Pourquoi l'IA échoue sans contexte : un guide pratique sur la préparation des données dans le secteur manufacturier

Les fabricants investissent massivement dans l'IA, mais de nombreuses initiatives s'enlisent après les premières phases pilotes. Les modèles fournissent des informations, les tableaux de bord s'illuminent, mais les équipes hésitent à passer à l'action. Sur le terrain et dans les salles de contrôle, les résultats semblent souvent déconnectés du fonctionnement réel des opérations.

Lors de l'événement Operations Calling, des dirigeants de ZS et d'AWS se sont réunis pour discuter de la manière dont les industriels préparent leurs données en vue d'une utilisation à grande échelle de l'IA. À travers des points de vue couvrant la stratégie industrielle, l'architecture cloud et les opérations sur le terrain, une tendance commune s'est dégagée : l'IA ne faillit pas parce que les modèles sont déficients, mais parce que les données sous-jacentes manquent d'un contexte opérationnel commun entre les systèmes informatiques (IT) et les systèmes opérationnels (OT).

Ce blog explique pourquoi le contexte est la condition préalable qui fait défaut dans le domaine de l'IA industrielle. Nous présenterons un guide pratique sur la préparation des données, qui montre comment les entreprises peuvent passer de signaux bruts et de systèmes cloisonnés à des architectures prêtes pour l'IA, permettant une aide à la décision évolutive et intégrant l'intervention humaine.

Dans le secteur industriel, les données existent déjà au niveau des machines, des systèmes et des applications. Le défi consiste à en extraire le sens. C'est le contexte qui permet de comprendre ce que ces données représentent et pourquoi elles sont importantes pour une décision donnée.

« L'IA n'est efficace que dans la mesure où ses données le sont, n'est-ce pas ? Et il ne s'agit pas seulement des données. Cela va bien au-delà des données. Il s'agit du contexte des données, n'est-ce pas ? Le contexte est primordial. » — Suraj Pai, directeur chez ZS

Savoir qu'une machine est en marche n'est pas la même chose que savoir quel processus elle devrait exécuter, pour quel produit et dans quelles conditions. Sans ce lien avec les actifs, les processus et les produits, les systèmes d'IA peuvent détecter des signaux, mais peinent à orienter l'action.

Le contexte dépend également du rôle et de la question posée. Ce qui importe à un opérateur, à un responsable qualité ou à un planificateur de la chaîne d'approvisionnement n'est pas le même, même lorsqu'ils examinent les mêmes données sous-jacentes. C'est pourquoi le contexte ne peut être ni présupposé ni codé en dur : il doit être conçu.

Enfin, le contexte n'est pas uniquement généré par des machines. Les experts ont souligné que l'intervention humaine comble toujours des lacunes cruciales là où les systèmes présentent des limites. Pour que l'IA fonctionne dans des situations réelles, elle doit tenir compte à la fois des données du système et du jugement humain.

La préparation des données de production signifie que les données opérationnelles sont définies, structurées et interconnectées de manière à pouvoir être utilisées de manière fiable dans l'ensemble des systèmes informatiques et des systèmes de technologie opérationnelle.

Concrètement, les données sont prêtes lorsque :

• Les actifs, les processus et les produits sont clairement définis.

• Les relations entre eux sont modélisées.

• Les conventions de nommage sont normalisées.

• Le contexte reste associé aux données lors de leur transfert d'un système à l'autre.

Cela garantit que les mêmes données désignent la même chose partout où elles apparaissent, que ce soit dans les systèmes opérationnels, de qualité, d'ingénierie ou d'entreprise.

Des normes telles que l'ISA-95 ou l'Unified Namespace constituent un point de départ structurel. Une fois ces bases établies, de nouveaux cas d'utilisation en matière d'analyse et d'IA peuvent s'appuyer sur des modèles communs, plutôt que de devoir recréer le contexte pour chaque projet. Cela signifie également qu'il n'est pas nécessaire d'expliquer manuellement les données à chaque fois qu'un nouvel utilisateur les utilise. Le contexte est déjà intégré.

Lorsque les données sont prêtes, les nouveaux tableaux de bord, outils d'analyse ou outils d'IA peuvent les exploiter immédiatement. Dans le cas contraire, les équipes passent la majeure partie de leur temps à essayer de comprendre ce que ces données signifient réellement.

Le contexte ne se révèle pas d'un seul coup. Il se construit par étapes, et la plupart des fabricants opèrent simultanément sur plusieurs de ces niveaux. L'essentiel est de comprendre où se situe le contexte aujourd'hui et ce qu'il faut faire pour aller de l'avant sans surcompliquer les choses.

« Ces agents ne fonctionnent pas correctement et ne vous fourniront pas les informations adéquates ni ne prendront de meilleures décisions… sans les données appropriées. » — Venkat Gumatam, architecte de solutions partenaires, Amazon Services

Étape 1 : Contexte au niveau des actifs
À ce stade, les données sont associées à des machines, des lignes de production ou des capteurs individuels.

Vous pouvez consulter l'état des équipements (en marche, à l'arrêt ou en panne), ainsi que des indicateurs de base tels que la durée du cycle, la température ou le nombre de pièces produites. Ces données vous renseignent sur l'activité de l'équipement à un moment donné.

Ce qu’elles ne vous indiquent pas, c’est si la machine traite le bon produit, respecte les paramètres de processus appropriés ou répond aux attentes de performance pour cette tâche spécifique. Les données se limitent à l’équipement lui-même.

C'est là que commencent la plupart des intégrations IT/OT: en connectant les machines et en collectant les signaux. Cela offre une visibilité, mais pas une compréhension opérationnelle complète.

Étape 2 : Contexte du processus
À ce stade, les données sont associées à l'étape du processus que la machine est en train d'exécuter.

Vous pouvez voir quelle opération est en cours d'exécution, à quelle étape du flux de travail elle se trouve, ainsi que les valeurs de consigne ou les limites définies pour cette étape. Les données de performance ne se limitent plus à un simple signal de la machine ; elles sont évaluées par rapport au fonctionnement prévu du processus.

Vous savez désormais si l'opération s'est déroulée conformément aux paramètres prévus.

Ce que vous ne savez pas encore tout à fait, c'est comment ces performances se répercutent sur un produit, une commande ou un lot en particulier. Les données reflètent le comportement du processus, mais pas l'impact complet sur le produit.

C'est là que les questions passent de « Que s'est-il passé ? » à « Cela s'est-il déroulé comme prévu ? »

Étape 3 : Contexte produit et lot
À ce stade, les données sont associées à des produits, des recettes ou des lots spécifiques. Les performances, les écarts et les résultats en matière de qualité peuvent être rattachés à ce qui était en cours de production à ce moment-là.

Cela permet de comprendre comment le comportement du processus influe sur une commande ou un lot donné, et pas seulement sur la machine. C'est particulièrement important dans les environnements réglementés et à forte diversité de production, où un même équipement peut servir à fabriquer différents produits soumis à des exigences différentes.

Étape 4 : Contexte interfonctionnel
À ce stade, les données de production sont reliées aux systèmes de qualité, d'ingénierie et de la chaîne d'approvisionnement. Un problème survenant sur une machine peut être mis en relation avec ses conséquences, telles que les rebuts, les retards, les retouches ou les livraisons manquées.

Les données ne se limitent plus à la simple évaluation des performances d'une ligne de production. Elles montrent comment les problèmes opérationnels affectent l'activité.

C'est là que les décisions ne se limitent plus à la simple réparation d'une machine. Les équipes peuvent ainsi appréhender l'impact global et agir à l'échelle de l'ensemble de l'entreprise, et non plus uniquement au sein d'un service.

Étape 5 : Le facteur humain
Même dans les environnements de pointe, les personnes restent au cœur du processus. Les opérateurs prennent des notes, expliquent les problèmes lors des changements d'équipe, gèrent les exceptions et prennent des décisions lorsqu'un imprévu survient.

Les systèmes ne capturent pas tout. L'intervention humaine permet souvent d'expliquer pourquoi un événement s'est produit, et pas seulement ce qui s'est passé. Les architectures de données performantes considèrent cette intervention comme une donnée opérationnelle précieuse, et non comme un élément à ignorer.

« Tous les ateliers ne verront pas tous leurs processus numérisés. Des personnes interviennent toujours pour saisir les données et les éléments du processus de fabrication. » — Suraj Pai, directeur chez ZS

La maturité en matière d'IA dépend de la capacité des données à circuler entre ces couches sans perdre leur sens. Des problèmes surviennent lorsque les organisations tentent de déployer l'IA avant que le contexte nécessaire ne soit en place.

Pour éviter les défaillances de l'IA, il faut commencer par concevoir les données de manière réfléchie. L'objectif n'est pas de créer un modèle parfait, mais un modèle exploitable.

Commencez par établir des définitions communes. Définissez clairement les ressources, les étapes des processus, les produits et les entités clés afin qu'ils soient cohérents d'un système à l'autre. Adoptez des conventions de nommage communes afin qu'un même terme ait la même signification dans les outils opérationnels, de qualité et d'entreprise.

Modélisez ensuite les relations qui comptent. Reliez les événements machine aux étapes de processus. Reliez les étapes de processus aux produits ou aux lots. Reliez les événements opérationnels aux systèmes de qualité et de la chaîne d'approvisionnement. Concentrez-vous uniquement sur les relations nécessaires à vos cas d'utilisation prioritaires, et non sur tous les scénarios possibles.

Utilisez des normes telles que l'ISA-95 et l'ISA-88 comme points de référence, et non comme des modèles à suivre à la lettre. Inspirez-vous de la clarté structurelle qu'elles apportent, puis adaptez-les pour qu'elles correspondent au fonctionnement réel de vos activités.

Enfin, pensez à l'évolutivité. Les ontologies vous permettent de définir des entités et des relations de manière à pouvoir les faire évoluer à mesure que de nouveaux produits, flux de travail ou sites sont ajoutés. Cela permet de conserver la structure des données sans les enfermer dans des hiérarchies rigides.

Lorsque les fabricants adoptent cette approche, les systèmes d'IA n'ont pas besoin de réinterpréter les données à chaque fois qu'elles franchissent une frontière. Les nouveaux cas d'utilisation s'appuient sur des bases communes au lieu de créer des modèles parallèles. C'est ainsi que le contexte s'adapte et que l'IA continue de fonctionner à mesure que la complexité augmente.

La première vague d'IA dans le secteur manufacturier s'est principalement concentrée sur la génération d'informations exploitables par le biais de tableaux de bord, de prévisions et de recommandations. L'IA agentique change la donne. Ces systèmes ne se contentent pas d'analyser les données ; ils sont capables d'agir, de déclencher des flux de travail et de coordonner les décisions entre les différents systèmes.

« Nous entrons dans un monde de type "Iron Man", où nous communiquerons avec les systèmes et où les systèmes communiqueront avec nous. » — Venkat Gumatam, architecte de solutions partenaires, Amazon Services

Cette évolution rend les exigences en matière de préparation des données plus strictes. Lorsque l'IA passe de la simple suggestion à l'action, les lacunes contextuelles se transforment en risques. Un agent doit non seulement comprendre ce qui s'est passé, mais aussi où cela s'est produit, pourquoi c'est important et quelles sont les contraintes en vigueur. Sans ces bases, l'automatisation devient fragile au lieu d'être fiable.

C'est pourquoi une conception intégrant l'intervention humaine est essentielle. Les systèmes agents fonctionnent mieux lorsque des humains valident les décisions, gèrent les exceptions et apportent leur jugement lorsque les données sont incomplètes. Plutôt que de remplacer les opérateurs ou les ingénieurs, ces systèmes sont conçus pour les assister en mettant en évidence le contexte, en accélérant la prise de décision et en maintenant la responsabilité au niveau des personnes.

« En fin de compte, il faut une conception mûrement réfléchie qui intègre l’intervention humaine. » — Suraj Pai, directeur, ZS

Pour les responsables informatiques et opérationnels, se préparer à l’IA agentique ne consiste pas à déployer des agents en premier lieu. Il s’agit plutôt de concevoir des modèles opérationnels et des bases de données qui intègrent dès le départ la collaboration entre les systèmes et les humains. Lorsque le contexte est en place, l’IA agentique devient un prolongement concret des opérations. Sans cela, même les modèles les plus avancés peinent à gagner la confiance.

Tulip la préparation des données de production en capturant le contexte dans lequel le travail s'effectue réellement. En tant que Frontline Operations , Tulip les contributions humaines, les données machine et les flux de travail dans un environnement unique, ce qui permet d'intégrer la signification opérationnelle dès la création des données, sans avoir à la reconstituer ultérieurement.

En numérisant les processus opérationnels, Tulip uniformiser la manière dont les actifs, les opérations et les produits sont représentés, tout en conservant suffisamment de souplesse pour tenir compte des spécificités de chaque site. Les ingénieurs peuvent définir des flux de travail, des procédures de collecte de données et des conventions de nommage qui s'intègrent aux architectures informatiques et opérationnelles globales, sans pour autant imposer de modèles rigides et descendants.

Ces données contextualisées peuvent ensuite être intégrées aux systèmes d'entreprise, aux plateformes d'analyse et aux services cloud, afin de prendre en charge des cas d'utilisation de l'IA qui nécessitent une structure cohérente entre les différents services et sites. Il en résulte une base évolutive pour une IA avec intervention humaine, ancrée dans les opérations réelles, adaptable au fil du temps et conçue pour soutenir à la fois l'exécution locale et la prise de décision au niveau de l'entreprise.