C’est le pari que porte la start-up française TeepTrak avec sa solution Jemba, conçue pour être directement prise en main par les équipes de production. En encapsulant les briques les plus complexes de la data science, l’éditeur ambitionne de faire basculer l’intelligence artificielle du champ expérimental vers un usage opérationnel.

Rendre la détection d’anomalie et l’optimisation de procédé utilisables directement par un responsable de production, sans data scientist ni chantier informatique.  C’est tout l’objectif de Jemba, une solution d’intelligence artificielle qui peut se « brancher » sur les machines existantes et être pilotée par les équipes terrain elles-mêmes. Et de préciser que cette interface s’adresse au responsable de production et à l’opérateur, et pas à un statisticien. « La sélection des données, l’entraînement d’un modèle, l’analyse des résultats se font en quelques clics », promet son éditeur TeepTrak, une start-up française fondée en 2014 par François Coulloudon, spécialisée dans le suivi et l’analyse de la performance industrielle en temps réel.

Ainsi, l’éditeur explique que Jemba encapsule dans l’outil les tâches les plus techniques et répétitives :  choisir les bonnes variables, prétraiter la donnée, calibrer un modèle, interpréter les sorties. Cela de manière que ces tâches puissent s’exécuter « de façon fiable sans expertise statistique en face ». Qu’il s’agisse de machines, capteurs, fichiers CSV, API et autre protocole OPC-UA, Jemba se branche sur le parc en place sans imposer de nouvelle infrastructure, ni avoir besoin de remplacer les équipements ou de tout recâbler, assure cet expert en solutions digitales pour la production.

« Anticiper les arrêts non planifiés plutôt que de les subir »

Comme le souligne TeepTrak, Jemba concentre ses efforts sur deux familles où le rapport impact/effort d’intégration est le plus favorable : la détection d’anomalie et l’optimisation de procédé. Ainsi, à partir des signaux d’une machine, la solution de mesure de performance identifie ce qui dévie dans le procédé de fabrication. « L’utilisateur choisit ses données (en temps réel ou en historique), lance l’entraînement, et obtient un score d’anomalie par variable ou agrégé (un seuil calibré automatiquement qu’il peut ajuster) et des alarmes », décrit la jeune pousse de 40 personnes. Ici, l’objectif opérationnel est d’« anticiper les arrêts non planifiés plutôt que de les subir ». Afin d’optimiser le procédé, Jemba, alors assistée par le modèle, va sélectionner des variables, puis entraîner un prédicteur avant d’estimer son incertitude, de manière à mettre en évidence les « régions de fonctionnement optimales », autrement dit, les réglages qui donnent le meilleur rendement.

« La difficulté n’est pas de détecter les défaillances réelles (…). Le vrai enjeu est la précision, c’est-à-dire la maîtrise des faux positifs. Une alarme trop bavarde finit par être ignorée par l’opérateur, et le système ne sert alors plus à rien. Le travail porte donc sur le réglage fin du point de fonctionnement », résume TeepTrak.

Du Gemba à Jemba

Pourquoi l’éditeur TeepTrak a choisi de baptiser sa solution d’IA industrielle pour la détection d’anomalie et l’optimisation de procédé Jemba ? En fait, la start-up française explique qu’il s’agit d’une référence directe au Gemba, une méthode utilisée dans le lean management. En japonais, le terme signifie « le vrai lieu », c’est-à-dire l’endroit où le travail s’effectue réellement, précise l’éditeur. « Le principe, formalisé par Taiichi Ohno — le père de la production juste-à-temps chez Toyota —, tient dans une conviction simple : c’est en descendant sur le terrain, là où la valeur se crée, que l’on comprend vraiment un problème et que l’on trouve les leviers d’amélioration », décrit TeepTrak. Un concept à l’image de Jemba, car l’interface a été développée afin de « mettre la capacité d’analyse entre les mains de ceux qui sont sur la ligne en permanence, là où les décisions se prennent — et non entre celles d’un data scientist rarement présent sur site », affirme la jeune pousse, pour qui son outil « prolonge en quelque sorte la logique de la marche Gemba : aller voir ce qui se passe sur la machine, en continu, et en tirer des décisions concrètes ».

Trouver les bons leviers

TeepTrak, l’éditeur de la solution d’intelligence artificielle pour la détection d’anomalie et l’optimisation de procédé de production Jemba, a déployé son interface chez un industriel de la transformation des matériaux. Sans citer le nom de son client, il assure que celui-ci a stabilisé un de ses nouveaux produits, autour de 30 % de rendement, avec plus de 150 variables de procédé en jeu, et des outils Six Sigma classiques qui n’avaient permis d’identifier aucun levier actionnable. TeepTrak fait savoir que l’approche de Jemba a isolé une dizaine de variables déterminantes et fait passer le rendement de 30 à 80 %, soit un facteur 2,7. « Un résultat obtenu avec un vrai soin méthodologique : avec autant de variables pour un nombre limité d’essais, le risque de surapprentissage est réel, d’où le couplage entre sélection de variables, estimation d’incertitude et validation adaptée : l’objectif étant d’identifier des leviers qui tiennent en dehors de l’échantillon, pas seulement de coller aux données passées », analyse le développeur d’outils de pilotage industriel.

A retenir

Jemba, une solution française d’IA industrielle pour la détection d’anomalie et l’optimisation de procédé

• Pour qui ? Les responsables de production et opérateurs d’atelier et non les équipes de data science, que la plupart des sites ne peuvent pas s’offrir
• Comment ça marche ? Connexion aux machines, capteurs, CSV et API existants, sans nouvelle infrastructure ni projet informatique
• Pour quels avantages ? Moins d’arrêts subis, moins de rebuts et un meilleur rendement