérer rapidement des informations, mais la rapidité seule ne garantit pas l’exactitude.

Les dossiers industriels peuvent contenir des procédures obsolètes, des conclusions incomplètes ou des solutions de contournement temporaires. Un système de recommandation doit distinguer les sources faisant autorité des sources informelles.

La gouvernance des connaissances définit ces distinctions.

Les procédures d’exploitation approuvées doivent avoir un statut différent de celui des commentaires informels. Les rapports vérifiés sur les causes profondes doivent avoir plus d’autorité qu’une première note de dépannage.

La plateforme peut afficher le type de source, le statut d’approbation, la date, la révision et le responsable. Elle peut également avertir les utilisateurs lorsqu’un document a expiré.

Les organisations doivent définir comment de nouvelles connaissances deviennent des connaissances fiables.

Un opérateur peut consigner une observation. L’ingénierie peut l’examiner. La maintenance peut confirmer l’état de l’équipement. Un superviseur peut approuver l’action corrective finale.

La plateforme doit préserver cette progression.

Cela évite de considérer chaque affirmation comme étant aussi fiable que les autres.

Les retours sont également essentiels. Les utilisateurs doivent pouvoir signaler qu’un résultat est pertinent, obsolète ou incorrect. Les experts du domaine peuvent ensuite examiner le contenu contesté.

Au fil du temps, ces retours améliorent la qualité de la récupération des informations. Ils identifient également les domaines dans lesquels la documentation doit être améliorée.

La responsabilité des connaissances doit rester clairement définie. Chaque domaine de processus, catégorie d’équipements ou catégorie de procédures devrait avoir une équipe responsable.

Sans responsable, le contenu numérique s’accumule sans être révisé. Le résultat devient une nouvelle archive difficile à exploiter.

Mesurer la valeur opérationnelle au-delà de la précision de l’IA

Les projets d’IA industrielle devraient être évalués au moyen de résultats opérationnels. Un modèle techniquement précis a une valeur limitée lorsqu’il n’améliore pas le travail dans l’usine.

Les mesures utiles dépendent de l’application.

Pour la réponse aux incidents, les organisations peuvent suivre le délai moyen d’identification, le délai moyen de réparation, la fréquence des défaillances répétées et la durée des pertes de production.

Pour la communication entre les équipes, elles peuvent suivre les éléments non résolus lors des passations, les actions en retard, les informations manquantes dans les journaux et les activités répétées de dépannage.

Pour l’assistance à la maintenance, elles peuvent suivre les remplacements inutiles de composants, les interventions d’urgence, les ordres de travail répétés et le temps de diagnostic.

Les performances de recherche sont également importantes. Les équipes peuvent mesurer si les utilisateurs trouvent les dossiers pertinents, la rapidité avec laquelle ils accèdent aux informations utiles et si les recommandations contribuent à la résolution finale.

L’adoption par les utilisateurs est un autre indicateur important.

Si les opérateurs cessent d’utiliser le système, l’organisation devrait chercher à comprendre pourquoi. Les résultats sont peut-être trop généraux. L’interface peut interrompre le processus de travail. Les données peuvent être obsolètes. Les utilisateurs peuvent ne pas comprendre la logique de classement.

Une faible adoption ne doit pas automatiquement être considérée comme une résistance au changement. Elle peut révéler un problème de conception.

L’évaluation financière devrait inclure les pertes évitées, la réduction de la main-d’œuvre, l’amélioration de la production et la diminution de la consommation liée à la maintenance. Cependant, tous les bénéfices ne nécessitent pas une conversion monétaire immédiate.

Une meilleure conservation des connaissances, des passations plus efficaces et des décisions plus sûres créent également une valeur à long terme.

Un tableau de bord équilibré devrait combiner des facteurs techniques, opérationnels, financiers et humains.

Commencer par un cas d’usage industriel ciblé

De nombreux programmes d’IA échouent parce qu’ils commencent par une plateforme plutôt que par un problème.

Une entreprise achète un logiciel avancé, puis cherche des utilisations possibles. Cette approche produit souvent des démonstrations sans valeur opérationnelle durable.

Une meilleure approche commence par un problème récurrent de l’usine.

Le problème doit être suffisamment important pour justifier une action. Il doit également disposer d’informations historiques accessibles et d’un responsable opérationnel clairement identifié.

Les déclenchements répétés d’équipements, les passations de quart difficiles, les enquêtes lentes sur les incidents et les connaissances de maintenance fragmentées sont des exemples appropriés.

Le premier projet devrait avoir des limites clairement définies. Une unité de production, une catégorie d’équipements ou une perturbation récurrente peuvent suffire.

Un périmètre ciblé simplifie la préparation des données et l’adoption par les utilisateurs. Il facilite également la mesure de la valeur.

L’équipe projet devrait documenter le processus de travail actuel avant d’introduire l’IA.

Comment les employés reconnaissent-ils le problème ? Dans quels systèmes effectuent-ils leurs recherches ? Qui intervient ? Combien de temps le diagnostic prend-il ? Quels enregistrements manquent généralement ?

Cette base de référence permet d’éviter les affirmations vagues sur les améliorations.

L’équipe peut alors concevoir le flux de travail assisté par l’IA. Les utilisateurs doivent savoir où apparaissent les recommandations, comment examiner les éléments probants et comment consigner les résultats.

Un projet pilote doit être mené avec de vrais utilisateurs dans le cadre du travail normal. Les essais en laboratoire seuls ne peuvent pas reproduire la pression d’un quart, les informations incomplètes ou les priorités concurrentes.

Les retours doivent conduire à des ajustements rapides. Les filtres de recherche, la terminologie, le classement et la conception des écrans peuvent nécessiter plusieurs révisions.

L’objectif n’est pas de prouver que l’IA fonctionne en principe. L’objectif est d’améliorer un processus industriel précis.

Feuille de route par phases pour le déploiement dans l’usine

Une mise en œuvre pratique peut progresser à travers plusieurs niveaux de maturité.

La première étape établit des enregistrements numériques. Les journaux de quart, les incidents et les ordres de travail deviennent accessibles au moyen d’interfaces cohérentes.

La deuxième étape relie les enregistrements entre les systèmes. Les identités des équipements, les horodatages et les zones de procédé permettent aux utilisateurs de naviguer parmi les informations connexes.

La troisième étape introduit une recherche intelligente. Le traitement automatique du langage naturel et le classement sémantique aident les utilisateurs à trouver des événements similaires.

La quatrième étape ajoute des recommandations contextuelles. La plateforme compare les conditions actuelles d’exploitation aux résultats historiques.

La cinquième étape introduit des applications prédictives. Les modèles identifient les conditions en cours d’apparition et fournissent une alerte plus précoce.

La sixième étape peut prendre en charge une optimisation en boucle fermée dans des limites soigneusement approuvées.

Toutes les organisations n’ont pas besoin d’atteindre l’étape finale. Une valeur significative peut déjà être créée grâce aux applications de recherche, de communication et d’aide à la décision.

Chaque étape doit inclure la gouvernance, la cybersécurité, la validation et la formation des utilisateurs.

L’expansion ne doit avoir lieu qu’une fois l’étape précédente exécutée de manière fiable.

Cette approche par phases réduit les risques techniques. Elle permet également au personnel de renforcer progressivement sa confiance.

La direction de l’usine doit expliquer que l’adoption de l’IA est un programme d’amélioration opérationnelle. Il ne s’agit pas simplement d’un déploiement informatique.

Les services des opérations, de la maintenance, de l’ingénierie, de la sécurité, de la qualité et de la cybersécurité, ainsi que la direction, doivent partager la responsabilité.

Former les opérateurs à évaluer les recommandations de l’IA

Les employés ont besoin de plus que de simples instructions sur les logiciels. Ils doivent comprendre concrètement comment les recommandations sont produites et dans quels cas elles peuvent être erronées.

La formation doit expliquer que l’IA identifie des schémas. Elle ne dispose pas d’une connaissance complète de l’usine.

Les utilisateurs doivent apprendre à examiner les sources, les horodatages, le contexte des équipements et les indicateurs de confiance. Ils doivent comparer les recommandations aux conditions actuelles du procédé.

Les scénarios de formation peuvent s’appuyer sur des incidents historiques réels. Les équipes peuvent examiner les résultats de la plateforme et discuter de la question de savoir si les éléments probants proposés auraient étayé la décision prise à l’époque.

Cet exercice développe les compétences d’évaluation critique.

Les employés doivent également savoir comment signaler les résultats incorrects. Un processus de retour d’information simple encourage l’amélioration continue.

Les managers doivent éviter de sanctionner les utilisateurs qui remettent le système en question. Un scepticisme sain améliore la sécurité.

Parallèlement, les équipes doivent éviter d’écarter les recommandations sans les examiner. La plateforme peut identifier des relations qui ne sont pas immédiatement évidentes.

Le comportement recherché est une évaluation rigoureuse.

Les opérateurs examinent les éléments probants. Les ingénieurs confirment la logique du processus. La maintenance vérifie l’état des équipements. La personne responsable décide ensuite de l’action à entreprendre.

Ce flux de travail associe la rapidité des machines au jugement humain.

Préserver les connaissances tacites lors des changements de personnel

De nombreux sites industriels dépendent d’employés possédant plusieurs décennies d’expérience pratique. Ces spécialistes reconnaissent des sons, des tendances et des conditions de fonctionnement subtiles qui ne sont pas entièrement documentés.

Les départs à la retraite et la mobilité de la main-d’œuvre menacent ces connaissances.

Le transfert traditionnel des connaissances repose souvent sur le mentorat informel. Cette méthode reste précieuse, mais elle est difficile à déployer à grande échelle. Elle dépend également du fait que les employés travaillent ensemble suffisamment longtemps.

Les plateformes numériques peuvent favoriser une approche plus systématique.

Les employés expérimentés peuvent consigner les explications des événements, la logique de dépannage et les relations entre les processus. Les entretiens peuvent être associés aux dossiers des équipements. Les enseignements peuvent être reliés à des tendances historiques réelles.

L’IA peut ensuite faciliter la recherche de ces informations.

L’objectif n’est pas de transformer chaque expérience en procédure rigide. Certaines connaissances sont conditionnelles. Elles doivent rester liées aux circonstances qui les ont rendues valides.

Par exemple, un réglage opérationnel peut n’avoir fonctionné que pour une qualité de produit précise. Une solution de dépannage peut avoir été temporaire. Un profil de vibrations peut ne s’appliquer qu’à une charge donnée.

Le contexte protège les futurs utilisateurs contre les généralisations abusives.

La capitalisation des connaissances doit donc inclure le symptôme, l’état de fonctionnement, le raisonnement, l’action, le résultat et les limites.

Cette structure crée une mémoire technique plus solide pour l’organisation.

La place de l’IA générative dans les opérations de procédés

L’IA générative ouvre des possibilités supplémentaires pour les plateformes industrielles. Elle peut résumer l’activité des équipes, expliquer les relations, rédiger des rapports d’incident et répondre aux questions à partir de documents approuvés de l’usine.

Ces fonctions peuvent réduire la charge administrative. Elles peuvent également aider les utilisateurs à parcourir de vastes bibliothèques techniques.

Cependant, les résultats génératifs nécessitent des contrôles stricts.

Un modèle de langage peut produire une affirmation convaincante, mais incomplète ou incorrecte. Les utilisateurs industriels doivent donc voir les sources qui l’étayent.

La génération augmentée par récupération constitue une approche utile. Le système récupère d’abord les informations approuvées sur l’installation. Il utilise ensuite ces informations pour construire une réponse.

La réponse devrait inclure des références aux procédures, aux ordres de travail, aux tendances ou aux comptes rendus d’incidents. Les utilisateurs peuvent alors vérifier la réponse.

Les actions importantes ne doivent jamais dépendre d’une affirmation générée qui n’est étayée par aucune source.

Les organisations devraient également contrôler les documents auxquels le modèle peut accéder. Les procédures provisoires, les manuels obsolètes et les contenus Internet sans rapport peuvent produire des recommandations dangereuses.

La journalisation des requêtes et des réponses peut faciliter les audits. Les informations sensibles doivent bénéficier d’une protection appropriée.

L’IA générative fonctionne mieux comme interface d’accès à des connaissances fiables. Elle ne doit pas devenir une source incontrôlée d’autorité technique.

Erreurs courantes de mise en œuvre

Plusieurs erreurs limitent régulièrement les projets d’IA industrielle.

La première consiste à choisir un objectif trop vaste. Améliorer l’ensemble de l’installation grâce à l’IA ne constitue pas un cas d’usage gérable.

La deuxième consiste à négliger la qualité des données. Les modèles avancés ne peuvent pas compenser un contexte incomplet et des dossiers peu fiables.

La troisième consiste à exclure les opérateurs. Un système conçu sans la contribution des équipes de quart peut ne pas correspondre aux flux de travail réels.

La quatrième consiste à mesurer uniquement la précision du modèle. La valeur opérationnelle comprend le temps de réponse, l’adoption, la récurrence des défaillances et l’efficacité de la maintenance.

La cinquième consiste à dissimuler les éléments probants derrière les recommandations. Les utilisateurs ont besoin de sources traçables.

La sixième consiste à connecter la plateforme trop profondément avant d’avoir établi la confiance. Les applications de conseil constituent généralement un point de départ plus sûr.

La septième consiste à traiter la cybersécurité comme un contrôle final. Les exigences de sécurité influencent l’architecture dès le début.

La huitième consiste à ne pas assurer la maintenance de la plateforme. Les changements d’équipements, les modifications des procédés et les nouveaux documents peuvent réduire ses performances.

La neuvième consiste à présenter l’IA comme un remplacement de l’expérience. Ce message suscite de la résistance et mécomprend le rôle le plus important de cette technologie.

La dixième consiste à considérer chaque action historique comme correcte. Les dossiers antérieurs contiennent des tentatives de dépannage infructueuses et des solutions de contournement temporaires.

Une plateforme correctement gouvernée doit distinguer les éléments probants des preuves.

L’avenir repose sur une exploitation humaine assistée par des machines

L’industrie des procédés continuera de dépendre de personnes qualifiées. Les systèmes de production sont trop complexes, variables et essentiels à la sécurité pour que la responsabilité disparaisse au profit d’un algorithme.

Cependant, les équipes ne devraient pas consacrer un temps précieux à rechercher des informations dans des dossiers déconnectés lors d’événements urgents.

Les plateformes dotées de capacités d’IA peuvent réduire cette charge. Elles peuvent organiser les connaissances sur l’installation, relier les événements historiques et présenter les éléments pertinents au moment où ils sont nécessaires.

Les systèmes les plus utiles combineront plusieurs capacités.

Ils enregistreront les communications interactives entre les équipes. Ils relieront le contexte des procédés à celui de la maintenance. Ils prendront en charge la recherche en langage naturel. Ils préserveront la traçabilité des sources. Ils apprendront des retours des utilisateurs.

Ils respecteront également les limites opérationnelles.

Les systèmes de contrôle continueront d’exécuter des fonctions déterministes. Les systèmes de sécurité continueront de protéger les équipements et le personnel. L’IA fournira une couche supplémentaire d’analyse et d’aide à la décision.

Cette combinaison crée une exploitation assistée par machine et pilotée par l’humain.

La machine traite de grands volumes d’informations. Elle reconnaît les relations entre les dossiers. Elle retrouve plus rapidement les expériences pertinentes qu’une personne ne pourrait le faire par une recherche manuelle.

L’être humain évalue les éléments probants. Il comprend les priorités actuelles de l’usine. Il prend en compte les conséquences en matière de sécurité, de production, de maintenance et de réglementation.

Ensemble, ces capacités peuvent améliorer l’efficacité de la production sans affaiblir la responsabilité.

Transformer l’historique de l’usine en avantage opérationnel

Chaque usine de procédés crée des connaissances chaque jour. Les opérateurs observent des comportements anormaux. Les techniciens découvrent les mécanismes de défaillance. Les ingénieurs testent des améliorations. Les superviseurs coordonnent les interventions entre les équipes.

Une grande partie de ces connaissances disparaît dans des systèmes déconnectés.

Les plateformes d’entreprise dotées d’IA offrent un moyen de la préserver et de la réutiliser. Elles transforment les archives historiques en une ressource active pour la prise de décision.

Les possibilités vont au-delà d’une recherche plus rapide.

Les usines peuvent réduire les dépannages répétitifs. Elles peuvent améliorer la continuité entre les équipes. Elles peuvent identifier les faiblesses récurrentes. Elles peuvent renforcer la planification de la maintenance. Elles peuvent préserver l’expérience lors des changements de personnel.

Elles peuvent également instaurer une relation plus cohérente entre les données et le jugement humain.

La réussite exige plus que l’installation d’un logiciel. Elle nécessite des données d’automatisation fiables, une architecture de l’information réfléchie, des contrôles de cybersécurité, une gouvernance des connaissances et une participation continue du personnel.

Les organisations devraient commencer par définir clairement un problème opérationnel. Elles devraient mesurer les résultats réels. Elles ne devraient se développer qu’une fois que les utilisateurs ont confiance dans le système et dans les éléments probants qui le sous-tendent.

L’avenir des opérations de procédés ne consiste pas à choisir entre les personnes et les machines.

Il s’agit d’un partenariat fondé sur la rigueur, dans lequel les machines facilitent l’utilisation des connaissances, tandis que les personnes restent responsables de l’usine.