fr.wedoany.com Rapport : Les producteurs de boissons et de denrées alimentaires éliminent systématiquement le gaspillage de production et préviennent les goulets d'étranglement de capacité grâce à la normalisation des données et aux technologies d'apprentissage automatique. Selon le rapport « État du Lean Manufacturing 2023 » (State of Lean Manufacturing), seules 10 % à 15 % des entreprises aux États-Unis appliquent systématiquement les principes du Lean, obtenant ainsi un avantage concurrentiel significatif et des retours financiers. Le cœur du Lean Management et du Six Sigma a toujours été de se concentrer sur l'optimisation des processus, l'autonomisation des employés et la résolution de problèmes concrets, plutôt que d'augmenter aveuglément les investissements en capital.
Aujourd'hui, alors que les producteurs de boissons et de denrées alimentaires continuent d'augmenter leurs investissements dans l'automatisation, ils renforcent leur compétitivité à long terme en promouvant la normalisation des données d'usine. L'apprentissage automatique joue déjà un rôle dans des scénarios tels que l'emballage, la maintenance prédictive et le nettoyage en place (CIP), en identifiant précisément les sources de gaspillage et en fournissant des solutions d'optimisation. Markus Guerster, fondateur et PDG de MontBlancAI, souligne qu'à l'ère de l'apprentissage automatique, le Lean Management ne peut pas se limiter à la construction de modèles algorithmiques, mais doit intégrer les informations issues des données dans les flux de travail quotidiens. L'IA doit être profondément liée aux réunions de production, aux procédures de maintenance des équipements et aux cycles d'amélioration continue, faute de quoi elle ne pourra pas créer de valeur durable pour l'entreprise. John Oskin, vice-président senior de SmartSights, indique qu'au cours des 15 à 20 dernières années, la plupart des producteurs de boissons et de denrées alimentaires ont investi massivement dans l'automatisation matérielle, mais que la normalisation des données a rarement été intégrée dans la planification stratégique initiale. En 2024, Michael Warter, vice-président senior et directeur informatique du géant des aliments surgelés Ruiz Foods, a annoncé que l'entreprise menait un important projet de normalisation des données pour son département R&D. Auparavant, les données étaient dispersées dans des systèmes isolés ; une intégration approfondie est cruciale pour briser les silos de données et se libérer de la dépendance aux feuilles de calcul. Les premières mesures ont déjà porté leurs fruits en matière de conformité réglementaire et de traçabilité des produits. Il a admis qu'au départ, le conseil d'administration n'avait pas saisi la profonde signification de l'intelligence artificielle pour la production, mais que désormais, l'équipe de direction reconnaît que les principes du Lean Management, la réduction du gaspillage de production et le développement futur de l'IA sont étroitement liés.
David Ariens, fondateur du média et cabinet de conseil sectoriel IT/OT Insider, déclare que le Lean Management et le Six Sigma offrent des méthodologies systématiques pour éliminer le gaspillage et contrôler les variations des processus de production. Ces mêmes méthodologies peuvent désormais être transposées dans le domaine de la gestion des données, en réduisant la consommation liée à la recherche, au nettoyage et à la mise en contexte des données, et en construisant une infrastructure sous-jacente pour éviter de repartir de zéro pour chaque nouveau scénario d'application. Actuellement, les nouvelles usines agroalimentaires aux États-Unis présentent une tendance marquée à être axées sur les données (Data-first). Bob Rice, vice-président ingénierie de Control Station, souligne qu'il y a 20 ans, l'objectif principal de la construction d'une usine était de « faire tourner les équipements ». Aujourd'hui, les grands projets établissent dès le départ des normes opérationnelles très élevées, exigeant d'atteindre les niveaux de capacité prévus dès le début de la production, et même de planifier l'analyse des données avant le début des travaux. Cependant, la priorité aux données ne signifie pas qu'il faille construire un modèle complet d'apprentissage automatique pour toute l'usine. Ariens ajoute que très peu d'entreprises construisent une « ontologie de fabrication » (Manufacturing Ontology) complète, c'est-à-dire un modèle de haut niveau lisible par machine qui définit les correspondances entre équipements et processus, les quotas de consommation de matières à chaque étape, et l'appariement des recettes de production par lot avec les processus sous-jacents. Guerster estime que le défi principal pour la mise en œuvre actuelle de projets de données basés sur l'apprentissage automatique réside dans la coordination interfonctionnelle : différentes lignes de production ou sites ont souvent leurs propres normes de dénomination des signaux, unités de mesure, fréquences d'échantillonnage et métadonnées contextuelles, et les départements informatiques et technologiques opérationnels travaillent souvent en silos. Ariens insiste sur le fait que si l'IT et l'OT ne parviennent pas à collaborer et à s'aligner, même les technologies les plus avancées ne pourront pas sauver une stratégie de données.
La transformation numérique des entreprises doit commencer modestement, en se concentrant sur l'obtention rapide de résultats intermédiaires (Quick Wins). Guerster indique qu'avant de lancer un projet de données, il est nécessaire de clarifier la valeur commerciale. Les entreprises qui réussissent choisissent généralement des scénarios dont le périmètre est clair et qui sont directement liés à des indicateurs clés de performance (KPI) quantifiables. Oskin approuve la stratégie des « petits pas rapides et de l'itération agile », suggérant de planifier un ou deux projets d'IA, pour une machine clé, une ligne de production principale ou un indicateur critique, qui peuvent produire des résultats en une semaine ou un mois. Marc Bertrand de SmartSights a partagé un cas lors d'un webinaire : un client a réussi à identifier les goulets d'étranglement de capacité sur une ligne d'emballage et à réduire considérablement le gaspillage en utilisant l'analyse d'importance des caractéristiques (Feature Importance Analysis) et l'analyse prescriptive (Prescriptive Analysis). L'analyse d'importance des caractéristiques identifie avec précision les variables les plus influentes, aidant à construire des modèles de données efficaces et interprétables. L'objectif principal de ce client était d'établir des indicateurs clés de performance tels que le temps moyen entre pannes (MTBF), ou d'évaluer la valeur centrale des machines aux points d'étranglement de la ligne d'emballage. La technologie ABLE de SmartSights a effectué une analyse des causes profondes (Root Cause Analysis) sur les strappeuses, les encaisseuses et les palettiseurs de la ligne, en identifiant avec précision, en fonction des causes potentielles, l'équipement ayant le plus grand impact sur l'ensemble de la ligne. Parallèlement, l'équipe du projet a utilisé des méthodes d'analyse prescriptive pour modéliser complètement la ligne d'emballage, en introduisant un KPI clé appelé « Taux effectif » (Effective Rate) pour les goulets d'étranglement de capacité. Cet indicateur, calculé en multipliant la disponibilité de l'équipement par le taux moyen de la ligne de production, permet de mesurer précisément la production réelle par minute. Bertrand a souligné que, bien que les données des deux algorithmes soient correctes, les résultats étaient très trompeurs : selon l'analyse, l'accent devait être mis sur le palettiseur, alors que le véritable problème résidait dans la strappeuse. Grâce aux informations approfondies fournies par la modélisation par apprentissage automatique, l'entreprise a trouvé un équilibre, augmentant simultanément la limite de vitesse supérieure et le taux de fonctionnement réel des deux équipements, surmontant ainsi avec succès le goulet d'étranglement de capacité de ce centre de production.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
