Plateforme IA & Machine Learning

Non. Les modèles sont pré-conçus pour les cas d’usage industriels et calibrés par les experts MSF sur vos propres données.

Sur site ou dans un cloud privé, à votre choix. Vos données de production n’entraînent jamais les modèles d’autres entreprises.

Les données du MES constituent le socle ; chaque module supplémentaire (APS, Qualité, Maintenance) débloque de nouveaux cas d’usage IA.

Ce qui compte, c’est le nombre d’exemples étiquetés par classe. Le nombre de mois écoulés importe peu. Un modèle de rebut apprend à partir des défauts : une ligne qui rebute peu peut tourner longtemps sans produire assez d’occurrences de la classe minoritaire pour être entraînée, alors qu’un modèle de prévision de la demande réclame plusieurs cycles saisonniers complets. L’historique ancien ne compte que s’il repose sur la même codification articles et la même structure de sites que celle sur laquelle vous prévoyez aujourd’hui : commencez donc par retrouver votre dernière migration ERP ou votre dernier changement de référence. Une série courte et propre vaut mieux qu’une série longue recollée de part et d’autre d’un renumérotage.

Pas la partie supervisée. La qualité prédictive a besoin des paramètres process d’un côté et d’un vrai label de résultat de l’autre, et un motif de rebut fourre-tout sur la majorité des enregistrements ne lui apprend rien. Reprenez d’abord la codification dans le MES, et comptez les défauts correctement codés par motif de rebut ; les semaines écoulées ne disent rien. En attendant, la détection d’anomalies par LSTM est non supervisée et n’a besoin d’aucun label. Vous pouvez démarrer par là, en gardant en tête qu’elle signale un comportement inhabituel sans nommer de défaut.

Non. Les modèles de paramètres et d’optimisation produisent des recommandations qui arrivent devant quelqu’un : sur un panneau, dans un rapport, ou sous forme de proposition d’ordonnancement dans l’APS. Écrire quoi que ce soit dans un automate est une intégration distincte, que l’on cadre délibérément. Si vous voulez plus tard des consignes en boucle fermée, traitez-le comme un projet d’automatisme avec sa propre conduite du changement, et jamais comme un substitut aux sécurités câblées.

Prévoyez un ingénieur process ou qualité nommément désigné, avec un créneau de revue récurrent : MSF assure le réglage et le réentraînement, mais le résultat doit avoir un propriétaire chez vous. Le travail récurrent consiste à vérifier que les prédictions collent toujours au réel, à signaler qu’un nouveau produit, un changement d’outillage ou une machine rétrofitée a déplacé le process, et à garder propres les codes de rebut et d’arrêt. Ce n’est pas un poste à temps plein, mais ce n’est pas rien non plus.

La précision baisse, et elle baisse sans bruit. Un modèle a appris votre usine telle qu’elle était : une nouvelle matière, une machine reconstruite ou un temps de cycle modifié rendent une partie de son historique caduque alors que la sortie continue d’avoir l’air sûre d’elle. Annoncez-nous les changements process à l’avance, et fixez dans le projet quels modèles font l’objet d’une comparaison prédit/réalisé, qui la lit et à quelle fréquence. Ne supposez pas que la surveillance de la dérive est activée par défaut sur tous les modèles.

Un comptage assez fin pour identifier les consommateurs un par un, votre calendrier tarifaire réel, et un ordonnanceur auquel l’optimiseur puisse remettre un plan : un seul compteur en tête d’usine vous donne le total et ne dit rien sur l’opération à décaler. Ce sur quoi l’optimiseur raisonne, ce sont les créneaux de prix de l’énergie, mesurés en kWh. Tenir un plafond de puissance souscrite est un autre métier, qui suppose une mesure au pas de temps court et la capacité de retenir ou d’effacer une charge dans l’instant : cadrez-le séparément.

Il n’existe pas de chiffre de précision unique. Le modèle sort un score, et l’endroit où vous placez le seuil d’alerte fixe à la fois le taux de détection et le taux de fausses alertes, mesurés sur des pièces que le modèle n’a jamais vues ; choisir ce point est une décision de gestion, entre ce que coûte une bonne pièce arrêtée et ce que coûte une mauvaise pièce expédiée. La corrélation et l’importance des variables sont des diagnostics au niveau du modèle : utiles pour repérer un raccourci trompeur, inutiles pour juger une alerte prise isolément. Faites tourner le modèle en parallèle, sans effet sur la production, jusqu’à ce qu’assez de défauts réels se soient accumulés pour comparer.