L'IA au service des opérations
Gouvernance
Analyses et indicateurs clés de performance (KPI)

Explications sur la préparation des données de production pour l'IA

Mike McKay

AI Summary

Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.

La « préparation des données de production » désigne un état dans lequel les données opérationnelles ne sont pas seulement exactes, mais également contextualisées: cela signifie que chaque donnée (par exemple, la température) est automatiquement associée à son contexte (identifiant du collaborateur, Ordre de travail, état de la machine) au moment de sa création, ce qui la rend immédiatement exploitable par les modèles d'IA sans qu'un nettoyage manuel ne soit nécessaire.

Pendant des années, on a fait croire aux fabricants que, pour se préparer à l'intelligence artificielle, ils avaient besoin du « big data ». Ils ont donc dépensé des millions pour créer des lacs de données, en transférant des téraoctets de données issues de capteurs vers le cloud.

Aujourd'hui, la plupart de ces « lacs » sont en réalité des « marécages de données ». Les données sont bien là, mais elles sont inutilisables. Pourquoi ? Parce qu'une mesure de vibration de 0,54 mm/s ne signifie rien pour une IA si celle-ci ne sait pas quel produit était en cours de fabrication, qui faisait fonctionner la machine et si celle-ci était censée être à l'arrêt.

La préparation des données n'est pas une question de volume. C'est une question de contexte. Sans cela, votre stratégie d'IA restera bloquée au stade pilote.

Le « Context Gap » : pourquoi les modèles d'IA échouent dans le secteur de l'industrie manufacturière

Dans le monde de la consommation, les données s'inscrivent naturellement dans un contexte. Une transaction par carte bancaire comporte des informations relatives à l'utilisateur, au commerçant, à la date et à l'heure, ainsi qu'à la localisation, qui sont intégrées au fichier.

Dans le secteur industriel, les données sont dispersées à travers la pile ISA-95 :

  • L'automate (au niveau de la machine) connaît la température.
  • L'ERP (au niveau de l'entreprise) connaît l'Ordre de travail.
  • Le MES (niveau d'exécution) connaît l'opérateur.

Pour un modèle d'IA, il s'agit de trois langues sans rapport entre elles. C'est ce qu'on appelle le « Context Gap ».

Comprendre les « hallucinations » de l'IA

Lorsque vous alimentez une IA avec des données brutes et disparates, vous vous exposez à un risque d'ambiguïté.

Si un opérateur demande à un assistant IA : « Pourquoi la ligne 1 s'est-elle arrêtée ? », et que l'IA ne détecte qu'un signal « Motor_Amps : 0 », elle pourrait conclure à tort à une panne mécanique.

Toutefois, si cette donnée avait été replacée dans son contexte à l'aide d'une balise « State: Planned_Changeover », l'IA aurait correctement identifié l'événement comme une procédure standard. C'est le contexte qui fait la différence entre une information utile et un mensonge dangereux.

Les trois piliers d'une architecture de données adaptée à l'IA

Pour passer d'une situation chaotique à une véritable stratégie, votre architecture de données doit répondre à trois niveaux spécifiques :

1. Structure (le schéma sémantique)

Les systèmes existants utilisent des étiquettes peu claires telles que « PLC_Tag_101 » ou « Register_4002 ». Cela nécessite l'intervention d'une personne pour effectuer manuellement le mappage de chaque point.

Les données « AI-Ready » s'appuient sur un modèle sémantique (par exemple : Site/Zone/Ligne/Four_1/Température). Cela garantit que lorsqu'une IA recherche la « température du four », elle la trouve instantanément sur tous les sites, que le four soit de marque Siemens ou Allen-Bradley.

2. Contexte (les métadonnées)

C'est là le chaînon manquant le plus crucial. Les données issues des machines doivent être enrichies par un contexte humain.

  • Données brutes : « La machine s'est arrêtée à 10 h. »
  • Données contextualisées : « La machine s'est arrêtée à 10 h 00 lors du changement de production effectué par l'opérateur John pour le produit X. »
  • Apps constituent le meilleur moyen de collecter ces données centrées sur l'humain, car elles enregistrent naturellement les éléments « qui, quoi et pourquoi » en plus du « quand » fourni par la machine.
3. Accès (le protocole)

Les intégrations point à point traditionnelles (requêtes SQL, appels d'API) sont trop rigides pour l'IA. Elles créent des dépendances étroites.

L'IA nécessite une architecture Pub/Sub (telle que MQTT/Sparkplug), dans laquelle les données sont publiées vers un courtier central. Cela permet à un agent d'IA de simplement « s'abonner » à un flux de données sans qu'il soit nécessaire de recourir à une intégration sur mesure développée par le service informatique.

Le rôle de l'espace de noms unifié (UNS)

La solution architecturale au « Context Gap » est l'espace de noms unifié (UNS).

Considérez l'UNS comme le système nerveux central de votre usine. Au lieu de connecter chaque application à chaque machine, tous les systèmes transmettent leurs données à un hub central, selon une hiérarchie claire.

  • La machine affiche : Ligne 1/Four/Température : 400
  • L'App e affiche : Ligne 1/Four/État : Actif
  • L'IA s'abonne à Line1/Oven/# et voit immédiatement les deux.

En mettant en œuvre un UNS, vous garantissez que le contexte est pris en compte en temps réel, rendant ainsi vos données « prêtes pour l'IA » dès la milliseconde où elles sont générées. Cela permet la mise en place de modèles RAG (Retrieval Augmented Generation), dans lesquels l'IA peut interroger l'état actuel de l'usine pour répondre à des questions en direct.

Les données générées par l'homme : le chaînon manquant

La plupart des initiatives en matière de préparation des données se concentrent exclusivement sur les capteurs des machines. Il s'agit là d'une erreur fatale. Les capteurs peuvent vous indiquer ce qui s'est passé, mais ils vous expliquent rarement pourquoi.

  • Un capteur de vibrations vous indique que le moteur est en panne.
  • Seul l'opérateur sait que cela a échoué parce que « la matière première était humide ».

Si vous excluez cette vision humaine de votre ensemble de données, votre IA n'apprendra jamais à établir des liens de causalité. L'utilisation d'applications « no-code » pour enregistrer les journaux, les observations et les actions des opérateurs est essentielle pour former des modèles d'IA capables de saisir toute la réalité de la production.

Gestion des équipements de sites désaffectés : la stratégie du « wrapper »

Une objection courante est la suivante : « Mes machines ont 30 ans ; elles ne disposent pas d'API. »

Il n'est pas nécessaire de remplacer vos équipements existants pour les rendre compatibles avec l'IA. Il suffit de les « encapsuler ».

  • IoT Passerelles : du matériel peu coûteux peut être connecté à des automates programmables (PLC) existants afin d'extraire des données et de les convertir en protocoles modernes tels que MQTT.
  • Vision par caméra : pour les machines dépourvues de ports de données, Vision par ordinateur peuvent « lire » des jauges analogiques ou des tours lumineuses et numériser ce signal.
  • Le « WrapperApp » : si une machine est complètement hors ligne, placez un « Tulip » (App ) à côté de celle-ci. L'opérateur qui saisit manuellement « Cycle Start » et « Cycle Stop » fait office de capteur numérique.

Comparaison : charges utiles brutes et charges utiles prêtes pour l'IA

Pour vous faire une idée de la différence, observez comment une IA analyse un paquet de données.

Charge utile brute (le « Marais »)Charge utile compatible avec l'IA (Sparkplug B / Contextualisée)

{ "val": 402, "id": "t101" }

{ "metric": "Temperature", "value": 402, "unit": "F", "asset": "Oven_1", "operator": "J.Doe", "state": "Running" }

Interprétation par l'IA :

Interprétation par l'IA :

« La valeur est de 402. » (Inutile)

« Le four n° 1 présente une température excessive (402 °F) lorsqu'il est utilisé par J. Doe. » (À traiter)

Une liste de contrôle pratique : du marécage à la stratégie

Si vous souhaitez préparer votre établissement à l'utilisation de Frontline Intelligence, commencez par ici :

  1. Cessez de stocker des données brutes : si les données ne comportent ni horodatage ni balises de contexte, ne les stockez pas. Elles constituent un risque, et non un atout.
  2. Mettez en œuvre une stratégie « edge » : traitez les données à haute fréquence en périphérie. Traitez les données localement (ajoutez-y du contexte) avant de les envoyer vers le cloud.
  3. Adoptez une norme sémantique : définissez une convention de nommage (comme « MQTT Sparkplug B ») et respectez-la.
  4. Numérisez le « pourquoi » : remplacez les registres papier par des applications afin que le contexte humain soit numérisé et accessible à l'IA.

Foire aux questions

Le principal obstacle réside dans l'absence de contexte opérationnel. La plupart des usines disposent d'une grande quantité de données, mais celles-ci sont cloisonnées dans différents systèmes (PLC, ERP, MES) sans structure commune, ce qui empêche l'IA d'établir des corrélations de cause à effet.

Un « espace de noms unifié » est une approche architecturale dans laquelle toutes les données provenant des machines, des applications et des capteurs sont publiées dans un emplacement central selon une hiérarchie commune. Il fait office de source unique de référence à laquelle les systèmes d'IA peuvent facilement accéder.

Vous n'avez pas besoin de les remplacer. Utilisez les passerelles d'IoT s pour extraire les données, ou utilisez des applications et des caméras pour « envelopper » la machine d'une couche numérique, ce qui vous permettra de capturer les données sans mettre à niveau les commandes principales.

Utilisez une IA centrée sur l'humain pour améliorer la production grâce à une plateforme opérationnelle connectée

Découvrez comment les fabricants utilisent l'Tulip pour collecter des données en temps réel sur le site de production, normaliser les flux de travail et mettre en place les bases opérationnelles dont les systèmes d'IA ont besoin pour améliorer la qualité, le rendement et la prise de décision.

Découvrez une visite virtuelle et interactive de nos produits
Illustration « Une journée dans la vie »